金融风控要在毫秒内判断一笔交易是否异常，模型训练和实时推理都离不开GPU。本文给金融科技团队一套方案。
一、风控的两个算力场景
训练阶段用历史交易数据训练模型，吃GPU训练能力；推理阶段要在毫秒内出结果，吃GPU推理延迟。金融对稳定性要求极高，推理服务要常年在线。
二、推荐配置
| 场景 | GPU建议 | 说明 |
|---|---|---|
| 模型训练 | 单卡24至48GB | 按需起 |
| 实时推理 | 常驻小卡 | 低延迟 |
| 批量评分 | 多实例 | 夜间跑 |
三、落地建议
- 推理服务做多实例冗余，不能单点故障。
- 模型定期用新数据再训练。
- 风控阈值灰度上线，逐步收紧。
风控训练是周期性的，云GPU按需起实例。需要训练风控模型时，可参考GPU金融算力。
实际风控中，实时推理的稳定性比峰值性能更重要，推理服务要多实例冗余，绝不能单点故障。模型每隔一段时间用最新交易数据再训练，否则欺诈手段更新后模型会失效。训练在夜间批量跑，不影响白天线上服务。
四、成本建议
训练按需起云实例，推理常驻小卡保稳定。
金融团队做风控，模型更新要快，因为欺诈手段一直在变。建议每月用最新交易数据再训一轮，推理服务多实例冗余。训练夜间跑，白天只推理，互不干扰。
总之，模型定期更新、推理多实例冗余，是风控稳定的关键。
模型更新要灰度，先小流量看指标，稳定再全量切换。
总之，模型每月更新、推理冗余，风控才稳。
推理多实例冗余，绝不能单点故障影响交易。
欺诈手段更新快，模型每月要再训一轮。
训练夜间跑，白天只推理，互不影响。
总之，模型常更新、推理要冗余。
训练在夜间批量跑，不影响白天线上交易。
模型更新灰度发布，先小流量再全量。
风控服务绝不能停，多实例冗余是底线。
模型每月用新交易数据再训一轮。
常见问题
问：风控推理一定要GPU吗？答：大模型推理用GPU延迟更低，小模型CPU也能跑。
