1、采購需求一、采購資金的支付方式、時間、條件：質量保證金簽訂合同前由成交供應商支付合同總價的5%作為履約保證金。項目實施完畢，驗收合格后履約保證金轉為質量保證金，在沒有發生質量索賠的情況下，質量保證金在質保期滿一年后無息退還。付款方式1.由采購人在合同簽訂后15日內向成交供應商支付合同金額的30%作為預付款，成交供應商收到預付款后1個月內完成軟件開發及相關調試，并交付所有貨物，包括：在采購人指定教室/實驗室安裝并調試成功AI金融實訓軟件（包括教學管理系統與自動化機器學習平臺）。2.AI金融實訓軟件（包括教學管理系統與自動化機器學習平臺）試運行半個月，運行情況良好，經采購人對系統終驗合格后，由采購

2、人向成交供應商支付合同金額70%尾款。二、服務要求（技術要求里另有注明的以技術要求為準）：質保期5年具體實施響應要求1.質保期內需提供軟件免費升級和維護。成交供應商應提供系統安裝、調試完成后應提供完整的技術文檔、使用說明、有關授權等相關材料。2.成交供應商應免費提供質保期內電話支持、BBS在線支持、電子郵件支持、遠程維護支持等多種免費技術支持服務。交付時間和地點交付時間：合同簽署后2個月內交付。交貨地點：浙江金融職業學院。其他服務要求技術支持服務：1.響應供應商自系統終驗合格之日起，對建模軟件產品提供5年升級、維護服務，維護服務需保質保量，維護內容如下：提供5*8小時技術支持和服務，對重大問題

3、提供現場技術支持，接到通知48小時內安排解決，提交問題處理報告，要求說明問題種類、問題原因、問題解決使用的方法及造成的損失等情況。2.安排項目小組參與定制開發和服務保障，未經采購人同意，不得更換，直到驗收合格。3.提供詳細的質保期內技術支持和服務方案，以保證運行穩定。4.至少需要有1名人員具備完整的、系統的機器學習專業背景，持有信息系統項目管理師資格證書（高級）；5.至少需要有2名及以上的人員，熟悉銀行技術服務內容和機器學習建模技術的響應供應商。安裝調試：1、安裝地點：采購人指定地點。2、安裝標準：符合我國國家有關技術規范要求和技術標準，所有的軟件必須保證2個月內安裝到位。3、成交供應商應提供

4、合同貨物的安裝服務。4、成交供應商在響應文件中應提供安裝調試計劃、對安裝場地和環境的要求。驗收：1、成交供應商應提供合同貨物的有效檢驗文件，經采購人認可后，與合同的性能指標一起作為合同貨物驗收標準。采購人對合同貨物驗收合格后，雙方共同簽署驗收合格證書，驗收中發現合同貨物達不到驗收標準或合同規定的性能指標，成交供應商必須更換合同貨物，并負擔由此給采購人造成的損失，直到驗收合格為止。2、相應供應商應于響應文件中提供合同貨物的驗收標準和檢測辦法，并在驗收中提供采購人認可的相應檢測手段，驗收標準應符合中國有關的國家、地方、行業的標準，如若成交，經采購人確認后作為驗收的依據。3、如成交供應商委托國內代理

5、（或其他機構）負責安裝或配合安裝，應在簽約時指明，但成交供應商仍要對合同貨物及其安裝質量負全部責任。4、驗收費用由成交供應商承擔。培訓：1、成交供應商應對采購人的操作人員、維修人員免費進行培訓。2、成交供應商應提供相應的培訓計劃。3、成交供應商應對上述內容的實現方式、地點、人數、時間在投標文件中詳細說明。4、技術培訓費用應包含在磋商響應總價中。3、 項目概況：在信息化、大數據、人工智能新時代，為保持浙江金融職業學院在金融科技方向人才培養的全面領先性，籌備金融AI實驗室。培養更多符合人工智能時代的金融專業化人才，布局AI金融實訓軟件，引進機器學習平臺，結合金融機構實際應用場景，讓學生在畢業后能無

