我干风控这些年，最大的感受是模型不再是实验室里的花架子。银行、消金、小贷、助贷机构都在把AI模型往真实业务里塞。我聊过的风控负责人里，十个有八个会问我同一个问题：你这模型到底能帮我少亏多少钱。这个问题很实在，也把金融风控里AI模型应用场景的脉络拉得很清楚。
1.1 信用风险评估与风险定价模型应用场景
我参与过一个小微信贷的信用风险评估项目。模型把工商信息、税务开票、银行流水、征信查询记录揉在一起，输出一个违约概率。我印象深的是特征工程阶段，多头借贷次数、近三个月贷款审批查询次数、夜间交易占比这些变量，拿出来反复试。客户画像不是一张表，是几十张表拼出来的。
风险定价模型应用场景更贴近前线。我见过客户经理拿着模型给出的利率区间去跟客户谈价。高风险客户利率上浮，低风险客户拿到优惠券。模型给出的不是死价格，是一个带置信区间的定价建议。业务人员会看客户接受度，也会看同业报价。
我印象最深的一次，模型给一个餐饮老板的定价建议偏高。客户经理去现场看了店面，回来把流水波动原因补进系统。模型重跑，价格降了一点。这个场景让我明白，信用风险评估和风险定价不是模型单方面说了算，人机协同才是日常。
1.2 反欺诈识别与异常交易监测模型应用场景
反欺诈识别这事儿，我半夜被叫起来过好几回。某商户短时间内出现大量小额交易，金额整齐得像复制粘贴。异常交易监测模型把设备指纹、IP聚集度、交易时间序列一起看，直接把这个商户标成高风险团伙。我打开监控面板，关联账户像蜘蛛网一样铺开。
从欺诈调查员的角度看，模型给的是线索，不是结论。调查员会看模型输出的风险特征：同一设备登录多个账户、绑卡后立刻大额转出、收货地址集中。规则引擎和AI模型配合用，规则抓已知模式，模型抓变形手法。
误报处理是我不想多提又绕不开的环节。我调过阈值，也跟业务吵过架。阈值太低，正常客户被拦，客诉电话打爆。阈值太高，欺诈团伙溜过去，损失落在账上。这个场景里没有完美答案，只有持续调优。
1.3 贷后风险预警、逾期预测与智能催收模型应用场景
贷后风险预警模型是我认为最容易被低估的应用场景。客户还没逾期，模型已经从还款行为、账户余额、行业舆情里嗅到风险。我见过系统在还款日前三天给客户发提醒，客户回电话说最近资金紧张，客服顺势做了展期方案。一次预警，可能救回一笔坏账。
逾期预测模型看的是还款序列。我拉过一批客户的还款轨迹，提前还款、最低还款、反复修改扣款卡，这些行为都进模型。模型给每个客户一个逾期概率，催收策略跟着分档。低风险客户发短信，中风险客户上语音机器人，高风险客户转人工。
智能催收语音机器人我听过不少录音。客户骂人，机器人还挺礼貌，重复还款方案。客户问能不能少还点，机器人转人工。这个场景让我觉得AI不是替代催收员，是把催收员从重复劳动里捞出来，去处理真正难啃的案子。
1.4 AI大模型在金融风控中的知识服务、舆情分析与合规审查场景
AI大模型在金融风控里的知识服务，我用得挺多。监管罚单、内部制度、产品说明书，丢给大模型做检索问答。我问“这个业务能不能做”，模型把相关条款摘出来，还标出处。风控新人不用一页页翻文件，省下来的时间拿去跑客户现场。
舆情分析场景我盯过一家制造业客户。大模型抓新闻、裁判文书、招聘信息，做摘要和情感判断。企业突然大量招聘催收人员，模型标黄。企业实控人出现股权冻结新闻，模型标红。舆情信号不是决策依据，是预警线索。
合规审查场景更细。合同条款、营销话术、催收记录，大模型做比对和风险点提示。我见过一份助贷合作协议，模型把“风险兜底”相关表述圈出来，合规同事再看一遍。模型不替代法务判断，它把明显有问题的条款先筛出来。
1.5 金融风控AI模型落地的数据治理、可解释性与持续监控需求
数据治理这关我踩过坑。同一个客户在A系统叫“逾期天数”，在B系统叫“拖欠时长”，口径差一天，模型结果就偏。我做特征回溯时发现，历史数据里缺失值填法换过三次。模型上线前不把数据口径对齐，上线后就是灾难。
