决策引擎与机器学习模型的集成 | 信数这么干（一）

这是“信数这么干”之决策引擎系列专题的第1篇（该专题总计11篇，由技术篇和应用篇两大部分构成）。

信数这么干——决策引擎系列专题提纲

✦ 决策引擎技术篇

-决策引擎与机器学习模型的集成

-决策引擎的高可用部署

-决策引擎的容器化微服务部署

-决策引擎与第三方数据的集成

-批量数据的并行高效处理

✦ 决策引擎应用篇

-银行消费贷风控规则管理

-网贷平台风控规则管理

-反欺诈风控模型的自动生成及部署

-寿险投核保规则管理

-保险经纪公司运营及费用规则管理

-反射式问卷流程及题库的配置管理

本篇《决策引擎与机器学习模型的集成》，由信数数据科学家余锴根据某金融风控客户的实践经验得出，以下为全文，Enjoy：

大家好，我是信数的数据科学家余锴，今天给大家分享一下决策引擎与机器学习模型集成的实践。

决策引擎可以帮助用户管理、部署、高效运行业务规则，目前已经广泛应用于金融、保险、零售、能源等多个领域（Fig1），决策引擎的优点是：灵活、易用、高性能，能快速应对业务场景的快速变化。

Fig1.决策引擎用于风控

❶

机器学习+决策引擎

随着机器学习技术的飞速发展，越来越多的客户正试图将机器学习模型与决策引擎相结合，将专家规则与机器规则相结合，为业务赋能。众所周知，Python是机器学习的主力军，本篇的介绍是基于Python的落地实践。

目前机器学习与决策引擎集成主要有两种方式：文件式和服务式。

• 文件式：通过Python程序将模型建立好之后，使用一些中间件（例如sklearn2pmml）将模型转换为PMML(Predictive Model Markup Language)文件，引擎导入PMML文件，由引擎提供决策服务。

• 服务式：通过将Python模型封装为RPC（Remote Procedure Call）服务，决策引擎在需要的时候发起web请求，RPC服务实时返回模型运行的结果。

Fig2.两种集成方式

对于PMML文件的集成方式，优点是部署比较方便，执行性能高，缺点是PMML对模型支持可能不全。一些经典的模型可以比较好的适配，但是一些较新的模型，适配性就可能有问题了，需要花大量的时间和精力进行调试。

对于RPC服务式，封装的是Python的原生程序，因此可以完美的支持各种模型，缺点是服务封装需要一定的开发部署工作量，RPC服务可能还需要持续的运维工作。

❷

信数的EasyRPC实践

在实践中，越来越多的客户希望采用RPC服务式与决策引擎进行集成，为了解决此类问题，信数独立研发了基于Python模型的服务式调用组件EasyRPC，解决了服务式集成部署和使用上的问题。

Fig3.EasyRPC结构示意图

EasyRPC使用网页交互的方式上传模型文件（Pickle文件），文件上传成功后可以通过网页进行测试、监控模型。EasyRPC支持版本管理、发布管理、支持热部署。

Fig4.EasyRPC上传模型及配置文件

将Python模型封装成RPC服务后，就可以方便的在决策引擎中调用该服务了，如下图所示，实践中，风控专员通常会将专家规则与机器模型结合使用，将传统经验与当代技术有机融合。

Fig5.决策引擎配置完整的决策流程

只需1、2步配置，即可完成决策引擎调用机器模型服务的配置。

Fig6.决策引擎调用机器模型

在真实客户的使用中，从部署机器模型到启动服务只需要10分钟时间，决策服务的响应延时一般在10~20毫秒，可以满足大部分场景的应用需求，方便了机器学习模型的推广应用。

以上就是今天的分享，欢迎来电（021-50196198）或来邮（yukai@xinshucredit.com）探讨、咨询。

作者介绍

余锴

曾在华为、惠普、SAP合作伙伴从事市场、咨询和数据科学领域工作，并在互联网金融行业有丰富的大数据建模、智能算法研发以及决策引擎设计经验。