6、縫與企業對接，成為具有競爭力的金融企業所需人才。基于上訴需求，將“以教學軟件為核心，理論與實踐相結合的教學模式”展開采購。通過自動化機器學習建模軟件，實戰操作機器學習建模，滿足學校為企業輸送機器學習人才的技能準備需求，同時加入銀行金融企業的實際業務場景需求與機器學習理論相結合，滿足教學成果通用性需求，為培養理論與實踐相結合的復合型人才做準備；通過配套教學管理軟件，滿足教師教學管理需求與學生學習需求。AI金融實訓軟件具體需求如下：1、自動化的機器學習建模平臺自動化機器學習建模平臺，要求從數據處理、模型設立、效果測試等除了可以人工調參外，均采用自動化運行的方式，并可以直接輸出結果報告，重點在于幫助

7、學生在建模過程中重復與費力的業務，從而有更多的時間去思考與業務相關的深層次問題。同時要求在自動化機器學習平臺的基礎上搭載金融業務數據與場景，讓學生可以通過實訓、實習以及學習軟件的操作流程的方式加強學生對機器學習技術在銀行金融的領域應用的熟悉度，加深其對銀行金融業新技術的理解。主要應用于教學過程中的實踐性教學環節，在互聯網金融專業、金融管理等專業的公共課、專業課，乃至學校整個金融大類的課程中都可以廣泛應用。2、自動化機器學習平臺教學管理軟件搭載自動化機器學習建模平臺的教學管理軟件，內置基于自動化機器學習建模平臺的操作任務和實訓任務，教師可使用軟件完成完整的教學流程，包括分班、布置任務、打分與成績

8、匯總，學生可在軟件的指引下完成老師布置的操作任務和實訓任務并得到反饋，形成教學閉環。4、 采購清單：序號采購內容計量單位數量1自動化機器學習建模平臺軟件套12自動化機器學習建模平臺教學管理系統套1五、技術要求：5.1、自動化機器學習建模平臺建設要求自動化機器學習建模平臺軟件合法性要求1軟件安全性需求：（1）有嚴格的軟件控制軟件,1臺硬件設備只能安裝1套自動化機器學習建模軟件關聯；（2）每套軟件內置加密的硬件信息與使用時間，保證用戶的合法性和用戶使用應用信息資源的權利，避免內部敏感信息泄露和服務所提供的信息資源被非法訪問，造成嚴重的安全事件；（3）需永久支持學校更換硬件設備后重裝軟件的需求。自動

9、化機器學習建模平臺功能要求1工程建設需求：（1）支持在電腦本地建設工程；（2）以工程文件夾為基準，該工程所對應的機器學建模所產生的文件自動歸入該工程目錄下；（3）支持自定義工程文件存放路徑；（4）支持建模過程中斷或報錯后，從工程路徑進入報錯/未完成的機器學習建模環節，無需重新運行已完成的建模環節；2自動化數據探索模塊需求：該功能主要用于從數據中挖掘知識并預處理數據。包括軟件讀入訓練數據，根據數據字典調整數據；軟件自動對原始數據統計分布進行統計，自動刪除冗余變量和樣本；軟件自動進行單變量分析，自動生成可視化單變量分析圖；軟件自動將數據轉化成算法適用的格式。具體需求如下：（1）需支持本地CSV文件

10、導入；支持excel文件導入；支持txt文件導入；支持關系型數據庫輸入；支持hadoop文件輸入。（演示要求：通過拖拽數據導入組件到設計區，通過點擊上傳按鈕上傳文件數據，并可以修改上傳數據的字符類型，可以調試數據上傳是否成功。）（2）軟件自動進行數據審核，驗證CSV表是否符合建模訓練數據集與數據字典需求，同時校驗訓練數據集與數據字典是否匹配，驗證條件為：1) 文件需指定變量名稱作為csv表第一行；2) 每一行對應一個樣本，每一列對應一個變量；3) 變量類型僅可能包括“Numeric”或“Double”類型；4) CSV表需包括預測對象（ID變量）對應的變量名和目標變量對應的變量名；5) 預測對