可解释性需求来自业务一线。客户被拒贷，要理由。监管检查，要理由。我给业务讲SHAP值，讲特征贡献度，业务同事听懂了才敢用。黑盒模型在风控里走不远，业务要的是“这个客户为什么风险高”，不是“模型说风险高”。
持续监控是我每周必看的仪表盘。特征分布漂移、模型评分PSI、逾期率回测，这些指标一有异常我就得查。疫情那段时间，很多模型的变量分布变了，我调了阈值，也重新标了样本。金融风控AI模型落地不是上线就完事，监控和迭代是长期活。
我在工厂车间里蹲过三个月，最大的感受是跟金融风控完全两个世界。风控模型面对的是数据表，智能制造模型面对的是轰鸣的产线、油污的零件、戴着安全帽骂骂咧咧的老师傅。我跟着质检员上过夜班，也跟设备科长喝过酒，聊来聊去就一个核心：模型能不能让产线少停一次、少出一批废品。
2.1 机器视觉质检与产品缺陷识别模型应用场景
我第一次进注塑车间看机器视觉质检，相机装在传送带上方，咔咔咔拍零件表面。模型要识别划痕、缩水、飞边、黑点。质检主管老周拉着我看了一下午，说人工质检员看八小时眼睛就花了，漏检率往上飙。模型不累，但模型有它自己的毛病。反光件在强光下拍出来一片白，模型把正常纹理当成裂纹，报警灯闪个不停。老周拍着机台说你这模型太敏感了，我回去调阈值加偏振镜。
产品缺陷识别模型场景里，标注数据是个大坑。我见过一个连接器外观检测项目，缺陷样本只有几十张，正常样本几万张。算法同事用了异常检测思路，拿正常样本训练，缺陷当异常抓。产线班长不放心，隔三差五拿一批疑似的件让我现场跑模型。有回他把一个轻微压伤的件混进正常品里，模型揪出来了，班长嘿嘿一笑说还行。
多角度说这个场景，设备厂的人关心的是相机帧率和光源稳定性，算法团队关心的是小样本和域迁移，车间主任只问一句误检率多少。我在现场见过最真实的妥协：模型跑在工控机上，检测节拍比理论值慢了两百毫秒，产线等不起。算法同事把模型剪枝量化折腾了一个月，硬是把推理时间压下来。质检员小李跟我说，以前他一天检八千件，现在模型先过一遍，他只复检可疑件和抽检，腰不酸了。
2.2 设备预测性维护与故障诊断模型应用场景
设备预测性维护这个场景，我是被设备科长王工拽进去的。注塑机、空压机、冲压线，关键设备上装了振动传感器和温度探头。模型看振动频谱的包络、看温升斜率，提前几天给维修班发预警。王工说他最怕半夜设备趴窝，一条线停四小时损失几十万。模型给的是预警，维修班长老赵拿到工单先骂一句又来了，然后拎着听音棒去现场确认。
故障诊断模型在齿轮箱和轴承上比较成熟。我跟着老赵巡过一回机，他蹲在减速机旁边听声音，说轴承有点干磨。模型那边振动峭度和频谱谐波也报了异常。老赵说模型有时候比人耳朵灵，有时候瞎报。我问他瞎报怎么办，他说攒着，攒多了让算法那边重新标样本。维修工单系统里有个反馈按钮，老赵不识字打不了几个字，就让徒弟帮忙点“属实”或“误报”。
我从数据工程师角度也看了这个场景。设备数据采集频率高，一年攒下来几个T，但真正故障样本少得可怜。算法同事做特征工程，把时域指标、频域指标、包络谱一起往里塞。有个冷柜压缩机项目，模型学到的故障特征跟维修手册对不上，厂家工程师来了才搞明白是装配应力导致的异常振动。模型给的是信号，机理分析还得靠人。设备科长王工现在每周看一次模型报告，他说不指望模型包治百病，能把突发停机砍掉三成他就给算法团队请功。
2.3 生产排程、工艺参数优化与能耗管理模型应用场景
生产排程模型这个事，我是在一家汽车零部件厂看到的。计划员小陈每天早上一到办公室就盯着Excel排产，插单、缺料、设备故障来回折腾。排程模型把订单交期、换模时间、设备产能、人员班次一起优化，给出一个建议排产序列。小陈跟我说模型排出来的方案跟他手动排的经常不一样，模型喜欢把同模具的订单凑一起减少换模，但销售那边催得急，小陈得手动改。
