金融业是国民经济的命脉,随着移动互联、在线支付的兴起,数据成为企业越来越重要的资产,金融产业也发生了翻天覆地的变化。特别是金融+科技的结合,让金融产业提供的能力正在从过去围绕资金的服务逐步向围绕数据的服务转变。
与此同时,金融业面临着整个市场饱和及互联网金融等新兴金融服务的竞争,特别是对中小商业银行、证券和保险等行业带来了巨大的挑战。如何借助科技的力量来实现自身竞争力的提升,成为金融企业面对的最大挑战。因此金融业在积极构建现代数据架构和借助强大的智能平台,来加速开拓业务应用,并发挥数据价值,最终实现运营成本降低和营销精准化。
移动互联时代大大加速了数据(结构化和非结构化)产生的速度。对于某城商银行来讲,包括Oracle、DB2、MySQL、SQLServer关系型数据库以及MongoDB, HBase、ActiveMQ, WebService等不同的环境和包括更多的网站APP日志、社交媒体、视频、图片等海量数据的产生。
同时这些数据由于存在包括公有云、私有云和传统数据库上等不同的设备和应用上,导致了数据孤岛的产生,造成了数据无法打通从而影响数据的访问,让企业从数据中获取真正的分析洞察变得更困难。对于某城商银行来讲,无论数据在哪里,希望通过AI来把各种类型的数据快速地收集起来形成统一的数据湖。让数据变得简单且易于访问。
数据孤岛不利于人工智能的采用,同理,太多的数据也给金融业带来数据治理等问题。
随着某城商银行在个人、公司存款、贷款类、信用卡,理财等线上线下等上百种应用业务的增加,如何从海量的业务需求中精准的筛选有效数据成为该银行业务提升的核心需求。因此如何将大量收集来的数据有效的整理、分类、打好标签,来实现数据治理是某城商银行在数据治理过程中面临的挑战。某城商银行CIO表示,“我们面临的一个大的挑战是缺少一个有效的数据治理工具,来实现对海量的数据进行分类和打标签,从而实现对数据进行有效价值的挖掘。”
伴随着全球经济的不确定,某证券公司需要快速实施数据建模和数字画像来为客户提供有价值的信息。目前金融业实施的传统数据分析系统不能快速有效的构建数据模型,来第一时间和客户需求和服务结合起来。对于某证券公司来讲,首先缺少一个支撑多云环境的AI平台来快速搭建构建一个自动化的、更精细化、快速洞察、实时分析的机器学习模型,帮助该证券公司用更智能的方式去分析数据。伴随着机器学习理论的发展和成熟如何第一时间、快速建模、精准判断成为人工智能重要的应用趋势。金融行业特别希望获得能够快速构建对数据进行精准识别和分析的AI工具。
对于金融业来讲,资产管理正在经历重大变革。商业模式正从基于佣金的方式转变为基于目标的计划辅助工具,对客户进行精准的需求分析和个性化的服务成为行业的需求。因此如何通过AI工具来获得客户洞察成为金融业资产管理最直接和有效的手段之一。
某证券公司负责人谈到,“我们希望构建一个营销分析支撑平台,来实现业务向数据驱动客户洞察来转型,通过实现收集客户全景信息,通过全角度分析,来建立有效数据支撑的决策机制,并实现业务转化机制。”如何通过AI分析和认知工具来认知用户,帮助了解每个客户及其财务目标,来量身定制的产品和服务,并提供更好的差异化财富管理经验成为证券公司的新需求。
面对包括金融业在内的所有希望利用AI来赋能数据的企业,至顶网将推出《AI江湖事儿》的大咖说短视频栏目,邀请IBM大咖专家围绕AI讲述企业故事中的场景落地,针对更多行业AI使用场景进行探讨,深入浅出的讲解AI如何结合行业数据来赋能应用实践。
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
加拿大女王大学研究团队首次对开源AI生态系统进行端到端许可证合规审计,发现35.5%的AI模型在集成到应用时存在许可证违规。他们开发的LicenseRec系统能自动检测冲突并修复86.4%的违规问题,揭示了AI供应链中系统性的"许可证漂移"现象及其法律风险。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
这项由剑桥大学、清华大学和伊利诺伊大学合作的研究首次将扩散大语言模型引入语音识别领域,开发出Whisper-LLaDA系统。该系统具备双向理解能力,能够同时考虑语音的前后文信息,在LibriSpeech数据集上实现了12.3%的错误率相对改进,同时在大多数配置下提供了更快的推理速度,为语音识别技术开辟了新的发展方向。