3.2.2　模型部署

在智能風控時代，搭建和運用模型的能力越來越重要，因而一個成熟的決策引擎一定是可以支持多種模型的導入和部署的。在風險管理場景中，最常見的模型是評分卡模型和機器學習模型，它們的部署方式也不盡相同。

（1）評分卡模型部署

評分卡模型的部署相對較為簡單，只需要在決策引擎中選擇最終入模的標簽，同時設置每個標簽的分箱及對應的分數，這樣對于每一個借款人的申請，決策引擎都可以實時計算出該客戶的評分，并且將模型分數作為一條規則。與規則集類似，由于整個風險管理流程中會涉及多張評分卡，因而需要注明每個評分卡的名稱、有效時間、當前狀態等，方便評分卡模型的統一管理。

（2）機器學習模型部署

隨著智能風控技術的發展，很多頭部互聯網金融機構早已不局限于傳統的評分卡模型，而是開始大規模地使用機器學習技術來搭建模型。與評分卡模型相比，機器學習模型的入模變量更多，且不再是變量之間加權和的線性關系，而是一種非線性關系，因而普通的模型部署功能已經不再適用于復雜模型部署的需求。目前比較好的解決方案是在決策引擎中支持PMML文件的導入。PMML（Predictive Model Markup Language，全稱預測模型標記語言）本質上是利用XML格式描述和存儲了機器學習模型。PMML文件最大的優勢是支持跨平臺開發，風控建模人員可以在Python、R、Spark MLlib等環境中訓練機器學習模型并產出PMML文件，進而導入決策引擎中進行實時預測。