动手实验 · AI 风险识别建模
AI 建模演示：让机器帮你"扫一遍"风险
点"开始演示"，看一条风险识别任务是怎么从一堆原始数据，变成一份可复核的风险名单，再顺着关联关系揪出整张网络、并随时间持续盯防、不断进化的。重点不是"AI 多厉害"，而是——哪些事它替你干了，哪些事最后还得你拍板。
第一步 · 把分散的数据聚到一起
申报、发票、登记、缴款……原本各管一摊。建模前，先把它们接到同一个分析环境里。
第二步 · 把数据"提炼"成风险特征
原始字段不能直接用。要加工成能反映风险的指标——这一步最吃业务经验。
申报遵从度逾期/零申报频次
发票异常率顶额/作废占比
行业偏离度税负 vs 同业
欠税频次历史追缴次数
进销项匹配购销背离度
注册异常地址/人员异常
税负波动同比环比跳变
关联风险上下游牵连
第三步 · 让模型从样本里"学"规律
把历史已确认的风险户当"答案"，让模型自己找出特征和风险的关联。你定方向，它算权重。
0已训练样本（户）
0%交叉验证准确率
0训练轮次
第四步 · 用模型给每一户"打分"
模型不是直接说"谁是坏人"，而是给一个 0–100 的风险分。怎么用这个分数，是你来定。
第五步 · 产出一份可复核的风险名单
模型给出初筛名单，但真正"立案、推送、核查"的按钮，在人的手里。
第六步 · 顺着关联关系，揪出整张网络
高风险户往往不是"单打独斗"。从一户出发，顺着上游供货、下游客户、同一法人、关联账户、投资方、历史关联案，把整条关系链点亮。
1 → 8 户风险关联主体扩展
7 条已识别关联关系
3 户其中同为高风险
第七步 · 不是扫一遍就完，而是持续盯防
新数据不停地来。模型对重点户做实时监测：每来一条新信号，风险分就重新算一次——有人会"当场升级"。
[新进项] 14:02
进项发票金额环比 +38%，与当期销项明显背离
[新申报] 14:05
当期零申报，但仍有连续开票记录
[关联预警] 14:09
上游供货商「包头市XX运输公司」已被标记为高风险
[资金信号] 14:13
对公账户出现大额快进快出，当日净流出 96 万
64
包头市XX运输公司 · 实时风险分
中风险
⚠ 新预警：该户升级为高风险，自动推送核查任务
第八步 · 模型会"越用越聪明"
模型不是一次定型。你每确认一个案例、每反馈一条误报，都会回流成新样本，触发再训练——准确率随之往上走。
v1.5
+3,200 新确认案例
准确率 90.1%
当前模型版本：v1.0 ｜ 累计回流样本：128,560 户 ｜ 准确率：88.2%
⚠ 提醒：准确率再高也只是"辅助"。模型给出的新特征、新名单，仍然要人工确认后才能作为执法依据。