PFCT携手首尔大学研究团队公布AI信用评估联合研究成果

by Lee Seunghyeong

Published 12 Feb.2026 08:58(KST)

人工智能技术金融公司PFCT与首尔大学研究团队在过去10个月中共同开展了为扩展人工智能信用评估方法论并探索多种实验可能性的联合研究，并于12日公开了相关结果。

本次联合研究以构建更精细的人工智能信用评估模型为目标，基于去标识化的真实金融数据，对多种算法进行比较和实验。由于用于信用评估的数据以各项本身具有含义的结构化信息为中心，因此一直以来主要采用在统计解释方面具有优势的树结构模型。相较之下，深度学习模型具有能够学习在统计上难以显现的复杂模式这一特点，因此两支研究团队从实验角度检验了深度学习方法在信用评估领域中发挥作用的具体方式。

研究团队重点考察了在深度学习方法之一的“Transformer结构”应用于信用评估时的特性与局限。Transformer是一种主要用于自然语言处理等数据顺序至关重要领域的学习结构。基于此，研究团队重点分析了在不存在语序概念的信用评估数据环境中，该结构会呈现出何种学习特性。

研究结果显示，在相同数据条件下，不同模型结构在性能指标和学习特性方面存在差异。在部分实验中，还观察到与既有方法相比，用于区分高风险客户的指标（KS）以及对低信用区间的捕捉性能有改善趋势。通过这些结果，研究团队检验了基于Transformer的学习方法在信用评估中的适用范围与局限。本次研究对于今后在考虑实际业务应用时进行模型设计以及开展后续研究所需的比较基准和实证数据的获取具有重要意义。

此外，本次联合研究也是PFCT在审视其向国内外金融机构提供的人工智能风险管理解决方案“AIRPACK”的高端化方向的过程。AIRPACK以模块化形式提供人工智能信用评估、风险策略提取与验证等多种功能。通过本次研究，PFCT得以对既有信用评估算法结构进行扩展方面的实验性验证，并积累相关研究数据。

首尔大学计算机工学系教授Moon Byungro表示：“本次研究的意义在于，在真实数据环境下验证了多种算法对信用评估的不同路径，并确认了其在金融一线中的应用可能性。通过结合信用评估数据特性来检视基于深度学习的方法论，为今后在实际业务中的应用提供了参考标准。”