机器学习系统是推进工业界落地人工智能应用不可或缺的助力。在过去几年中，机器学习发展迅速，但其应用需要大量的人工干预，表现在：特征提取、模型选择、参数调节等方面，而AI技术人员的严重短缺导致模型部署困难重重。与此同时，AI落地是将AI服务与场景相结合，一个好的机器学习系统不仅要懂AI，更要懂行业。以金融场景为例，在风控环节中普遍存在信息不对称、成本高、时效性差、效率低等问题，传统的风控手段已经难以满足需求，银行等金融机构纷纷开始基于机器学习搭建智能风控体系。
为解决AI技术人员短缺以及AI落地困难的问题，百融云创深耕人工智能技术，结合自身的技术优势与行业经验优势，专注金融场景推出了ORCA自动机器学习平台。ORCA融合算法原理与工程实践经验，完成“一站式”自动机器学习，可以提供从数据准备、模型开发训练、模型评估、模型部署的全流程建模。相对通用的机器学习框架，ORCA提供超过200种算子来解决金融场景复杂数据情况，实现模型推理速度3倍提升，建模到部署周期可缩短50%。
目前，百融云创ORCA自动机器学习平台已经在公司内部投产于建模平台，服务于数据分析、精准营销业务的各个建模环节，承载每日数亿级的模型推理服务，帮助金融机构极大提升建模效率。具体来看，此次全新推出的自动机器学习平台实现了如下几个产品功能升级:
ORCA_ML: 可解释&可视化的交互式编程建模产品，支持数据准备、模型开发训练、模型部署。
ORCA_AML：端到端的AutoML建模产品，支持多目标、遗传算子、超参调优全流程自动化建模。
ORCA_Serving：快速模型部署框架，实时模型推理性能较通用框架提升3倍。
一、ORCA_ML机器学习框架算法
依据机器学习算法原理，提供封装良好的处理数据的工具，并且可以搭建出机器学习建模全流程。作为良好的机器学习框架，ORCA_ML具备了可重用、可扩展、可落地三要素，表现在：方法论不会因为数据变更而失效，可以循环往复地尝试；灵活可自定义设计，满足定制化建模需求，例如自定义算子；可以构建出可解释，可交付的模型应用，满足企业级模型落地需要。同时，ORCA_ML具有如下特点：
领域特定：专注于金融领域常用算法，目前已有200+算子；
性能高：算子经过深度优化，例如毫秒级别的变量分箱；
效率提升：相对于传统建模，周期缩短50%；
扩展性好：能够自定义算子；
因此，ORCA_ML着力于成为一个在金融领域，覆盖风控、营销、反欺诈全场景的机器学习框架，使其既可以轻易上手，又方便扩展，并且可以快速训练模型并落地应用。
二、ORCA_AML自动机器学习框架
具备机器学习能力与自动训练能力，能够运用机器学习算法完成数据建模，并保证一定的效果，在极少人工干预下仍旧能够完成模型训练。同时具有如下特点:
1.低耦合度：可以替换机器学习算子库，算子超参数空间等；
2.性能显著: 多目标优化效果显著，在线上业务上提升10%；
3.简单易用: 两行代码自动训练模型；
4.扩展性好: 可以自定义交叉验证方式, 生命周期函数等；
通过分析试用信用卡（类信用卡）、线下消费分期等业务，从KS、AUC和时间方面均体现出ORCA_AML在实际测试中的优势。其中KS值越大，表示模型能够将好、坏客户区分开的程度越大；AUC值越大说明模型准确性越好。具体对比如下：
三、ORCA_Serving机器学习模型部署框架
通过代码生成技术将复杂的机器学习全流程转换为可以执行的高级程序语言，在特定场景下获得了巨大的性能提升。为了与传统的Sklearn方案对比，百融云创人工智能专家针对模型打分部分进⾏评测。具体实验⽅案如下：
1. 使⽤同样的3w样本在不同情况下建模；
2. 对于同⼀个模型使⽤不同的⽅案导出模型部署⽂件；
3. 对10条样本每条进⾏单条打分预测（模拟线上环境），统计打分耗时，取单条打分平均耗时作为性能评测指标，单位为毫秒；
在建模过程中设定不同树的棵树，⽐较在简单模型和复杂模型情况下不同⽅案的打分性能。
在建模过程中选取不同的⼊模变量数量，⽐较不同⼊模变量维度的打分性能。
结果显示，ORCA相比于传统的Sklearn，在打分性能上有了显著的提高，也更易于在线上环境部署。
作为国内领先的独立AI技术平台，百融云创自成立以来，在“成为金融行业基石”的愿景推动下，制定了帮助金融机构实现数字化、智能化转型的战略。百融云创人工智能实验室负责人表示，将以此次全新推出的自动机器学习平台为契机，不断提高技术研发水平，强化科研成果应用，提升创新服务意识，始终引领金融行业的科技创新方向。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
