机器与人的关系，以及信审员所面临的转型。
自动审批系统不是一台直接告诉你“核准”或“拒绝”这样的简单机器，它由多个相互独立的子系统构成，各自实现其特定的功能。每个子系统都可能会用到机器学习、计算机视觉、专家系统等人工智能技术。
我们欣喜的发现，很多银行的“信审工程师”都在尝试引入此类技术，快速完善实现自动化审批的基础设施，比如：利用光学OCR识别技术实现纸质申请表的快速录入；设备指纹、前端侦测技术在线上反欺诈中的广泛运用；申请评分卡已作为一项必需工具深入到风控体系中；规则引擎成为了实现自动化审批的首选工具。然而，要想从头到尾打通整个流程，构建完整的自动审批体系，还需要面临很多问题，比如：
风控模型的结果，很可能是一个概率或者分数，如何把这些抽象概念运用于真实业务场景？随着经济的波动，一旦模型的假设条件不符合导致模型结果存在较大偏差，如何进行有效监控和调整？机器学习算法虽然能达到很高的识别精度，但是由于无法直接获取判断依据，无形中加大了与客户沟通和贷后案件分析的难度。
现在热炒的大数据征信概念，到底对风控的帮助有多大？目前在国外，对于用作征信的数据是有严格的限制。对于银行来说，大量引入第三方数据是否物有所值？构建的大数据模型，是否存在“垃圾进，垃圾出”的窘境？
这些问题恐怕只是“智能化陷阱”的冰山一角，但却是信审工程师们不得不去考虑和面对的问题。要从传统的人工审核发展为完全的自动化、智能化审批，还有很长的路要走。
陷入智能化陷阱的，往往是那些梦想一蹴而就的人。创造自动审批系统时，需要时刻保持“走得快”和“走得稳”的平衡。在未来很长一段时期内，人与机器的配合是必要条件。这不仅仅是一个系统，而是一个人与机器的生态体系。
即使再精确的模型，输入伪造数据，依然会得到错误的结果。因此，资料核查、身份认证环节是信审人员必须参与的，需要保证输入机器的数据真实、有效。
机器很难进行自身迭代优化，也无法对经济环境、目标客群、风控政策等因素的改变做出快速反应。因此，信审工程师们必须建立一套策略检视、优化机制，通过数据分析时刻关注风险趋势和系统运作情况，不断优化和完善。要知道，人比机器更善于思考、更灵活。
笔者也很佩服那些经验丰富的审批专家，他们往往能从一些蛛丝马迹中发现风险点，比如笔迹、电话录音，这些都是机器学不到或者很难学的宝贵经验。在自动审批体系中，一方面，机器要会判别何时需要求助人的经验，并保证效率与风险的平衡；另一方面，还需要尽量将信审员的经验数据化、结构化，让机器能够尽可能的获取到这些“隐性知识”。
显然，这是一个“以人为本”的体系，人依然占据着主导地位，机器只是代替了信审员的重复劳动。在这个生态体系内，人和机器共同成长——机器不断汲取人的经验，愈发精确和智能，自动化程度不断提升；人逐渐适应角色的转变，分析能力、思维能力不断提高，专注于模型设计、策略优化等“审批艺术”。
正如苹果CEO库克 在MIT毕业典礼上与教皇方济各谈话中所说，人工智能的关键，在于对机器的控制、自身创造性的提高和道德的约束。每一个信审工程师，或者想成为工程师的信审员，都不妨认真思考一下这个问题。
