致力于为金融客户打造“一站式”机器学习服务平台，集数据读取、数据预处理、特征工程、模型训练、模型评估、模型部署、模型运行和监控等模型全生命周期管理功能于一体。

在线预测平台主要功能 轻松的向生产环境迁移 在线预测平台接收“离线建模平台”已完成训练的模型，提供流式特征计算和在线预测服务，完成对模型服务进行部署、测试和发布（ 如果是对已有的服务更新，则先通过模型更新机制对现有模型进行合理启停更新操作之后再部署发布测试。）轻松实现将“离线建模平台”训练出的模型向生产环境迁移。

监控中心功能示例：将筛选出来疑似欺诈账号对应的指标值（如账号1天内关联的IP数）与所有账号的指标均值进行对比，来辅助业务专家进行判断。

黑名单：针对个人，且无法识别新欺诈用户。 规则引擎：针对个人，且无法识别新欺诈模式。 有监督机器学习：针对个人和团伙，可发现新欺诈模式，但面临冷启动期无标签化数据的窘境。 各类策略组合使用效果最优，解决冷启动期样本问题成为关键。 金融反欺诈领域中，正负样本比例1:1000~1:10000，甚至在特殊场景下比例可以达到1:100000。 独立的机器学习模型无法实现最佳预测效果，将多个独立学习器的结果求平均，在统计、计算效率、性能表现上都有较好的效果。 统计上：假设空间h的平均更接近真实值假设f。 计算上：迭代求解很可能找到局部最优解，多个局部最优解的平均更接近全局最优解。 表现上：真实假设f可能不在已知的假设空间H内，平均可能更接近H外的真实假设f。

有监督机器学习是目前机器学习在反欺诈领域中较为成熟的方法，但面临冷启动期无标签化数据的窘境。

负样本数量差距悬殊的背景下，套用传统机器学习建模思路，是极为不适合的。

独立的机器学习模型无法实现最佳预测效果，如何融合多个不同的模型，实现最佳预测效果？

多层对称结构的神经网络，充分利用无标注数据，将原始特征映射到低维的空间中去，最大限度提升模型性能。

确保预测值与真实值差异最小。

确保相似度越大的数据之间预测差异最小。即尽可能将相似度大的数据预测成同一类标签。

个体学习器准确性越高、多样性越大，则融合越好。结合实际场景灵活使用无监督模型融合策略、有监督模型融合策略或无监督与有监督模型融合策略，使模型最终效果达到最优。常用的有监督分类器算法包括FM、LR、SVM、XGBOOST等机器学习算法和深度学习算法DBN、CNN等。

批量注册检测模型， 防薅羊毛模型， 大规模撞库盗号检测模型， 反洗钱模型， 防信用卡套现模型。

防组团骗贷模型， 申请评分卡模型（A卡）， 行为评分卡模型（B卡）， 催收评分卡模型（C卡）。

理财产品智能推荐模型， 高端客户流失预警模型。

某城商行项目，客户提供约500W历史业务数据，包含用户进件环节相关数据：姓名、身份证、手机号、IP、时间、位置、家庭住址、公司名称、公司地址、联系人等信息。识别出8个疑似欺诈团伙，涉及设备数100+，涉及账号数1500+。