智能风控模型面临的主要技术挑战包括（ ）。A. 实时计算性能要求B. 数据稀疏性（小样本学习）C. 硬件设备成本过高D. 算法可解释性（黑箱问题）

智能风控模型的核心目标是通过技术手段识别和防范风险，其技术挑战主要集中在数据处理能力、模型训练效率、结果解释性等方面。本题需重点理解以下关键点：

1. 实时计算性能：风控场景常需快速决策（如交易反欺诈），对系统响应速度要求高。
2. 数据稀疏性：金融领域高风险事件样本少，模型需处理“小数据”场景。
3. 可解释性：金融监管严格，模型决策需可解释，避免“黑箱操作”。

硬件成本属于资源问题，非技术挑战，故排除。

选项分析

A. 实时计算性能要求

正确。风控场景（如支付风控、信用评估）需实时分析数据流，对计算延迟要求严格。若性能不足，可能导致风险漏判。

B. 数据稀疏性（小样本学习）

正确。金融风险事件（如欺诈、违约）发生率低，导致标注样本少。模型需在数据有限情况下保持高精度。

C. 硬件设备成本过高

错误。硬件成本属于实施成本问题，与技术实现无关。题目限定“技术挑战”，故排除。

D. 算法可解释性（黑箱问题）

正确。风控决策直接影响用户（如授信、风控拦截），需解释模型逻辑以符合监管要求（如《GDPR》）。