11、象類型需為“Factor”類型；6) 目標變量需包含0/1且1為小類的因子型變量，目標變量不能包含缺失值；7) CSV表的行數至少為100行；8) CSV表的列數至少為3列；9) 導入的數據字典CSV表中必須含有“variable”與“type”字段，數據類型只能為Numeric與Factor。（3）自動讀取審核成功的CSV表中的Factor類型字段為變量名。（4）需支持用戶選擇目標變量與預測對象，并自動對其進行校驗，自動審核目標變量所在的列取值與預測對象所在的列取值是否符合建模要求，自動審核條件為：預測對象要與數據字典中的預測對象對應，并且只能為Factor類型；目標變量要與數據字典中的目標

12、對應，并且只能為Factor類型，目標取值只能為0/1。（5）自動進行數據統計特征總結：1) 自動計算樣本量與特征數：即計算導入的表中樣本的個數與特別變量個數；2) 自動計算數值特征的分位數：自動計算數值型變量的分位數；3) 自動計算各變量的缺失值比例。（6）自動進行數據清洗，數據清洗的內容如下：1) 自動刪除缺失值過多的樣本：刪除樣本缺失比例閾值大于0.99的樣本；2) 自動刪除缺失值過多的變量：刪除變量缺失比例閾值大于0.99的變量；3) 自動刪除零值過多的變量：刪除零食比例大于0.99的變量；4) 自動刪除多余的變量因子：刪除因子類型大于1024的變量；5) 自動進行數值離散化分箱：自動

13、分為5箱；6) 自動進行數值型變量的截斷：將大于10的閾值和0.95分位數乘積的樣本截斷；7) 自動處理零值，增加數據清洗的合理性：數值變量分段時，將零值比例大于0.3的單獨歸為一類。（7）自動進行數據轉換：（演示要求：數據轉換以組件的形式封裝在平臺中，通過拖拽到設計區，并可以使用鼠標拖拽跟其它組件連接，實現數據流通）1) 自動缺失值填充；2) 自動根據樣本數據抽樣；3) 自動進行one-hot編碼；4) 自動數據歸一化。（8） 支持手動設置數據探索中的高級參數：1) 被定義為缺失值的字符名；2) 統計數值變量的分位數；3) 刪除缺失值的比例超過閾值的樣本；4) 刪除缺失值的比例超過閾值的變量

14、；5) 刪除0的比例超過閾值的變量；6) 因子型變量的類別所允許的最大因子數，刪除超過閾值的因子型變量；7) 是否將數值型變量離散化為有序型數值變量；8) 數值變量離散化的分箱數；9) 判斷數值變量截斷的閾值，將大于該閾值和0.95分位數乘積的樣本截斷；10) 數值變量分箱時，當零值的比例大于閾值時，將零值單獨歸為一類；11) 根據iv值來剔除變量的閾值。如果為 NULL，則沒有變量會因為iv值被剔除；12) 根據線性分析剔除變量的閾值。如果為NULL，則沒有變量會因為共線性分析被剔除；13) 是否進行缺失值填充；14) 樣本不平衡比例閾值（多數/少數）。當比例大于閾值時，進行欠采樣；15)

15、是否將因子變量轉化為虛擬變量(0/1)；16) 是否將數值變量標準化。（9）支持高級參數設置的實時校驗，并給出參數設置參考提示，降低參數設置發送錯誤的概率。（10）完成設置后，一鍵進行自動化數據探索工作并給出運行日志，實時查看運行情況并捕獲錯誤信息。（11）自動化數據探索結束后，生成本地化數據探索結果報告：1) 自動生成數據探索的Rdata文件；2) 自動生成單變量分析圖jpg文件；3) 自動生成變量iv值CSV表；4) 自動生成變量iv值分布情況jpg圖；5) 自動生成原始樣本數值型變量的統計CSV表；6) 自動生成建模數據樣本數值型變量的統計CSV表；7) 自動生成原始樣本數據因子型變量的

