在我国的科技金融市场，以P2P与众筹为例，甚至也包含智能投顾，其针对的借款主体多半是私人借款人，针对它们信用评估的方案以这些人为判断评估的方法为主。它们大多是一些针对人的行为举止等无法被完全量化的问题与指标，然后为给这些问题的回答打分。评估机构不同，其所针对的重点与问题和积分也相互有差异，很难被标准化与统一化，特别是积分等。针对的人群不同，方案也大相径庭。

　　基于人为的判断方法通常关注人潜在的还款能力和意愿、借款人未来进项账目的质量（例如现金流是否稳定、期限多久、额度多大、未来产生这些现金流的可能性等，这些指标对于企业和个人来说，尤其是个人，都较难被量化成统一的标准）、借款人还款的灵活性、借款人的可信度与诚实度、其行为的不确定性以及提供的信息质量等。这些都属于较难被量化与标准化的指标。并且，一个有从业经验的专业人员综合各种因素做出的主观判断结果，往往优于纯粹按照数理统计模型所计算评估出来的结果。这也是为什么在这个问题上，现阶段机器可做的极其有限。一个简单的例子，机器取代不了心理学家的职能。而在做贷款信用评分的时候，那些人为的判断方法多半离不开这些因素的影响。

　　我们以个人信用评分系统为例，它通常按模型所预测的目标划分为六种类型：风险评分、收益评分、流失倾向评分、转账倾向评分、循环信贷倾向评分与欺诈评分。大部分这些评分所需要的指标，都需要建立在主观判断与评估的基础上，并且其对于从业人员的专业理解力也有一定的要求。

　　而对于那些以来数理统计方法的指标来说，我们建议也配合上人为的专业判断力作为补充。所谓相辅相成，就是这个道理。人工智能在很大程度上方便了人们的生活，但是必须对其进行理性认