如今，随着技术的发展，对于普通消费用户来讲，想在网上借点钱花变得越来越容易，技术带给我们的便利性日渐突显。同时，随着消费金融的兴起，征信体系成为了消费金融公司发展背后的主要障碍之一，信贷欺诈大量涌现。这给金融行业的发展带来了极大的阻碍，致使很多借贷行为无法圆满解决。
这个问题有多严重？
央行发布的《2018年第三季度支付体系运行总体情况》显示，我国信用卡逾期半年未偿信贷总额880.98亿元，环比增长16.43%。
这意味着金融行业的风控需求异常迫切。面对更加下沉的客户群体、更加复杂的用户信息，既需要保证业务安全合规，也需要把控风控尺度和客户体验之间的平衡。
那么现在的金融机构是如何做这些的呢？
传统金融机构里会请金融风控师、审核员等对借贷资质进行人工审核，但该工作对相关从业人员的要求极高，既要有相关的背景知识能够对客户的资信状况做全面了解，又要求严谨认真，有独立的判断能力。同时，随着互联网金融的发展，每天在平台上发上的借贷行为数以万计，对于人力的消耗非常巨大，审核标准的统一性、效率都难以保证。
另外，传统的风控建模技术是基于小样本的监督学习，依赖于特征挖掘，需要耗费大量人力且依赖个人经验。同时，对于小样本的文本类数据处理往往缺乏对上下文的理解，无法提取其重点，导致对用户的理解出现偏差。
那怎么办？这些难题如何破？
度小满目前为用户提供教育贷和教育现金贷等业务，旨在“让每一个梦想有钱花”，帮助用户进一步深造自己或者学习新的职业技能，属于非常普惠的项目。
度小满本次与百度的合作，目标是将百度自研的持续学习语义理解框架ERNIE应用到度小满的用户风控场景中。
ERNIE通过建模超大规模数据中的词、实体以及实体之间的关系，能够学习到真实世界中丰富的语义知识，因而对于中文语义理解相较于传统神经网络更深入。预训练语言模型ERNIE蕴含丰富的语义知识，因而能够将其应用于需要文本语义理解的场景，只需将预训练ERNIE在少量的人工标注数据上进行Finetune，就可以得到一个任务定制化的ERNIE模型。定制化的ERNIE模型不仅学习到特定任务训练数据中的信息，还蕴含其预训练的语言模型信息，因此该模型能够达到非常好的效果。
在度小满用户风控场景中，通过ERNIE对用户行为信息进行语义层面深度建模，定制化产出一个用户风控ERNIE模型。利用ERNIE模型的长文本建模能力和预训练语义知识，结合小规模用户行为文本和用户风控标签的标注数据进行ERNIE精细Fine-tune，在训练2轮左右的时间内即可完成用户风控模型的收敛，而传统模型动辄需要训练100轮模型才能收敛。模型收敛速度提升50倍，由此可见ERNIE具有收敛快、拟合强、泛化好等优点。
基于ERNIE的度小满金融风控模型KS指标绝对提升1.5，AUC指标绝对提升1.5，优化了21.5%的用户排序，有效地提升了优质客群人数，有效地降低了贷款风险并且大幅度减少审核人力。
未来双方还将进一步深入合作，将ERNIE强大的语义理解能力应用到更多的金融领域应用场景中，如：金融获客、贷中管理等，助力金融行业的健康发展。