工艺参数优化模型在注塑和压铸车间用得挺多。我跟着调机师傅老吴调过注塑参数，模温、保压压力、冷却时间，老吴凭手感拧旋钮。模型把历史工艺数据和质检结果关联起来，推荐一组参数窗口。老吴试了试说温度偏低，模型回了一句置信区间覆盖了更高温度。老吴笑说这玩意儿还知道认怂。最后老吴在模型推荐值上加了五度，产品合格率确实上去了。
能耗管理这块我聊过能源管理员小刘。空压站、中央空调、熔炉，模型看负荷曲线和电价峰谷，建议错峰启动。小刘说模型算的是理论最优，可车间主任一个电话说赶货，他就得把空压机全开。我问他模型有用吗，他说有，每个月能耗报表上能看出模型建议采纳率跟单位能耗的负相关。小刘现在把模型建议当参考，领导问起来有数据说话。排程、工艺、能耗这三个场景我串起来看，模型在中间扮演的是参谋角色，拍板的还是车间里那些人。
2.4 AI大模型在智能制造中的工业知识助手与多模态分析场景
工业知识助手这个场景，我在一家电子代工厂见过雏形。新员工小张刚入职，设备报警代码E-2034他看不懂。以前要翻设备手册或者问老师傅，现在在手机上问大模型，模型把报警含义、排查步骤、相关备件号列出来。小张说比查PDF快多了，就是有时候模型胡说八道，把两个不同机型的代码混一起。老师傅老李在旁边补一句，说问模型不如问他，他修了二十年机器。
多模态分析是我觉得最有意思的一部分。产线摄像头拍设备仪表盘，大模型读指针和数码管，把读数转成文本进数据库。我见过一个空压站项目，模型看压力表照片判断压力是否正常，同时听空压机声音做异常检测。算法同事把视觉模型和音频模型的结果拼在一起，让大模型做综合判断。设备科长王工说这个好，不用给老设备装传感器。我问他准不准，他说压力表读数挺准，声音判断还差点意思，车间太吵。
从IT负责人的角度看，工业知识助手落地最麻烦的是数据权限。设备手册、维修记录、工艺文件散在十几个系统里，大模型要接这些数据源得先做清洗和权限分层。我聊过一个集团的信息化部长，他说大模型问答效果好不好，七成看知识库建得怎么样。他们先拿一个车间试点，把设备手册和最近三年的维修工单灌进去，让维修工用了一个月。工人们反馈说查备件和查故障代码最实用，工艺参数调整还是信老师傅。
2.5 智能制造AI模型落地的数据闭环、边缘部署与安全可靠性需求
数据闭环这个事我在产线上被教育过。模型上线时准确率挺好，跑了三个月往下掉。我去查原因，发现换了新批次原材料，产品表面颜色变了，视觉模型的特征分布漂移。质检员小李天天点误报反馈，数据回流到标注平台，算法同事每周重新训练一次。我跟产线班长商量，把模型置信度低的件自动打标存图，攒够了就回训。班长说行，别占太多存储就行。这个闭环跑起来后，模型准确率稳住了，小李的误报按钮也点得少了。
边缘部署是智能制造跟金融风控最大的区别。风控模型跑在云端虚拟机里，智能制造模型得塞进工控机、塞进相机旁边的盒子里。我见过一个冲压线质检项目，工控机只有四核CPU没GPU，模型推理一帧要三百毫秒，产线节拍两百毫秒，根本来不及。算法同事把模型换成轻量 backbone，输入分辨率降了一半，勉强压到一百八十毫秒。设备科长王工还提了个要求，断网了模型也得能跑。边缘部署不是把云上模型拷下来就行，得从头做模型压缩和硬件适配。
安全可靠性这块我吃过亏。有个表面检测模型在实验室跑得好好的，上产线第一天就报了一堆误检。后来发现车间顶棚有排风扇，光线周期性变化，相机自动曝光跟着晃。我把光源控制器改成恒流驱动，又给模型加了图像预处理做光照归一化，误检才降下来。产线班长跟我说，模型在车间里不能娇气，温度高、粉尘大、电压不稳，哪一样都能让模型翻车。我现在做智能制造项目，先问车间环境再谈模型精度，环境不稳模型就是空中楼阁。设备科长王工有句话我记到现在：模型得跟设备一样皮实，不然还不如不装。
