CN116090817A - 一种风险评估方法、装置、电子设备及存储介质 - Google Patents
一种风险评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116090817A CN116090817A CN202211666469.XA CN202211666469A CN116090817A CN 116090817 A CN116090817 A CN 116090817A CN 202211666469 A CN202211666469 A CN 202211666469A CN 116090817 A CN116090817 A CN 116090817A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk assessment
- initial
- preset
- business
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种风险评估方法、装置、电子设备及存储介质,包括:获取预设业务场景包括的每个业务流程的初始风险归一化系数;根据初始风险归一化系数,构建预设业务场景的初始风险评估模型;基于人工智能遗传算法,对初始风险评估模型进行最小化寻优迭代,对初始风险归一化系数进行调整,得到目标风险评估模型;根据目标风险评估模型及预设业务场景的当前执行情况,对预设业务场景进行风险评估。这样,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种风险评估方法、装置、电子设备及存储介质。
背景技术
风险评估是企业业务活动中的重要内容,通过对业务运行中的风险进行评估,可以提前对可能的影响和损失生成预警,帮助企业及时制定应对策略,规避风险。
目前的风险评估技术方案,主要采用风险指标评分的量化评估方法,基于各个评估对象分别设置一个或多个风险点,每个风险点设置相应的风险指标,同时设置风险监督人员,对风险点检查或随机抽查,对各个风险指标进行评分,从而建立风险评分体系;当各风险指标的评分结果达到预先设定的风险阈值时,即发出风险预警,并对异常数据进行溯源检查追责。
但是,在上述风险评估方式中,风险点设置、风险指标及数值制定、风险评分等活动大多依靠人力完成,主观性较强,因此风险评估的精准度较低,难以满足业务需求。
发明内容
本公开提供一种风险评估系统、方法、装置、电子设备及存储介质,以至少解决相关技术中风险评估依靠人力完成,主观性较强,因此风险评估的精准度较低,难以满足业务需求的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种风险评估方法,包括:
获取预设业务场景包括的每个业务流程的初始风险归一化系数;
根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型;
基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型;
根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估。
可选地,所述获取预设业务场景包括的每个业务流程的初始风险归一化系数,包括:
获取预设业务场景包括的每个业务流程的重要性和优先级;
基于所述重要性和所述优先级,确定每个业务流程的初始风险归一化系数。
可选地,所述根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型,包括:
获取每个业务流程的初始责任风险系数矩阵;
根据所述初始风险归一化系数及所述初始责任风险系数矩阵,构建所述预设业务场景的初始风险评估模型。
可选地,所述根据所述初始风险归一化系数及所述初始责任风险系数矩阵,构建所述预设业务场景的初始风险评估模型,包括:
获取每个业务流程的风险基数参数;
根据所述风险基数参数,构建每个业务流程的风险基数表达式;
针对每个业务流程,将所述初始风险归一化系数、所述初始责任风险系数矩阵及所述风险基数表达式相乘,作为该业务流程的综合风险表达式;
将各个业务流程的综合风险表达式相加,得到所述预设业务场景的初始风险评估模型。
可选地,所述根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估,包括:
根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估,得到所述预设业务场景的风险评估值;
在所述风险评估值大于预设阈值的情况下,执行预设预警操作。
可选地,所述基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型,包括:
按照预设周期,基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到所述预设周期对应的目标风险评估模型。
根据本公开实施例的第二方面,提供一种风险评估装置,包括:
获取模块,用于获取预设业务场景包括的每个业务流程的初始风险归一化系数;
构建模块,用于根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型;
迭代模块,用于基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型;