16、統計CSV表；8) 自動生成數據探索過程及結果日志txt文件；9) 自動生成單變量分析的分段取值CSV表。3自動化模型訓練模塊需求：該功能主要用于從數據中學習規律，建立預測模型。軟件自動將數據分成訓練集和驗證集，根據選定的算法，通過KS/AUC來尋找模型的最優參數組合。軟件自動輸出模型中使用的變量權重文件以及決策規則文件。具體需求如下：（1）需支持自動化數據探索模塊生成的Rdata文件導入，Rdata文件中含有建模所需的經過自動化特征工程與自動化數據清洗的模型訓練樣本。（2）需支持模型自動切分訓練集與驗證集，支持手動設置調整訓練集與驗證集的拆分比例。（3）需支持模型進行驗證時的分析數調整。（3

17、）需支持自動選擇KS/AUC作為模型調優指標，對算法進行調參，并根據選定的調優指標選擇最佳算法和對應的參數組。（4）需支持以下機器學習算法自動調參和手動調參，對應算法的參數如下：1) GBM（梯度提升決策樹）算法需包含以下參數：i. 樹的棵數ii. 特征交叉最大深度iii. 學習步長iv. 葉節點最少保留樣本數v. 損失參數vi. 評估指標2) RF（隨機森林）算法需包含以下參數：i. 樹的棵數ii. 葉節點最少保留樣本3) XGB（XGboost）算法需包含以下參數：i. 學習步長ii. 最大迭代次數iii. 停止訓練的輪數iv. 實際訓練樣本占總樣本的比例v. 每棵樹所用的特征占總特征數的

18、比例vi. 樹的最大深度vii. 樹的子節點進行分枝所需最小樣本權重和viii. 樹的子節點進行分枝所需的最小損失值ix. 線程數4) LR邏輯回歸算法5) SVM支持向量機算法需包含以下參數：i. 懲罰項c的取值設定（懲罰因子大，則拒絕力度加大）ii. 除去線性核外，其他核的參數6) NNET（神經網絡）算法需包含以下參數：i. 隱層神經元個數ii. 最大迭代次數7) CART（決策樹）算法需包含以下參數：i. 用于分枝的節點最小樣本量ii. 復雜度參數，決定是否進行剪枝的閾值8) ADABOOST（Adaboost）算法需包含以下參數：i. 樹的子節點進行分枝所需最小樣本量ii. 復雜度i

19、ii. 迭代次數9) Naivebayes（樸素貝葉斯）算法需包含以下參數：i. 平滑系數10) LASSO 算法需包含以下參數：i. 正則化權重系數ii. 正則化幅度11) MARS（多元自適應回歸樣條） 算法需包含以下參數：i. 交叉程度ii. 每個節點的廣義交叉驗證懲罰項iii. 前向傳遞過程中，每新增一個變量的懲罰值iv. 前向傳遞每一步中，父節點個數最大值v. 老化系數12) KMeans算法需包含以下參數：i. 聚類數ii. 迭代次數iii. 并行計算數iv. 計算精度13) 高斯混合算法需包含以下參數：i. 聚類數ii. 迭代次數iii. 收斂精度iv. 隨機種子14) Bise

20、ctingKMeans算法需包含以下參數：i. 聚類數ii. 最大迭代次數15) ALS算法需包含以下參數：i. 并行計算數ii. 特征值iii. 迭代次數iv. 隱式預測v. 阿爾法值vi. 種子數（5）需支持算法參數設置實時校驗比在軟件中給出參數設置范圍提示，降低因參數設置導致建模發生錯誤的概率。（6）完成算法和參數設置后，一鍵自動建模并給出建模過程中的運行日志，實時查看建模情況并捕獲錯誤信息。（7）自動建模成功后，生成本地化的模型報告并自動歸入該模型所屬的工程文件夾中：1) 機器學習模型變量權重csv表；2) 機器學習模型變量權重分布圖pdf；3) 模型Rdata文件；4) 調優結果cs

21、v表；5) 調優過程日志txt文件；6) 建模過程日志txt文件；7) 建模耗時時間txt文件。4自動化預測打分模塊需求：該功能主要用來執行自動化模型訓練模塊得到的機器學習模型，對新數據進行預測打分。具體需求如下：（1）支持本地導入CSV格式數據，并對測試數據進行校驗，自動校驗測試數據中的目標變量與模型中的目標變量是否一致并給出提示。（2）支持預測因子變量數設置，并在軟件中給予預測因子變量數的取值范圍。（3）軟件需自動進行預測數據統計特征總結：1) 自動計算樣本量與特征數：即計算導入的表中樣本的個數與特別變量個數；2) 自動計算數值特征的分位數：自動計算數值型變量的分位數；3) 自動計算各變量

