第131章 林凡查到数据异常（1 / 2）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
数据异常最开始像一粒灰。
AI运维治理小组每天都要看很多监控图。评分分布、拒绝率、申诉率、人工推翻率、不同人群通过率，密密麻麻铺在屏幕上。大多数时候，它们像天气预报一样无聊：有点波动，但不至于下刀子。
那天林凡看到的是一条很小的线。
小微贷款模型里，低收入用户的拒绝率在过去两周里上升了8%，但坏账预警准确率也上升了。换句话说，从报表上看，模型更“谨慎”了，也更“有效”了。
项目经理看了一眼，说：“这不是好事吗？”
林凡没说话。
他盯着那条线，觉得不对。
低收入用户拒绝率上升，不一定是问题。如果模型识别了真实风险，那是风控价值。但如果它只是因为某个新特征，把“穷”更稳定地识别成“危险”，那就是另一回事。
林凡调出特征变化记录。最近供应商更新了一版模型，新增了几个弱特征：居住地消费水平、线上支付稳定性、设备更换频率、账户余额波动、社交电商交易比例。每一个单独看都不算敏感，也都能解释成风险线索。
组合起来，却像一张网。
住在低消费片区，线上流水少，设备换过两次，账户余额经常见底，社交电商交易多。模型不写“穷”，但它学会了识别穷的形状。
林凡把结果发给苏晓。
苏晓很快回：
我也看到了。不是灰，是烟。
林凡问：
你那边数据一样？
苏晓：
更糟。被拒用户里，低收入但无逾期记录的人增加了。
林凡后背凉了一下。
这意味着模型可能在提前拒绝一批“看起来不够稳定，但实际没有违约记录”的人。它保护了平台，却可能把最需要小额资金周转的人挡在门外。
张磊听说后，说：“这是不是系统版嫌贫爱富？”
何苗说：“别急着下结论。”
林凡点头：“要看证据。”
他和苏晓开始拉数据。按收入段、行业、地区、经营年限、是否有历史逾期、是否通过人工复核拆分。表格越拉越长，异常越清楚：低收入组里，历史信用良好但现金流波动的人，被拒率显着上升；而高收入组里，类似现金流波动并没有导致同等程度降分。
“模型在不同人身上，对同一个波动解释不一样。”林凡说。
苏晓回：
对有钱人叫短期周转，对穷人叫还款风险。
这句话很刺。
林凡把供应商更新说明翻出来。说明里写，新增特征提升了风险识别敏感度，尤其对“弱稳定性群体”有更好区分能力。这个词很漂亮，弱稳定性群体。
它没有说穷人。
但报表里的穷人，正在被更稳定地拒绝。
老周看完，说：“别只看模型。看数据从哪来的。”
林凡问：“什么意思？”
“过去谁更容易逾期？谁更容易被催收？谁的收入更难被系统记录？谁的现金流更不稳定？这些都是真的。但真东西喂进去，不代表结论就公平。”
↑返回顶部↑