簡·奧斯丁遇到大數據信用評級

雖然只有百分之二十五的人口具有可信賴的信譽歷史，但其中百分之五十三點二的人在網路上產生數字足跡。FinTech公司正在競相收集這些社交數據點，並將其用於以前不可觀察的百分之七十五的信用評分。這些Fintech的數字足跡可能會提供替代的，即使不是更準確的信用評分。

他們如何使用大數據和機器學習來計算信用評分？這是簡·奧斯丁和文學學生的解釋。想象這台機器作為大學文學生。該機器研究一個人的某些特徵與她的信譽之間的關係，就像學生建立某種類型的奧斯汀女性角色與未來丈夫的財富之間的關係。

這位學生閱讀了一些但並非全部的簡·奧斯丁的小說，現在她正在讀一本新的驕傲與偏見。她想知道哪位女性的角色將會與故事中最富有的人結婚。根據以前的奧斯汀讀物，她知道如果一個女孩和一個年輕人一起逃跑，那女孩通常最終不會和最富有的人結婚。學生們快速翻轉驕傲偏見，並看到一個題為「麗迪婭的舞台」的章節，然後她假設麗迪婭不會嫁給最富有的人，而不需要知道麗迪婭是誰，還有什麼是維多利亞社會的婚姻手段。

與機器學習相同 該機器從過去貸款申請人的數據點中學習。這些數據點包括申請人在填寫申請時的基本個人信息以及填寫過程中所做的更正次數。此外，如果申請人同意，FinTech公司也可以訪問她的第三方數據，例如Wechat時刻或天貓購物記錄。

假設一台機器從以前的貸款記錄中學到，在填寫貸款申請時，修改ID號碼十次的人的違約率比首次得到正確的更高的默認率，機器將會處理「身份證號碼糾正「作為對信譽有負面影響的相關參數。將使用這一假設來研究未來申請人並計算其信用評分。

機器學習，就像文學生一樣。因此，機器學習的相關數據點越多，其獲得的更智能。

然而，文學學生和機器之間存在著重要的區別 - 機器沒有一個內置的價值體系，它是什麼是好的，什麼是壞的。當機器給貸款申請人分配較低的信用評分時，並不等於「低」與「壞」。這是Remark Holdings的首席技術官Jason Wei在接受「福布斯」亞洲採訪時強調了很多次 - 機器並沒有「判斷」，它只是建立參數和結果之間的聯繫。

機器的預測可能是準確的，但也可能不會原諒過去的錯誤。該機器根據她過去所做的一切和她所做的一切，預測了一個人的未來行為。雖然這些預測確實有證據，但它們可能被解釋為人類歧視，過去並不總是對未來產生影響，奇迹也會發生。

​