22、的缺失值比例。（4）需支持同一工程目錄下使用已生成的機器學習模型對預測數據進行預測打分。（5）需支持打分原因分析（計算每個樣本打分時，部分重要變量對打分的貢獻）。（6）完成預測數據集導入與預測因子設置后，一鍵進行模型預測打分并給出預測打分過程中的運行日志，實時查看預測打分情況并捕獲錯誤信息。（7）模型預測打分完成后，生成本地化的模型預測打分報告：1) 預測打分csv表；2) 預測數據集統計特征csv表；3) 預測打分日志文件txt；4) 預測打分時間文件txt。5自動化效果測試模塊需求：該功能模塊主要用來評估模型效果，模型在自動化預測打分環節對新數據打分，而該模塊用于對打分數據與真實發生數據進

23、行對比，評估模型效果。具體需求如下：（1）支持導入本地CSV數據表。（演示要求：通過拖拽數據導入組件到設計區，通過點擊上傳按鈕上傳文件數據，并可以修改上傳數據的字符類型，可以調試數據上傳是否成功。）（2）支持模型預測打分表與真實數據對比，評估模型預測效果。（3）支持效果表現打分并按樣本數分組，計算每組對應的模型打分指標（累積樣本比率；當前組樣本數；當前組打分最小值；當前組打分最大值；當前組打分均值；累積準確率；累積召回率；KS值）。（4）支持效果測試AUC計算。（5）支持效果測試KS計算。（6）一鍵進行效果測試并給出效果測試過程中的運行日志，實時查看預測打分情況并捕獲錯誤信息。（7）效果測試完

24、成后，生成本地化的效果測試打分表：1) 效果測試csv表；2) 效果測試過程日志txt文件。6機器學習建模報告查看需求：（1）生成對應工程目錄下機器學習建模每個環節的本地化報告。（2）自動化數據探索環節輸出報告：1) 自動生成數據探索的Rdata文件；2) 自動生成單變量分析圖jpg文件；3) 自動生成變量iv值CSV表；4) 自動生成變量iv值分布情況jpg圖；5) 自動生成原始樣本數值型變量的統計CSV表；6) 自動生成建模數據樣本數值型變量的統計CSV表；7) 自動生成原始樣本數據因子型變量的統計CSV表；8) 自動生成數據探索過程及結果日志txt文件；9) 自動生成單變量分析的分段取值

25、CSV表。（3）自動化模型建立環節輸出報告：1) 機器學習模型變量權重csv表；2) 機器學習模型變量權重分布圖pdf；3) 模型Rdata文件；4) 調優結果csv表；5) 調優過程日志txt文件；6) 建模過程日志txt文件；7) 建模耗時時間txt文件。（4）自動化預測打分環節輸出報告：1) 預測打分csv表；2) 預測數據集統計特征csv表；3) 預測打分日志文件txt；4) 預測打分時間文件txt。（5）自動化效果測試環節輸出報告：1) 效果測試csv表；2) 效果測試過程日志txt文件。7教學所需貸前審批環節數據需包含以下特征:（1）訓練數據集：包含以下特征的經過脫敏、數據特征加工

26、的建模樣本數據集不少于20000條客戶號、是否逾期、賬戶狀態、賬齡、信用記錄、貸款目的、信用額度、儲蓄賬戶、職業、年齡、工作、分期付款比率、分期付款方式、其他應收款、居住信息、資產信息、房產信息、持有信用卡銀行機構數、贍養或撫養人數、電話信息等。（2）數據字典表：核心訓練數據集加工清洗后抽樣出來的建模所需特征。（3）測試數據集：包含以下特征真實發生的經過脫敏的測試數據集不少于10000條客戶號、是否逾期、賬戶狀態、賬齡、信用記錄、貸款目的、信用額度、儲蓄賬戶、職業、年齡、工作、分期付款比率、分期付款方式、其他應收款、居住信息、資產信息、房產信息、持有信用卡銀行機構數、贍養或撫養人數、電話信息等

