汽车金融服务领域的经销商和客户们都在追求更快的决策速度。为了赢得竞争优势,丰田金融服务公司(Toyota Financial Services,TFS)已经开始通过采用人工智能来加快自动化信贷决策、改善客户和经销商体验、有效管理消费者信贷风险,同时保持公平贷款原则。
丰田金融服务公司区域信息官Bharadwaj Gopal表示:“我们的目标是提供一流的客户和经销商体验,这就需要加快我们的信用决策速度,以及提高自动化程度,同时管理信用风险并达到合规标准。”
根据经销商和客户的反馈,TFS从2019年6月开始开发他们的智能融资决策引擎(Intelligent Financing Decision Engine,IFDE)。IFDE是一种云原生的、可扩展的贷款发起决策引擎,用于客户车辆贷款过程中的信用风险分析。他们的想法是要构建一个非常先进的AI决策模型,利用TFS已经发现的目标信用属性,来开发能够提供亚秒级结果的算法。
跨职能协作推动整个流程
Gopal说,TFS的IT部门与消费者信用风险业务部门展开合作,利用真实数据明确了IFDE的业务案例场景。
“我们评估了超过100万份历史消费贷款申请,并进行了掉期集合分析,以衡量IFDE中部署的新模型是否有效,评估直通式处理流程的增加,以及客户冲销的减少。”
丰田金融服务公司领域信息官Bharadwaj Gopal
TFS在Amazon Elastic Kubernetes Service (EKS)上运行该引擎,并利用活动/挑战者决策管理测试看看新模型是如何做出响应的。该团队还使用自动回归和负载测试工具进行可扩展性测试,这一点Gopal认为是必不可少的,因为该工具必须能够应对可能出现的峰值贷款量。
他们制定了不同类别下的一系列要求,涉及来自消费者信用风险、销售、贷款发放、经销商经验、信用分析师、合规性、数据科学和敏捷应用团队等多个跨职能相关团队。在业务产品负责人和技术产品负责人的共同领导下,该团队收集了用户故事,并在两周Sprint流程的持续开发周期中进行了迭代。
“我们的目标是从多个利益相关者那里收集需求,并尽早发现不足之处,根据利益相关者的反馈改进产品,”Gopal说。
TFS的IT团队采用了所谓的Agile Business Capability (ABC) Digital Factories,也就是由技术产品负责人带领的较小规模的敏捷IT团队。10多个这样的团队共同创建了IFDE,包括数据科学、应用程序开发、云工程、API服务、企业数据平台、DevOps、信息安全等团队。
这些团队在10个月的时间里开发和部署了IFDE。TFS在2019年底联合首家经销商一起发布了该引擎,并从2020年开始推广至2000多家经销商。
“由多个横向团队开发不同的组件,会存在优先级方面的问题,但是在所有层面上的持续协同对于克服这一挑战是至关重要的,”Gopal说。
无限可能性
第二个挑战是技术。Gopal表示,该引擎每个月要为超过20万个购车贷款申请提供信用风险分析,为应对这种量级的工作量开发、测试和扩展是颇为挑战的,活动/挑战者决策管理测试至关重要。
“IFDE让我们能够在TFS内突破一些界限,把不可能变成可能。不过要做到这一点,让产品取得成功的一些关键要素,其学习曲线是很陡峭的:要根据经验判断让相关支持团队多大程度上参与其中,要根据业务相关者的反馈调整我们内部团队的专业技能和优势,并且在基于持续改进的理念上采取敏捷的方式。”
Gopal表示,IFDE引擎帮助TFS将贷款自动决策率提高了20%多(从低于50%提高到超过60%),还将冲销(当客户无法付款和还车时)减少到0.3%以下。
“我们现在有了这样一个平台可以持续不断地迭代和提高我们的自动决策率,同时更好地管理信用风险。迄今为止,IFDE引擎已经以亚秒级的响应时间,分析了超过1100万份信贷申请,而且我们还计划用它来处理多租户的信贷申请。”
Gopal说,他在该项目中有以下一些心得体会:
率先实施云优先的战略并重组技术团队,以涵盖了领域专家、云专家、数据科学家以及开源和DevOps爱好者的组合,有助于快速且敏捷地推进项目
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。