前言

为什么要写这本书

2018年，索信达正式成立金融AI实验室，开始研究和探索人工智能技术在金融行业中的应用。在与学术界领先学者合作和交流的过程中，我们开始接触可解释机器学习。通过数年的研究和实践，我们发现可解释机器学习恰好能够弥补当下人工智能技术在金融业应用中的不足。现今，深度学习、集成学习等复杂机器学习算法大行其道，银行里的营销模型、风控模型几乎全都顺应了这个大的技术潮流，虽然模型的精准性已有了较大的提升，但是业务应用风险却如影相随，模型的黑盒属性导致模型结果在业务应用上不具备清晰的逻辑和可解释性。模型是否存在偏见，何时适用，该如何使用？很多问题都是模糊不清的。

对于金融等风险控制严格的领域，如果要应用黑盒模型，我们必须慎之又慎。索信达作为一家深耕金融领域数据解决方案的提供商，一直都在致力于追求对行业问题保持前瞻性的洞察力，这也是金融人工智能实验室成立的初衷和意义所在。可解释机器学习在学术界尚属新兴事物，在国内金融领域的应用更是寥寥无几，知者甚少，但是可解释机器学习对于金融业规范、合理、安全地使用人工智能技术的价值和意义却是非凡的。2021年初，中国人民银行正式出台《人工智能算法金融应用评价规范》，这说明国家监管部门和行业专家已经意识到人工智能算法在金融领域中的应用存在乱象和潜在风险，并对此提出了严格的评价规范。在这个评价标准下，对于未来人工智能技术在金融领域的应用，可解释机器学习无疑会是大势所趋。索信达正好站在了引领潮流的当口，有过可解释机器学习在银行业的成功实践。例如，在客户流失预警问题的场景中，我们创造性地运用可解释机器学习，真正做到了对单个客户流失原因的归因，大大提升了潜在流失客户的挽留率。在促活营销场景中，利用可解释机器学习输出的客户名单的营销转化率提升了3倍。取得这些令人兴奋的成果之后，我们想要让整个金融业意识到可解释机器学习的价值的使命感油然而生，于是便有了写作这本书的动机，希望将这几年在可解释机器学习方面的研究，以及将其应用在银行业的实践经验分享给大家，更希望人工智能技术能够持续助力金融业健康繁荣发展。作为一家金融科技公司，索信达也希望能够为行业的发展贡献自己的一份力量！

读者对象

·金融机构、银行、金融科技公司等数据技术相关岗位从业者。

·人工智能、机器学习、数据挖掘相关技术岗位从业者。

·人工智能、机器学习、大数据相关专业的院校研究生、本科生。

如何阅读本书

本书共分为三大部分，具体内容结构如下。

第一部分为背景（第1~2章）。由于可解释机器学习在业内属于新兴知识，因此本部分用两章的篇幅，以各种生动的例子，阐述可解释机器学习的背景和重要性，帮助读者建立对可解释机器学习的初步印象。

第二部分为理论（第3~4章）。本部分主要按照可解释机器学习已有的分类，从内在可解释和事后可解释两个方面来介绍本领域的常见模型，其中既包括传统的统计学模型，又包括学术界新提出来的一些模型。本部分内容可以让读者对目前已存在的各种可解释机器学习算法有一个详细的了解，并且能够让读者参照示例代码自己动手实践。

第三部分为实例（第5~7章）。本部分主要以案例的形式，重点介绍可解释机器学习在银行的营销、风控和推荐系统等业务领域的应用，以帮助读者进一步理解可解释机器学习如何解决银行业实际遇到的问题。

勘误和支持

由于作者的水平有限，写作的时间比较紧张，书中难免会出现一些错误或者不准确的地方，如有发现，恳请大家批评指正。如果大家有建议或意见，欢迎发送邮件至邮箱shaop@datamargin.com，很期待听到大家的真挚反馈。

致谢

首先要特别感谢香港大学张爱军博士团队，他让我们看到了可解释机器学习的价值，他们为我们指明了研究的方向和路线，对标国际领先的研究团队，让我们对可解释机器学习领域的研究能够快速步入正轨。在理论研究阶段，张爱军博士给予了我们极其耐心、细致的指导，让我们的技术水平有了日新月异的突破和提升。

感谢索信达金融AI实验室参与写作的小伙伴们：苏思达、杨健颖、何悦、苏钰、孙兆悦、董弋嵩。感谢他们坚持不懈、永不放弃的精神，以及克服巨大挑战的勇气。我们要做的研究和写作对于每个人来说都是全新的，虽然最初没有经验，也没有太多写作材料，困难重重，但是大家还是克服一切困难坚持了下来。这种坚持不懈和全心投入是我们最珍贵的收获。

感谢索信达华南服务二部李冉冉、何超、李震、邹美灵团队的大力帮助，感谢他们为我们提供了非常难得的银行实际业务的真实场景，并且协助我们顺利完成技术实施。没有他们的帮助，就没有这些宝贵的案例材料。

最后要感谢索信达市场部的蒋顺利老师和机械工业出版社华章公司的编辑杨绣国老师在本书出版过程中提供的大力支持。

谨以此书，献给金融机构、金融科技公司的人工智能技术从业者，以及数据挖掘、数据分析等相关技术爱好者。

邵平

索信达控股AI实验室总监