自动化规则的业务背景
在许多金融公司的风控介绍中，都说自己用到了人工智能，机器学习，深度学习模型等技术，在人工智能的风口上，但凡讨论点技术问题都得跟AI沾点边，不说自己会点机器学习模型都不好意思出门。但是在生产应用中，人工智能模型，或者说机器学习模型存在着不可解释的问题，在我们公司内部，使用最广的还是规则引擎，目前来说还是没有一个可以完全脱离规则的金融公司。研究规则的自动生成具有其现实的意义，不单单是规则对于人来说易于理解，没有机器学习的门槛那么高，同时规则对于业务人员来说其可控性也是最好的。
公司的风控后台的规则模块需要支持单条规则，组合规则以及评分规则等基本规则功能。单条和组合规则都是业务人员对数据理解后，抽象出来的数据组合逻辑，在设计过程中，需要对数据进行详尽的分析，测试，模拟等操作。人工规则的生成要经历比较长时间的数据分析过程，同时需要手动的部署到风控引擎上。在这样的业务背景下，我们引入了DarwinML自动化规则生成系统，DarwinML自动化规则生成有效的解决了业务人员设计规则的现实问题：
- 数据自动分析组合
- 基于数据的可定量的解释
- 连接规则引擎，一键部署
DarwinML自动化规则生成可以帮助我们自动的生成规则。自动对数据进行分析，拆解多个树类模型算法得到其执行路径并转化为可运行的规则，基于DarwinML设计的优化损失函数，对规则的生产进行迭代优化，得到最优的规则集合。其缩短了人工规则的设计过程，提升了规则设计的效率和精确度。
DarwinML最佳规则的生成流程
Step1: 数据导入 在DarwinML平台的数据管理界面，选择上传数据，上传完数据后，平台会给出一些数据清洗的建议，选择特征列和标签列。由于规则的特殊性，可以忽略平台给出的清洗建议，选择“保持不变（KeepAll）”，这样生成规则的变量名与选定数据集的变量名是一致的。
Step2: 创建规则生成项目 在DarwinML平台的项目管理界面，创建规则生成完整流程。
Step3：配置规则生成参数
- Step3.1 基本信息
填写工作流名称和工作流说明
- Setp3.2：选择数据
选择刚才导入的用于规则生成的数据
- Step3.3: 模型选择与参数配置
按默认配置即可，不选择模型，直接进入高级参数配置。高级参数中有超参优化参数和规则生成参数两种配置。超参优化参数按默认选择，规则生成参数是我们的核心配置参数，需要根据数据集做定制化配置，同时默认返回的参数已经根据数据做了定制的优化计算，因此不需要修改，默认参数即可。
- Step3.4: 工作流确定并启动
Step4: 等待工作流自动训练，评估规则
DarwinML自动化规则生成通过后端的分布式计算平台，对数据进行模型拟合和参数调节，基于一定的优化目标，返回用户期望的最优规则或最优规则集列表。在优化过程中，有4种算法并行执行，每种算法优化过程种的指标都会实时展现，还有TOP10的最优的规则排序。
Step5:查看并导出规则生成结果
规则生成结果界面展示了规则生成的一些列评估指标。在规则集列表中，可以查看所有的规则，通过过滤调剂选择最佳规则或规则集合，通过导出按钮下载过滤出的规则列表。在关联规则集中，可以查看与当前规则最相关的规则列表，方便对规则进行分析。
Step6：将导出的规则集合发布到Inference平台
在规则结果页面下载规则列表后，通过命令发布到Darwin Inference平台实现在线的规则预测和过滤。
DarwinML自动化规则生成的其他实践方式
DarwinML生成规则后，删除掉关联度最高的变量，重新导入数据，进行规则生成。这样避免了高关联性变量对于规则集合整体的影响，使得其他关联性较低的变量的规则也可以产生规则。
DarwinML生成规则后，取出最佳的规则，基于这条规则过滤所有数据，移除那些满足最佳规则的数据，保存未被最佳规则过滤到的数据，重新设计最佳规则生成流程，并得到新一轮的最佳规则，迭代并生成下一轮的最佳规则。
实际的用户反馈
金融小贷用户在使用自动设计后，每期数据规则迭代在30分钟左右就可以生成100条以上独立有价值的规则。规则集的平均长度可以控制在5个变量以内。每条规则在数据样本比例上的提升能保持3倍以上，并且自动生成的模型可以帮助业务人员跳出思维的盲点，找到以前并不曾注意的风控点。