评估模块,用于根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估。
根据本公开实施例的第三方面,提供一种风险评估电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现所述任一项所述的风险评估方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由风险评估电子设备的处理器执行时,使得风险评估电子设备能够执行所述任一项所述的风险评估方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现所述任一项所述的风险评估方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
获取预设业务场景包括的每个业务流程的初始风险归一化系数;根据初始风险归一化系数,构建预设业务场景的初始风险评估模型;基于人工智能遗传算法,对初始风险评估模型进行最小化寻优迭代,对初始风险归一化系数进行调整,得到目标风险评估模型;根据目标风险评估模型及预设业务场景的当前执行情况,对预设业务场景进行风险评估。
这样,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种风险评估方法的流程图。
图2是根据一示例性实施例示出的一种现有技术中的风险评估方法的流程图。
图3是根据一示例性实施例示出的一种风险评估方法的逻辑示意图。
图4是根据一示例性实施例示出的一种风险评估装置的框图。
图5是根据一示例性实施例示出的一种用于风险评估的电子设备的框图。
图6是根据一示例性实施例示出的一种用于风险评估的装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及所述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种风险评估方法的流程图,如图1所示,该风险评估方法包括:
在步骤S11中,获取预设业务场景包括的每个业务流程的初始风险归一化系数。
风险评估是企业业务活动中的重要内容,通过对业务运行中的风险进行评估,可以提前对可能的影响和损失生成预警,帮助企业及时制定应对策略,规避风险。
如图2所示,为当前的风险评估方法的流程图。具体来说,首先基于各个业务处理步骤分别设置一个或多个风险点,每个风险点设置相应的风险指标,同时设置风险监督人员,对风险点检查或随机抽查,对各个风险指标进行评分,确定每个风险点的风险值;当各风险指标的评分结果达到预先设定的风险阈值时,即发出风险预警,并对异常数据进行溯源检查追责。
但是,在这种风险评估方式中,风险点设置、风险指标及数值制定、风险评分等活动大多依靠人力完成,主观性较强,因此风险评估的精准度较低,难以满足业务需求。而通过本申请提供的风险评估方法,可以对上述问题进行改进,以提高风险评估的精准度,减少对人工的依赖。
在本申请中,可以获取预设业务场景包括的每个业务流程的初始风险归一化系数,其中,预设业务场景可以是任意的业务场景,比如,可以是处理客户投诉的业务场景,等等,具体不做限定。每个业务场景中可以包括多个业务流程,这些业务流程可以是互相独立的,也可以是具有先后顺序的。
其中,每个业务流程的重要性和优先级,可以根据预设业务场景的具体业务需求提前设定的,或者,也可以通过对历史数据进行机器学习获得,历史数据可以包括历史业务流程运行数据、故障处理数据、投诉处理数据等,具体不做限定。
一种实现方式中,获取预设业务场景包括的每个业务流程的初始风险归一化系数,包括:
获取预设业务场景包括的每个业务流程的重要性和优先级;基于重要性和优先级,确定每个业务流程的初始风险归一化系数。
也就是说,在本申请中,可以按照预设业务场景包括的每个业务流程的重要性和优先级,进行科学精确的量化建模,确定每个业务流程的初始风险归一化系数。例如,在投诉业务流程中,可以将业务流程按投诉类型进行分类,如可将投诉分为家庭业务投诉、账管支付投诉、计费出账投诉、电子渠道投诉、个人业务投诉等N种类型,并将这N种投诉业务流程类别进行排列,并按重要性及处理优先级进行投诉处理风险系数量化建模,得到每个业务流程的初始风险归一化系数,如下式所示:
在步骤S12中,根据初始风险归一化系数,构建预设业务场景的初始风险评估模型。
也就是说,根据初始风险归一化系数,构建预设业务场景的初始风险评估模型,初始风险评估模型基于初始风险归一化系数进行构建,随着初始风险归一化系数的动态变化,初始风险评估模型也会随之发生变化,风险评估的结果也会发生变化,从而能够更及时准确预警责任风险,最小化整体系统风险。
一种实现方式中,根据初始风险归一化系数,构建预设业务场景的初始风险评估模型,包括:获取每个业务流程的初始责任风险系数矩阵;根据初始风险归一化系数及初始责任风险系数矩阵,构建预设业务场景的初始风险评估模型。
也就是说,还可以同时基于初始风险归一化系数及初始责任风险系数矩阵,构建预设业务场景的初始风险评估模型,初始责任风险系数矩阵用于对每个业务流程的处理责任风险和前后关联责任风险进行量化建模。比如,在投诉业务流程中,对于第i类投诉,有M个处理责任动作,如投诉智能分类审核处理责任风险、投诉自动建单审核处理责任风险、自动派单审核处理责任风险、投诉处理责任风险、处理结果审核处理责任风险、报表审核处理责任风险;以及投诉智能分类审核关联责任风险、投诉自动建单审核关联责任风险、自动派单审核关联责任风险、投诉处理关联责任风险、处理结果审核关联责任风险、报表审核关联责任风险,等等。
