专题演讲嘉宾：邵平

大数据时代，银行的很多业务场景都使用到机器学习建模技术去辅助营销或风控决策，建模算法复杂多样。银行传统对模型的应用，只知其然而不知其所以然，特别是像集成模型或深度学习模型因为其内部结构的复杂性，更是难以用人类能够理解的语言解释模型的内部计算逻辑。这样的模型虽然性能有所提高，但是因为结果的不可解释，内部的黑盒属性，在实际业务应用中一方面可能存在不安全、不可靠、不公平的隐性风险，另一方面模型结果的不可解释也限制了模型被应用的广度和深度。

本次分享主要介绍可解释机器学习算法的研究背景和应用价值，可解释机器学习研究为模型黑盒问题提供了解决思路，分享中还将通过实际案例来展示可解释机器学习的应用效果，让大家更清晰地了解可解释机器学习价值和重要性。

演讲提纲：

1. 可解释机器学习背景
   • 深度学习的发展
   • 可解释机器学习产生的背景
   • 可解释机器学习研究的目标
   • 可解释机器学习的特色
2. 银行数字化转型业务背景
3. 可解释机器学习应用方案
4. VIP客群流失预警应用案例
5. 可解释机器学习的应用价值

你将获得：

• 可解释机器学习的深度解读
• 金融行业可解释机器学习的实践案例