将搜索引擎的机器学习技术用于风控，氪信希望指数级提高金融模型的训练效率

氪信的创始人朱明杰之前是搜索引擎的数据工程师，现在他把技术应用在了金融风控上，近期获得了真格基金700万人民币的天使投资。

氪信的产品包括非或然引擎（下文简称“引擎”）和XCloud两部分，“引擎”是一套数据模型处理系统，解决的是不同场景下的风控模型校正问题。以物流行业为例，通过输入企业ERP数据、位置信息数据等场景内数据，以机器学习的技术调整各数据维度的权重，从而建立针对场景的风控模型。

XCloud是一个数据收集和整理系统，对接身份信息、个人信用信息等通用信息，同时可以输出一个普适的模型，也可以为“引擎”建模提供外部数据基础。氪信对传统场景的贡献首先在于对其数据进行了适配和存储，提炼出有风控意义的指标，以供未来使用。

据朱明杰介绍，机器学习的模型和统计的做法完全不同。初期通过业务人员的辅助，以半监督式的学习方式，机器的学习速度可以达到传统模型的上百倍，传统上金融机构需要十万个样本才能建立的模型，机器只需要几千个样本就够了。

目前氪信的“引擎”输出的是授信额度和违约概率，供金融机构进行决策参考。朱明杰表示，他们和一些P2P公司进行了测试，其综合衡量准确率和召回率的KS指标明显高出同类产品。长远来讲，氪信希望用技术解决场景化的风控问题，建立完全数据化的风控模型，不再依赖人力进行风控审核，从而提高信贷的效率。

“海量数据的处理能力是我们的核心技术。”朱明杰说。朱明杰曾在雅虎、eBay搜索做了10年的数据挖掘、机器学习工作，据他介绍，搜索引擎需要服务数亿用户，理解用户真实的搜索意图，其数据维度通常有数万个，而其负责训练机器进行学习的人员可能仅有上百人。金融风控方面的数据维度明显少于搜索引擎，因此做金融模型算是能力降维。

信贷本身是一个体量大、需求旺盛的市场，分拆到不同的场景，其规模仍然很可观，仍然拿物流举例，其行业规模占到GDP的18%，这一个场景就可以支持数千亿的信贷规模。目前氪信对XCloud按照流量进行收费，而对非或然引擎根据定制程度按套收费。

朱明杰毕业于中科大少年班，微软亚洲研究院博士，曾在德国马克思普朗克研究院从事大规模数据挖掘工作。COO孙楠曾在海外工作数年，回国后负责携程的国际网站。目前氪信服务物流、供应链、商户贷、房产等几个领域，已与民生银行、证通、小赢理财、爱屋吉屋等10几家机构达成合作。

我是 36 氪专注报道互联网金融和教育行业的作者 Justin，欢迎大家与我联系，切磋讨论。我的微信是 ：196215239