本发明中,处理责任风险是指流程执行责任人失职未及时流程动作所产生的责任风险;关联责任风险是指流程动作未能及时完成并且动作前后关系人未能尽到监督责任,后关系人要承担的关联责任风险。
本发明对处理责任风险及关联责任风险进行综合建模,形成责任风险系数矩阵,如下式所示:
其中,表示第i类业务流程中第j个处理动作的责任人未完成本处理动作产生的责任风险系数;表示i类业务流程中第j个处理动作的责任人未完成本处理动作,第j-1个人未执行监督动作产生的关联责任风险系数;表示i类业务流程中第j个处理动作的责任人未完成本处理动作,第j+1个人未执行监督动作产生的关联责任风险系数,以此类推。
其中,根据初始风险归一化系数及初始责任风险系数矩阵,构建预设业务场景的初始风险评估模型,包括:
获取每个业务流程的风险基数参数;根据风险基数参数,构建每个业务流程的风险基数表达式;针对每个业务流程,将初始风险归一化系数、初始责任风险系数矩阵及风险基数表达式相乘,作为该业务流程的综合风险表达式;将各个业务流程的综合风险表达式相加,得到预设业务场景的初始风险评估模型。
具体来说,风险基数表达式可以表示为:
其中,k0、k1、a、b均为风险基数参数,<k0,k1,a,b>称为风险基数参数四元组,可以根据预设业务场景的具体情况对风险基数参数四元组参数进行灵活适配调整,可以理解,当并且第j个处理动作未完成时,达到最大责任风险基数。
进一步地,初始风险评估模型可以表示为:
在步骤S13中,基于人工智能遗传算法,对初始风险评估模型进行最小化寻优迭代,对初始风险归一化系数进行调整,得到目标风险评估模型。
其中,遗传算法是仿真生物遗传学和自然选择机理,通过人工方式所构造的一类搜索算法,从某种程度上说遗传算法是对生物进化过程进行的数学方式仿真,其借鉴了生物学遗传进化的思想,模拟了种群进化过程中经历的繁殖、杂交、基因变异的自然选择和自然变异的过程,是一种高效的进行全局搜索和优化的方法,能在“进化”过程中自适应获得适应度最大个体,该个体即为最优化问题最优解。
一种实现方式中,基于人工智能遗传算法,对初始风险评估模型进行最小化寻优迭代,对初始风险归一化系数进行调整,得到目标风险评估模型,包括:
按照预设周期,基于人工智能遗传算法,对初始风险评估模型进行最小化寻优迭代,对初始风险归一化系数进行调整,得到预设周期对应的目标风险评估模型。
也就是说,在[nT,(n+1)T]的观察时间周期内,进行业务处理系统中的风险评估模型系数寻优。更具体地,将SR(t)定义为人工智能寻优算法中的适值函数F,并将投诉处理类型风险系数向量、责任风险系数矩阵中的各系数作为遗传变异种群寻优变量,进行综合适值F全局最小化为目标的智能寻优迭代。当寻优到F全局最小值,取出此时遗传变异种群中的投诉处理类型风险系数向量、责任风险系数矩阵中的各系数值,更新到初始风险评估模型中,得到预设周期对应的目标风险评估模型。
在步骤S14中,根据目标风险评估模型及预设业务场景的当前执行情况,对预设业务场景进行风险评估。
在本步骤中,得到目标风险评估模型之后,可以基于目标风险评估模型对预设业务场景进行风险评估,由于目标风险评估模型是动态时变智能的,因此,风险评估结果的准确度更高。
一种实现方式中,根据目标风险评估模型及预设业务场景的当前执行情况,对预设业务场景进行风险评估,包括:
根据目标风险评估模型及预设业务场景的当前执行情况,对预设业务场景进行风险评估,得到预设业务场景的风险评估值;在风险评估值大于预设阈值的情况下,执行预设预警操作。
具体来说,在实际的业务处理系统应用中,当SR(t)大于某一预设阈值时,可以通过向相关管理责任人发出风险预警,例如可以通过智能手机终端应用程序或网页端H5小程序为相关管理责任人提供处理操作界面进行及时的投诉处理相关动作操作。
由以上可见,本公开的实施例提供的技术方案,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
如图3所示,下面以一个具体实施例,对本发明实施例中的方法进行说明,该实施例主要基于各业务业务流程优先级进行量化建模,创新性地构建业务流程各环节责任风险,实时量化建模算法理论,结合基于历史工单数据的机器学习结果,融合人工智能参数全局寻优技术,实现周期性的、动态优化风险评估模型参数,从而对风险系数实时动态建模、智能化责任关联调整、智能化流程风险实时预警,实现更准确、科学的风险评估。
该实施例具体包括如下步骤:
首先,获得初始风险系数及评估模型,比如,可以通过对历史业务流程运行数据、故障处理数据、投诉处理数据等历史数据进行机器学习,获得初始风险系数及评估模型;
然后,按照各类业务流程重要性和优先级,进行科学精确的量化建模,将预设业务场景中的业务流程进行系统分类,并对各类业务流程重要性和优先级进行科学精确的量化建模,确定初始风险归一化系数。
例如,在投诉业务流程中,可以将业务流程按投诉类型进行分类,如可将投诉分为家庭业务投诉、账管支付投诉、计费出账投诉、电子渠道投诉、个人业务投诉等N种类型。并将这N种投诉业务流程类别进行排列,并按重要性及处理优先级进行投诉处理风险系数量化建模,形成投诉处理类型初始风险归一化系数,如下式所示:
同时,本发明对每一类业务流程的处理责任风险和前后关联责任风险进行量化建模。如第i类投诉,有M个处理责任动作,如有投诉智能分类审核处理责任风险、投诉自动建单审核处理责任风险、自动派单审核处理责任风险、投诉处理责任风险、处理结果审核处理责任风险、报表审核处理责任风险;以及投诉智能分类审核关联责任风险、投诉自动建单审核关联责任风险、自动派单审核关联责任风险、投诉处理关联责任风险、处理结果审核关联责任风险、报表审核关联责任风险。
