3.2.2　模型部署

在智能风控时代，搭建和运用模型的能力越来越重要，因而一个成熟的决策引擎一定是可以支持多种模型的导入和部署的。在风险管理场景中，最常见的模型是评分卡模型和机器学习模型，它们的部署方式也不尽相同。

（1）评分卡模型部署

评分卡模型的部署相对较为简单，只需要在决策引擎中选择最终入模的标签，同时设置每个标签的分箱及对应的分数，这样对于每一个借款人的申请，决策引擎都可以实时计算出该客户的评分，并且将模型分数作为一条规则。与规则集类似，由于整个风险管理流程中会涉及多张评分卡，因而需要注明每个评分卡的名称、有效时间、当前状态等，方便评分卡模型的统一管理。

（2）机器学习模型部署

随着智能风控技术的发展，很多头部互联网金融机构早已不局限于传统的评分卡模型，而是开始大规模地使用机器学习技术来搭建模型。与评分卡模型相比，机器学习模型的入模变量更多，且不再是变量之间加权和的线性关系，而是一种非线性关系，因而普通的模型部署功能已经不再适用于复杂模型部署的需求。目前比较好的解决方案是在决策引擎中支持PMML文件的导入。PMML（Predictive Model Markup Language，全称预测模型标记语言）本质上是利用XML格式描述和存储了机器学习模型。PMML文件最大的优势是支持跨平台开发，风控建模人员可以在Python、R、Spark MLlib等环境中训练机器学习模型并产出PMML文件，进而导入决策引擎中进行实时预测。