Course Code: ftaifs
Duration: 14 hours
Prerequisites:

  • 瞭解監督學習技術。
  • 具備基於Python的機器學習框架經驗。
  • 熟悉金融數據集，如交易日誌、信用評分或KYC數據。

目標受衆

  • 金融服務領域的數據科學家。
  • 在金融科技或銀行機構工作的AI工程師。
  • 構建風險或欺詐模型的機器學習專業人士。

Overview:

微調是將預訓練的AI模型適配到特定領域和數據集的過程。

本課程爲講師主導的培訓（線上或線下），面向金融領域的高級數據科學家和AI工程師，旨在通過使用特定領域的金融數據，微調模型以應用於信用評分、欺詐檢測和風險建模等場景。

培訓結束後，學員將能夠：

  • 在金融數據集上微調AI模型，以提升欺詐和風險預測能力。
  • 應用遷移學習、LoRA和正則化等技術，提升模型效率。
  • 將金融合規性考慮融入AI建模工作流。
  • 將微調後的模型部署到金融服務平臺中用於生產。

課程形式

  • 互動式講座與討論。
  • 大量練習與實踐。
  • 在即時實驗室環境中進行動手操作。

課程定製選項

  • 如需定製本課程，請聯繫我們進行安排。

Course Outline:

金融服務中的AI簡介

  • 應用案例：欺詐檢測、信用評分、合規監控
  • 監管考慮與風險框架
  • 高風險環境中的微調概述

準備金融數據以進行微調

  • 數據來源：交易日誌、客戶人口統計、行爲數據
  • 數據隱私、匿名化與安全處理
  • 爲表格和時間序列數據進行特徵工程

模型微調技術

  • 遷移學習與模型對金融數據的適配
  • 特定領域的損失函數與指標
  • 使用LoRA和適配器調優進行高效更新

風險預測建模

  • 貸款違約和信用評分的預測建模
  • 平衡可解釋性與性能
  • 處理風險場景中的不平衡數據集

欺詐檢測應用

  • 構建基於微調模型的異常檢測管道
  • 即時與批量欺詐預測策略
  • 混合模型：基於規則+AI驅動的檢測

評估與可解釋性

  • 模型評估：精確率、召回率、F1、AUC-ROC
  • SHAP、LIME及其他可解釋性工具
  • 使用微調模型進行審計與合規報告

生產環境中的部署與監控

  • 將微調模型集成到金融平臺中
  • 銀行系統中的AI持續集成與持續交付（CI/CD）管道
  • 監控漂移、重新訓練與生命週期管理

總結與後續步驟