其中,处理责任风险是指流程执行责任人失职未及时流程动作所产生的责任风险;关联责任风险是指流程动作未能及时完成并且动作前后关系人未能尽到监督责任,后关系人要承担的关联责任风险。
同时,可以对处理责任风险及关联责任风险进行综合建模,形成责任风险系数矩阵,如下式所示:
其中,表示第i类业务流程中第j个处理动作的责任人未完成本处理动作产生的责任风险系数;表示i类业务流程中第j个处理动作的责任人未完成本处理动作,第j-1个人未执行监督动作产生的关联责任风险系数;表示i类业务流程中第j个处理动作的责任人未完成本处理动作,第j+1个人未执行监督动作产生的关联责任风险系数,以此类推。
然后,基于人工智能遗传算法,在[nT,(n+1)T]的观察时间周期内,进行预设业务场景中的初始风险评估模型的系数寻优,具体来说,假定第i类投诉发生后,需要执行M个处理动作,处理时限向量中表示M个处理动作中的第j个处理动作需要在时刻前完成。若在t时刻,第j个处理动作未完成,则对第j个处理动作责任人产生的责任风险基数定义为的算法表述如下式所示:
其中,当时,并且第j个处理动作未完成时,达到最大责任风险基数,k0、k1、a、b为风险基数参数,<k0,k1,a,b>称为风险基数参数四元组,可以根据具体情况对风险基数参数四元组参数进行灵活适配调整。
在本发明中,目标风险评估模型可以用于确定对整个投诉处理系统的所有受理的投诉的系统综合风险,目标风险评估模型SR(t)可以定义如下式所示:
其中,在[nT,(n+1)T]的观察时间周期内,进行业务处理系统中的风险评估模型系数寻优,将SR(t)定义为人工智能寻优算法中的适值函数F,并将投诉处理类型风险系数向量、责任风险系数矩阵中的各系数作为遗传变异种群寻优变量,进行综合适值F全局最小化为目标的智能寻优迭代,如下式组所示:
min.{F=SR(t),0≤≤t≤≤T}
进而,当寻优到F全局最小值,取出此时遗传变异种群中的投诉处理类型风险系数向量、责任风险系数矩阵中的各系数值,更新到实际的业务处理风险实时评估系统中。当SR(t)大于某一预设阈值时,本发明可以通过向相关管理责任人发出风险预警,例如可以通过智能手机终端智能手机终端应用程序或网页端H5小程序为相关管理责任人提供处理操作界面进行及时的投诉处理相关动作操作。
由以上可见,本公开的实施例提供的技术方案,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
图4是根据一示例性实施例示出的一种风险评估装置框图,包括:
获取模块201,用于获取预设业务场景包括的每个业务流程的初始风险归一化系数;
构建模块202,用于根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型;
迭代模块203,用于基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型;
评估模块204,用于根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估。
一种实现方式中,所述获取模块201,用于:
获取预设业务场景包括的每个业务流程的重要性和优先级;
基于所述重要性和所述优先级,确定每个业务流程的初始风险归一化系数。
一种实现方式中,所述构建模块202,用于:
获取每个业务流程的初始责任风险系数矩阵;
根据所述初始风险归一化系数及所述初始责任风险系数矩阵,构建所述预设业务场景的初始风险评估模型。
一种实现方式中,所述构建模块202,用于:
获取每个业务流程的风险基数参数;
根据所述风险基数参数,构建每个业务流程的风险基数表达式;
针对每个业务流程,将所述初始风险归一化系数、所述初始责任风险系数矩阵及所述风险基数表达式相乘,作为该业务流程的综合风险表达式;
将各个业务流程的综合风险表达式相加,得到所述预设业务场景的初始风险评估模型。
一种实现方式中,所述评估模块204,用于:
根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估,得到所述预设业务场景的风险评估值;
在所述风险评估值大于预设阈值的情况下,执行预设预警操作。
一种实现方式中,所述迭代模块203,用于:
按照预设周期,基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到所述预设周期对应的目标风险评估模型。
由以上可见,本公开的实施例提供的技术方案,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
图5是根据一示例性实施例示出的一种用于风险评估的电子设备的框图。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,所述指令可由电子设备的处理器执行以完成所述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,当其在计算机上运行时,使得计算机实现所述风险评估的方法。
由以上可见,本公开的实施例提供的技术方案,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
图6是根据一示例性实施例示出的一种用于风险评估的装置800的框图。