27、。8教學所需貸后預警環節數據需包含以下特征：（1）訓練數據集：包含以下特征的經過脫敏、數據特征加工的建模樣本數據集不少于20000條征信信息、交易流水信息、存款賬戶信息、信用卡數據信息、貸款臺賬信息、貸款申請信息。（2）數據字典表：核心訓練數據集加工清洗后抽樣出來的建模所需特征。（3）測試數據集：包含以下特征真實發生的經過脫敏的測試數據集不少于10000條征信信息、交易流水信息、存款賬戶信息、信用卡數據信息、貸款臺賬信息、貸款申請信息。9提供自動化機器學習軟件使用說明文件：（1）自動化機器學習軟件操作使用說明文件。（2）自動化機器學習技術理論說明文件。（3）基于機器學習技術的貸前審批、貸后預警

28、數據使用說明文件。10提供自動化機器學習軟件使用培訓服務：（1）提供不少于6個課時的自動化機器學習軟件使用及必要知識的培訓服務。（2）提供不少于4個課時的自動化機器學習軟件數據使用培訓服務。11系統支持需求：（1）軟件需支持windows64位系統，win7、Linux以上操作系統。（2）軟件為B/S架構，支持單機部署和服務器部署。5.2 自動化機器學習建模平臺教學管理系統要求教學管理系統功能需求1系統為B/S架構，支持云端和本地服務器部署。含院校管理端、教師端和學生端。2教學系統賬戶體系分為三級，一、管理員賬號，二、教師賬號，三學生賬戶。支持專業、教師、班級、學生等信息的添加和管理。（演示要

29、求：登錄平臺地址，輸入管理員、教師、學生的賬號，進入的不同的用戶界面）3教師賬號功能需求：教師用戶查看自己管理的班級及學生，管理自己發布的建模任務、設置自己的建模指標、查看自己學生提交的建模結果等。(1)教師賬號概況：需顯示該教師管理的任務統計情況（即將開始的任務、進行中的任務、已結束的任務、已關閉的任務），方便教師了解教學整體情況。（2）學生管理：需支持批量導入學生基本信息，并給予批量導入模板；需支持批量導入學生信息是選擇專業與班級；需支持表格導入后自動計算班級學生人數；導入的學生基本信息需包括（專業名稱、班級名稱、學號、姓名、手機號、QQ、郵箱）；需支持教師手動修改學生信息；需支持按照學號

30、、學生姓名、班級名稱、手機號碼等信息快速查找；需自動傳輸該學生數據至后臺管理系統，管理員可在管理系統中查看學生信息。（3）考試管理：根據教學進度配置實訓考試任務，需支持考試題目從題庫中選擇，且考題設置需滿足圍繞實訓操作結果設置為前提：需填寫試卷名稱，設置題型數量，題目從題庫中選擇；需支持試卷分值設置；需支持查看學生提交的考試結果，系統自動打分。（4）任務發布需支持填寫任務名稱、設置任務周期、選定任課老師、任務詳情描述；需支持選擇該任務對應的學生班級；需支持設置該任務參與的人數；需支持設置評測合格最低分；需支持任務方式；需支持任務的增刪改查。（5）基本設置需支持教師修改賬號密碼、修改手機號等。4

31、學生賬號主要功能：學生端操作分為軟件操作與任務提交兩塊內容，學生登錄教學管理系統，通過任務鏈接打開老師發布的任務，提交相關的任務結果信息。（1）學生賬號需展示出該學生賬號對應的當前任務概況（任務名稱、任務周期、任課老師）。（2）學生任務需顯示任務列表，包含任務名稱、任課老師、任務狀態、任務周期；需支持點擊查看任務詳情；需支持按照任務名稱、任務狀態快速查找任務。（3）評測結果信息需顯示任務名稱、任課老師、任務周期、最終得分，支持點擊查看考核結果。（4）基本設置支持學生修改學生賬戶密碼，補充修改個人信息，完善的學生個人信息可在管理系統中查看。5管理員賬號主要功能：管理員可以設置專業、管理教師賬號、管理學生、管理題庫等。（1）專業管理：選定院校，增加