参赛单位：数库（上海）科技有限公司

案例名称：数库金融风控预警解决方案

案例简介：

以人工智能驱动金融创新：

1、 智能NLP资讯分析

独有的NLP和机器学习算法，开创了NLP和图谱相结合在金融领域商业化智能应用的先河。

2、 专有的企业产业图谱技术和数据

基于数库独特的产业链体系，生产出专业高效企业图谱与产业图谱数据覆盖。

3、 提升金融风险预警效率

通过算法与数据智能化完善企业画像提供风险预警支持

4、 成功的金融场景应用落地

以深度的金融行业洞察力以及高度契合垂直场景的功能模块，打造强劲的商业化应用。

项目背景：

1、 金融机构在大数据、智能化方向FinTech技术持续投入

2、 企业违约风险加大的背景下，凸显企业风险管理控制的强烈诉求

3、 大数据时代到来，海量信息处理需求

4、 金融机构降低业务成本、提高运营业绩及决策效率需要

创新技术/模式应用：

1、 NLP：自然语言处理（NLP）是计算机科学、人工智能和语言学的交叉领域。目的是让计算机处理或“理解”自然语言。NLP、机器学习和数据挖掘技术运用于数库资讯产品（资讯解析、自动摘要和知识获取等）。

2、 机器学习：机器学习通过从数据里提取规则或模式来把数据转换成信息。主要的方法有归纳学习法和分析学习法。数据首先被预处理，形成特征，然后根据特征创建某种模型。

3、 数据挖掘：数据挖掘(Data Mining)是采用数学的、统计的、人工智能和神经网络等领域的科学方法，如记忆推理、聚类分析、关联分析、决策树、神经网络、基因算法等技术，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势,并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。

4、 搭建全自动资讯解析平台，实现端到端全方案服务应用模式：整体架构融合了舆情分析、企业图谱、产业链图谱等数据应用模式，实现了从非结构化数据生产出结构化数据的应用能力。

解决行业哪些痛点：

解决了行业普遍存在的以下问题：

（1） 资讯获取和维护成本高昂，信息更新不够及时。

（2） 针对交易标的（如A股）相关资讯、公告数据分布零散，无法聚焦，无法对新闻中涉及的主体和元素进行分类和识别。

（3） 资讯解读能力差，专业知识要求高。传统资讯缺乏人工智能手段对新闻进行正确的解读，导致任务下沉给用户，一般用户缺乏专业知识，往往因误读而遭受损失。

执行过程及风险控制：

执行过程：

1、 项目启动：完成用户需求调研，形成主体舆情算法专项提升、事件主体要素抽取、新闻与行业关联、新闻与产品关联、审计师处罚信息抽取、算法服务容器化改造、数据质检等7大需求。

2、 项目规划：项目整体规划时间为5个月，系统架构采用数据采集层、算法引擎层和数据服务层3个架构。

3、 项目执行：搭建采集平台进行数据采集；搭建算法管理平台，进行了算法服务容器化改造，建立smarttag智能标签，舆情分析、企业图谱、产业链图谱、事件主体等算法模型。

4、 项目监控：执行项目日常进度管理，定期和不定期的专家评估，使用适当的工具和技术来衡量项目绩效，以识别和量化任何偏差，并确定适当的纠正措施。

5、 项目结尾：完成企业主体风险监控、舆情监控应用场景、知识库及语料库积累、金融事件风险预警体系、企业图谱及产业图谱等成果交付。

风险控制：

1、 建立质量保证体系：建立标准化的质量管理计划和制度，建立项目质量KPI。

2、 建立配置管理体系：配置专职人员，进行版本管理。

3、 建立度量分析体系：创建符合项目实际的软件度量指标体系。

4、 建立缺陷管理体系：采用专业的缺陷跟踪管理系统。

5、 成立专家评审制度：引入专家评审机制。

效果评估：

1、 效率提高：传统分析资讯每天100篇，系统上线后1000篇。

2、 从无到有：传统方式获取到的信息比较零散，系统上线后建立完善的企业标签库，进行企业画像，建立了超过50种关系，补充了非结构化舆情信息。

3、 成本降低：传统方式单人只能监控20家企业，系统上线后，能够监控100家企业。

4、 风控能力提高：通过图谱、舆情、事件、主体，获取更全面的信息。

责任编辑：王超