第131章 林凡查到数据异常（1/3）

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。
本章未完，请翻下一页继续阅读.........