很多消费者似乎认为如今的银行机构已经找不回当初黄金时代中的那股自信与良好表现。好莱坞最著名的银行家形象George Bailey就总是站在柜台旁,不断为个人客户发出提醒并提供帮助。是的,至少在《生活真美丽》中是这样呈现的。虽然技术能够让我们更好地与自己的资金建立关联与联系,但这种过于丰富的联系同时也牺牲掉了个性因素,并导致我们的大部分交互只能通过屏幕进行。在这个数字化的银行世界当中,很少有客户指望着银行经理通过与其面对面交流,更不用说了解他们的个人信息了。
然而,如果这种情况真的发生了,您愿意接受吗?如果开放银行连接,让AI与5G带宽组合取代当前广泛存在的概括性银行服务,转而提供定制化、高度个性化、一致性更强且真正令人愉快的数字交互,结果会如何?事实上,很多银行家都在积极探索并希望尽快将这一切变成现实。
在我们整理的2019年银行业技术愿景调查当中,埃森哲公司对全球27个国家的近800名银行业高管进行了访问。从传统角度讲,银行业一直是一类保守的业务,但有96%的银行业高管表示,过去三年以来,公司的创新步伐正逐渐加快。更令人意外的是,与旅游及媒体等受到新技术冲击更明显的行业相比,银行业的创新比例反而更高。
银行业的创新不仅仅在于通过我们的计算机桌面与移动应用程序提供更多便捷性选项。银行业已经走入后数字化时代,即将关注重点转向能够主动帮助客户获得更佳财务生活的技术。在埃森哲的调查当中,有85%的银行业高管表示,消费者与数字工具间的交互方式所产生的数字人口统计数据,足以为客户带来强大的新型财务体验。同样的,绝大多数银行业高管(80%)表示AI等新兴技术将为消费者提供与财务相关的建议构成新方法。
那么,这些背景因素到底会如何促进银行的个性化转型?具体来讲,AI技术能够收集、筛选并分析与客户相关的数千条信息,这意味着每位用户都将拥有更为坚实的画像基础,AI也能够借此将“了解您的客户”这一监管层面的难题转化为积极的业务目标。数字人口统计数据将对身份证明流程进行解析,缩小客户与银行服务方之间的距离。当您真正认识一位顾客时,冒名顶替者以及欺诈分子的介入将变得更加困难。
但更重要的是,通过对客户需求、偏好以及行为的深入了解,银行方面还能够以更高的个性化水平思考如何帮助客户获得更理想的财务生活。举例来说,将AI与账户余额及支付历史记录相对接,即可帮助银行预测客户何时会发生透支,并自动重新安排付款到期日等。AI与其它形式的数据分析结果亦可向用户提供积极的建议,例如确定一次性购买年票将比购买每日通勤车票更省钱,而后提供简单的消费贷款完成通行证付款等。目前,只有富人才能获得真正的个性化银行业务,而这又反过来令他们的财务状况不断提升。正因为如此,私人银行才往往拥有极高的客户忠诚度。相比之下,大多数其它银行仍然根据广泛可用且相当粗略的预测性信息(例如居住地址、信用评分、年龄以及性别等)对客户进行粗糙地管理。
此外,先进的富数据技术也使银行能够更有信心地为潜在消费者提供服务。在印度,有1.9亿人没有银行账户,贷款平台SlicePay通过基于1万个数据点的信息系统建立申请人档案,对被其它财务机构排斥的人们进行“信用”检查,包括高等教育情况以及在社交媒体上发布内容的相关信息。这种更为具体的信用评分机制有助于扩大印度的信贷渠道。而且令人意外的是,这种金融排斥绝不仅限于新兴市场。时至今日,仍有约10%的美国成年人没有银行账户,不使用银行服务的群体占比更高。因此,即使在像美国这样的发达经济体当中,以合适方式使用AI与替代性数据来源也能够帮助银行向那些没有传统支票账户与三位数信用评分的人们提供贷款。而对于已经拥有信用记录的人们来说,更丰富的信息也能够为其创造更理想的贷款条件。《华尔街日报》最近报道称,一家信用卡发卡机构正在权衡各类非传统信息,例如在折扣店内购物的人还贷款的比例更高。如果您的行为能够证明您的信贷风险更低,那么您将能够因此获得更可观的利息优惠。
银行将继续探索如何利用数据与新技术,从而以前所未有的方式赢取客户忠诚。各个行业的高管都在谈论如何才能让客户更加满意,但这通常最终只会落实到要求工作人员在店面主动向客户打招呼,或者提供更快速的退化政策。现在大家不妨想象一下,您的银行能够挖掘您的购买历史,了解您最近几年当中曾经购买到Taylor Swift演唱会的门票。以此为基础,它每个月都会为您准备一些独家的偶像礼品或者活动名额——这显然更令人兴奋,对吧?当然,George Bailey不会做这些事,但请相信我,AI可以做得更好。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。