例如,装置800可以是移动电话,计算机,数字广播电子设备,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成所述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件807为装置800的各种组件提供电力。电源组件807可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和账户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自账户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,所述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,账户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行第一方面和第二方面所述的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,所述指令可由装置800的处理器820执行以完成所述方法。可选地,例如,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性非临时性计算机可读存储介质计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行所述实施例中任一所述的风险评估方法。
由以上可见,本公开的实施例提供的技术方案,可以基于人工智能遗传算法,动态地对风险归一化系数进行调整,从而构建出动态、时变智能的目标风险评估模型,相比于于通常的针对各个业务流程设置固定风险节点、预设风险值的方法,能够更及时准确地对业务场景中的风险进行预警,提高风险评估的精准度。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种风险评估方法,其特征在于,包括:
获取预设业务场景包括的每个业务流程的初始风险归一化系数;
根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型;
基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型;
根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估。
2.根据权利要求1所述的风险评估方法,其特征在于,所述获取预设业务场景包括的每个业务流程的初始风险归一化系数,包括:
获取预设业务场景包括的每个业务流程的重要性和优先级;
基于所述重要性和所述优先级,确定每个业务流程的初始风险归一化系数。
3.根据权利要求1所述的风险评估方法,其特征在于,所述根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型,包括:
获取每个业务流程的初始责任风险系数矩阵;
根据所述初始风险归一化系数及所述初始责任风险系数矩阵,构建所述预设业务场景的初始风险评估模型。
4.根据权利要求3所述的风险评估方法,其特征在于,所述根据所述初始风险归一化系数及所述初始责任风险系数矩阵,构建所述预设业务场景的初始风险评估模型,包括:
获取每个业务流程的风险基数参数;
根据所述风险基数参数,构建每个业务流程的风险基数表达式;
针对每个业务流程,将所述初始风险归一化系数、所述初始责任风险系数矩阵及所述风险基数表达式相乘,作为该业务流程的综合风险表达式;
将各个业务流程的综合风险表达式相加,得到所述预设业务场景的初始风险评估模型。
5.根据权利要求1所述的风险评估方法,其特征在于,所述根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估,包括:
根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估,得到所述预设业务场景的风险评估值;
在所述风险评估值大于预设阈值的情况下,执行预设预警操作。
6.根据权利要求1所述的风险评估方法,其特征在于,所述基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型,包括:
按照预设周期,基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到所述预设周期对应的目标风险评估模型。
7.一种风险评估装置,其特征在于,包括:
获取模块,用于获取预设业务场景包括的每个业务流程的初始风险归一化系数;
构建模块,用于根据所述初始风险归一化系数,构建所述预设业务场景的初始风险评估模型;
迭代模块,用于基于人工智能遗传算法,对所述初始风险评估模型进行最小化寻优迭代,对所述初始风险归一化系数进行调整,得到目标风险评估模型;
