假如你需要5万元左右的资金短期周转,不必再劳时费力去银行或小贷公司申请了,只需要靠自己常年累月攒下来的人品信用,凭借第三方征信公司提供的信用分,就可以在融360等在线金融平台上借了。而且最快10分钟审批、24小时放款,省事省力省成本。
由于大数据风控,未来小额信贷的应用场景发生极大的变革。将近万亿元的小额信贷市场因此正在成为各大在线金融服务商争夺的潜在市场。
知名金融搜索平台融360于6月初宣布,已经和蚂蚁金服旗下的第三方征信机构芝麻信用建立了数据上的战略合作。融360负责风控的副总裁李英浩表示,融360拥有丰富的用户借贷行为数据,结合芝麻信用的征信数据(个人信用数据),就可以直接算出一个放贷金额。
“已经签署合作协议了,双方的互补性很强,在小额贷款的应用方面有充分的想象空间。”李英浩表示。
芝麻信用推出的中国首个个人信用评分“芝麻信用分”,主要接入了阿里巴巴集团的电商数据和蚂蚁金融的互联网金融数据以及公共机构的数据,运用大数据及云计算技术,客观评估并呈现个人的信用状况。
芝麻信用采用国际上通行的信用评分方法,最低350分最高950分,这与美国FICO分(300至850)相似,分数越高代表信用程度越好,违约可能性越低。该服务主要包含了用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度。人们在日常生活中点点滴滴的行为,通过长期积累,这些行为轨迹和细节,可以全面判断其信用状况。
统计数据显示,截止到2013年底,央行银行个人征信系统中收录有信贷记录的自然人约3.2亿,还不到总人口数的1/4,远远满足不了借贷市场的需求,很多没有信用卡或从未跟银行发生借贷关系的人群很难获得信贷服务。而在美国,征信体系的覆盖率已经达到了85%。
商业大数据征信的兴起,将改变这一困境。融360 CEO叶大清称,“2015年是征信元年。6月份8家商业征信公司将拿到央行颁发的牌照,补充央行征信记录的不足。” 他透露,融360正广泛地和国内外各类征信机构洽谈合作,其中一些已经投入使用。商业征信数据结合央行征信数据,能够让广大草根人群,例如自由职业者、个体户、小微企业主、学生等人群有机会在线借到钱。
芝麻信用相关负责人表示,芝麻信用分主要分为金融和非金融两类应用场景,非金融会在免押(租车、住宿)、后付、证明(签证、交友)、分享经济(比如小猪短租)方面加大投入。而金融类则需要加强同相关借贷数据提供方合作。在线金融搜索平台融360独有的数据源是芝麻信用一个天然的合作伙伴。
作为金融垂直搜索服务平台,融360过去三年半积累了大量的信贷用户数据,帮助用户成功获取了超过3000亿元贷款。在借款人访问数据、用户申请资质信息、网站行为数据、批贷信息和贷后信息方面拥有独一无二的优势。
该公司不久前正式推出了信用评分在借贷领域的应用模型。针对5万元以下的个人信用贷款申请,融360使用了一个名为“天机”的大数据风控系统,其中包含信用风险预测模型,会根据身份认证、还款意愿和还款能力三个大维度,给申请贷款的用户进行评分,依据分值来决定是否放贷、放贷金额及期限。
未来无论是用芝麻信用,还是融360的大数据风控服务,5万元以下的小额贷款申请将有可能完全在线化,不再需要人工的审核流程,因而速度将极大加快李英浩介绍说,人工审核一般需要一周以上才能放款,慢的可能两个月;纯线上审核可以做到10分钟以内。这将意味着贷款在线化有望很快得到大规模普及。
除了贷款审批速度实现了突破,贷款获批率也得到了显著提升,同一类用户,用抵押物、收入流水证明等粗放式的传统风控方式,贷款获批率在15%左右,而使用大数据征信结合人工后获批率可以达到45%以上。至于贷款的逾期率,以12个月违约风险举例,通过“天机”模型筛选的用户,逾期率比没有经过筛选的低一半。
目前,大数据风控最有条件的仍然是阿里,通过十几年的发展,掌握了大量网购人士和电商从业者的相关交易数据,大数据征信服务芝麻信用有望在各行各业得到广泛的应用。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。