當大多數(shù)銀行還在逐步網(wǎng)絡(luò)化的時候,后發(fā)的網(wǎng)絡(luò)銀行則將基礎(chǔ)扎根在云計算上,實現(xiàn)技術(shù)上的彎道超車。
國內(nèi)首家跑在云端的商業(yè)銀行——浙江網(wǎng)商銀行即將在6月26日開門營業(yè),這家沒有線下營業(yè)網(wǎng)點的創(chuàng)新金融機構(gòu)將通過互聯(lián)網(wǎng)來開展服務(wù),而背后則基于阿里云計算構(gòu)建而成。
網(wǎng)商銀行旨在通過科技驅(qū)動,普惠金融。不關(guān)注能帶來80%收益的20%大客戶,而會立足小微,以互聯(lián)網(wǎng)的方式去經(jīng)營80%的長尾用戶。并由此倒逼技術(shù)創(chuàng)新、模式創(chuàng)新,創(chuàng)下了多個國內(nèi)第一。
一、技術(shù)員工比例第一
當前300多員工的網(wǎng)商銀行當中,三分之二的人員是科技人員,從事數(shù)據(jù)建模等工作。
“我們一直說銀行就是有個牌照的技術(shù)公司,大家了解國外銀行的技術(shù)團隊有多大,技術(shù)力量有多雄厚。我們希望技術(shù)在這里面起到驅(qū)動作用,對整個銀行的業(yè)務(wù),銀行成本降低和運營方面,能夠在技術(shù)上起到很大的作用。”網(wǎng)商銀行高管表示。
此前,無論是大型銀行,股份制銀行和其他的中小商業(yè)銀行,國內(nèi)比較高的在10%左右。
二、第一個自主開發(fā)的銀行系統(tǒng)
據(jù)網(wǎng)商銀行高管透露,此前漫長的籌備期當中主要工作集中于打造一套自助可控的核心系統(tǒng)。因為側(cè)重于小微客戶,考察了非常多的科技公司與系統(tǒng)提供商,但尚無成熟的現(xiàn)成技術(shù)方案。于是開始打造真正意義上的國產(chǎn)自主的銀行系統(tǒng)。
可以預(yù)見的是,網(wǎng)商銀行在已有支付寶、螞蟻金服等系統(tǒng)的基礎(chǔ)上將開發(fā)出一套更強的適合自己的系統(tǒng)。未必如大銀行那么龐大,但勝在靈活與可控。
三、云計算與金融云
據(jù)了解,在已有螞蟻金服運行云計算的積累上,網(wǎng)商銀行徹底地將核心系統(tǒng)構(gòu)建在云計算上,并由此與阿里云計算一起打造金融云。
“阿里云造了一個非常好的地基,把底層技術(shù)很多問題都解決了。金融云是在這個地基上引入了很多的金融模型,說客戶模型、產(chǎn)品模型、帳務(wù)模型等,同時金融云關(guān)注金融本身的嚴謹性和周密性、安全性的考慮。然后不斷豐富銀行對外的服務(wù)。”網(wǎng)商銀行技術(shù)負責(zé)人表示。
這也意味著網(wǎng)商銀行不會采用傳統(tǒng)的IT方案,另辟蹊徑以更開放、互聯(lián)網(wǎng)的思路去圍繞用戶作為。
通過大量采用云計算和互聯(lián)網(wǎng)技術(shù),網(wǎng)商銀行具備了技術(shù)上的優(yōu)勢。而這些優(yōu)勢則帶來更好的用戶價值。如因為更低的IT成本,網(wǎng)商銀行的賬戶管理成本一年低于1元,遠低于傳統(tǒng)銀行模式的50元。因此帶給客戶的直接好處就是免收年費。
阿里金融云是基于阿里云計算和螞蟻金融技術(shù)能力的金融云,阿里云針對金融行業(yè)定制開發(fā)、可提供數(shù)據(jù)災(zāi)備等金融級別IT服務(wù)的云平臺,目前已有數(shù)百家銀行、保險、證券、微金融機構(gòu)的業(yè)務(wù)運行在阿里金融云。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。