ZD至顶网软件频道消息: 随着银监会《中国银行业信息科技“十三五”发展规划监管指导意见(征求意见稿)》的推出,正式掀起了银行业上云的热潮。其中提升大数据的应用,推广基于大数据的风控更是受到业内关注。
风险定价和风险管理能力则是金融业的核心本质,能否更好的建立业务评审策略并有效监测风险决定了金融机构的业务规模和利润空间。大数据风控也是银行、金融行业上云的重要推动力和目标。
日前,百度云与民生银行的“风险预警项目”为大数据风控带来新的进展:依靠百度云在人工智能(AI)、大数据(Big Data)、云计算(Cloud Computing)ABC领域里的显著优势,百度云为民生银行风险管理和风险预警提供云服务。这是股份制银行首次将云服务运用到金融机构核心的贷后管理和信贷决策领域,对国内其他面临云端化转型的金融机构来说,有着重要借鉴意义。
大数据解决银行业风控顽疾 百度云担当技术“领头羊”
根据中国银行业协会《中国资产托管行业发展报告2016》显示,我国银行业资产托管规模已经突破百万亿大关。如能有效管控不良贷款、流动性等风险,将极大提高银行业的业务规模和利润空间。对此,在2017年全国银行业监督管理工作会议期间,银监会主席尚福林明确表示,将以坚守不发生系统性风险为底线,扎实推进不良贷款、流动性等六大重点领域风险防控。
近年来层出不穷的信贷欺诈问题,让银行业的风险管理越来越偏向构建以数据为基础,以计量模型为工具、风险指标的决策体系。但计算信用风险的违约率(PD)、违约损失率(LGD)以及风险敞口(EAD)等基础数据,加上市场风险的内、外部数据,这些海量数据在数字化时代急剧扩容,对于银行的大数据收集、处理能力,对于云服务提出了更高要求。这对国内目前的金融行业和云厂商来说,都是一个巨大的挑战。
百度云与民生银行的合作,让从业者们看到一条大数据在风控领域中开辟出的新路径。基于百度16年的技术优势,百度云大数据的收集、分析和计算建模能力在国内占据“领头羊”的位置,对于银行业关注的海量非结构化数据的处理质量较高,保障了风险数据的储备和规范性。此外,百度云能够将底层数据关联目标企业,并通过风险识别模型来判断其产生的风险信号。基于百度云的BOS服务和API对接银行内部业务流程,实现了对银行授信企业具有前瞻性和全面性的风险监测,这将有助于提升银行的风险收益并降低不良贷款损失。
据悉,百度云与民生银行已计划将云服务拓展至信贷评审、项目评审以及营销等多个领域。
技术+服务双驱动 “金融云”赛道领跑
随着政策的驱动与金融服务过程中难以规避的技术问题,金融机构对于云服务有着更加迫切的需求。同时,国内出现诸如百度云这样专注于云计算、大数据、人工智能的技术平台,以银行业为代表的金融机构将逐步改变以往自筹自建的技术体系。根据去年《中国金融服务业云应用调查》的结果显示,有近47.9%的中国金融服务机构表示“正在制定云战略”。如何快速抢占这块 “金融云”蛋糕成了国内云厂商新的挑战。
对于百度云而言,与民生银行的风控合作为挺进“金融云”市场迅速打开了局面。在最新一期产品正式上线民生银行业务系统后,百度云又与浙江省最大的民营担保公司之一温州中新力合征信服务股份有限公司签订合作协议,迅速完成对接并上线。周期如此短的研发、上线速度,全面显现了百度云的技术实力,同时也扫除了传统金融机构对于业务环境是否可靠、高并发的业务渠道能否免受流量影响、监控和管理要求是否严格、系统安全系数是否严苛等一系列困扰。
互联网覆盖了数以亿计的用户,始终处于新生与增量的金融市场中,大中小银行、券商、资产管理公司、担保公司、征信公司、互联网金融公司等对于金融服务有了更高的标准。归根结底,“金融云”的角逐要回归到金融服务能力方面。从这一点来看,百度云与金融巨头展开一系列“云端”合作之后,技术与经验的积累更加深厚,并在技术与服务理念的驱动下,已经处于“金融云”赛道上的领跑位置。这一位置,将吸引更多长尾金融客户的目光。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。