评估模块,用于根据所述目标风险评估模型及所述预设业务场景的当前执行情况,对所述预设业务场景进行风险评估。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的风险评估方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由风险评估电子设备的处理器执行时,使得风险评估电子设备能够执行如权利要求1至6中任一项所述的风险评估方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666469.XA CN116090817A (zh) | 2022-12-23 | 2022-12-23 | 一种风险评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666469.XA CN116090817A (zh) | 2022-12-23 | 2022-12-23 | 一种风险评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090817A true CN116090817A (zh) | 2023-05-09 |
Family
ID=86209553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211666469.XA Pending CN116090817A (zh) | 2022-12-23 | 2022-12-23 | 一种风险评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777621A (zh) * | 2023-06-25 | 2023-09-19 | 陕西西煤云商信息科技有限公司 | 一种贸易业务风险防控方法及其防控系统 |
CN117151851A (zh) * | 2023-09-12 | 2023-12-01 | 浪潮数字(山东)建设运营有限公司 | 基于遗传算法的银行风险预测方法、装置和电子设备 |
-
2022
- 2022-12-23 CN CN202211666469.XA patent/CN116090817A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777621A (zh) * | 2023-06-25 | 2023-09-19 | 陕西西煤云商信息科技有限公司 | 一种贸易业务风险防控方法及其防控系统 |
CN116777621B (zh) * | 2023-06-25 | 2024-02-06 | 陕西西煤云商信息科技有限公司 | 一种贸易业务风险防控方法及其防控系统 |
CN117151851A (zh) * | 2023-09-12 | 2023-12-01 | 浪潮数字(山东)建设运营有限公司 | 基于遗传算法的银行风险预测方法、装置和电子设备 |
CN117151851B (zh) * | 2023-09-12 | 2024-04-30 | 浪潮数字(山东)建设运营有限公司 | 基于遗传算法的银行风险预测方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116090817A (zh) | 一种风险评估方法、装置、电子设备及存储介质 | |
CN109858702B (zh) | 客户升级投诉的预测方法、装置、设备及可读存储介质 | |
CN111428032B (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
CN111461304B (zh) | 分类神经网络的训练方法、文本分类方法、装置及设备 | |
CN107194464B (zh) | 卷积神经网络模型的训练方法及装置 | |
CN112426724A (zh) | 游戏用户的匹配方法、装置、电子设备及存储介质 | |
CN116307552A (zh) | 基于工作量数据信息的工作内容匹配方法 | |
CN116167454A (zh) | 智能化的二分类模型训练方法及装置 | |
CN113887999A (zh) | 一种保单风险评估方法和装置 | |
CN110929055B (zh) | 多媒体质量检测方法、装置、电子设备及存储介质 | |
CN111898019B (zh) | 信息推送方法及装置 | |
CN111681118A (zh) | 一种数据处理方法及装置 | |
CN113377673B (zh) | 软件测试的测试前移工作量占比的预测方法、装置和设备 | |
CN114338587B (zh) | 一种多媒体数据处理方法、装置、电子设备及存储介质 | |
CN116012132A (zh) | 信用等级识别方法、装置、设备、可读存储介质及产品 | |
CN111932500B (zh) | 一种图像处理方法及装置 | |
CN114219609A (zh) | 针对农村集体经济组织的质押授信额度获取方法和装置 | |
CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
CN116204819A (zh) | 交易数据信息的类别确定方法、装置、设备及存储介质 | |
CN115965211A (zh) | 一种业务流程计算方法、装置、电子设备及存储介质 | |
CN115271329A (zh) | 一种风险评级方法、装置、设备及介质 | |
CN112650661A (zh) | 数据处理质量控制方法、装置、计算机设备和存储介质 | |
CN117350358A (zh) | 模型训练方法、风险判定方法、装置、电子设备及介质 | |
CN115983502A (zh) | 数据处理方法、装置及介质 | |
CN109272241A (zh) | 一种核赔方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |