5、人工智能、机器学习与深度学习：概念、应用与挑战

人工智能、机器学习与深度学习：概念、应用与挑战

1. 风险建模与预期信用损失计算

在风险建模中，建模者会运用先进的特征工程技术，从客户交易数据中提取变量，确保算法能够检测和模拟现金流的近期变化。这些变量包含受 COVID - 19 影响较大的收入和支出变量，以及时点比率、客户群体层面的早期逾期情况、与变化速度相关的驱动因素（如利用率、可支配收入）、特定业务风险驱动因素和自雇标志等。银行发现，深度较小且树的数量少于 100 的梯度提升机（GBM），能更好地预测哪些客户可能会遭遇突然的收入损失事件，以及在 COVID - 19 还款假期计划到期后可能出现违约。

预期信用损失计算通常作为批量后端流程运行。具体步骤如下：
1. 针对一系列情景计算前瞻性边际损失。
2. 将这些损失折现到净现值。
3. 根据情景发生的概率进行加权。

若违约概率自贷款发放以来显著增加，该贷款将被认定为第二阶段，需确认整个生命周期的损失；若未显著增加，则确认 12 个月的损失作为预期信用损失准备。在决定是否发放新贷款时，可以利用机器学习来近似计算预期信用损失，其优势在于能在贷款发放时实时快速提供估计值，助力做出更优决策。

2. 人工智能（AI）的定义与发展

2.1 AI 的起源

1950 年，英国著名数学家艾伦·图灵提出“机器能思考吗？”这一问题，引发了计算机科学领域的深入探讨。图灵在二战期间研制的能够破解纳粹“恩尼格玛”机器密码的机器，为盟军在欧洲战场获胜提供了关键优势，该机器的不断改进也推动了第一台数字计算机的发展。1955 年，美国计算机科学家、人工智能之父约翰·麦卡锡在筹备一场探讨如何让机器像人类一样推理、