至顶网软件频道消息: IBM在新成立的Watson Financial Services部门推出了第一套服务。
针对特定行业的Watson部门源自于IBM于2016年收购的Promontory Financial Group。Promontory是一个全球咨询公司,旨在帮助银行管理金融领域不断增长的监管和风险管理要求。
IBM已经利用Promontory的员工队伍——由前监管机构和银行业高管组成的行业专家团队——教授Watson所有关于监管、风险和合规性的信息。第一批认知工具涵盖三个方面:监管要求、金融犯罪洞察和金融风险建模。Watson支持的软件今天开始通过IBM Cloud提供。
对于Watson Regulatory Compliance,IBM表示已经启动了把200个不同来源的法规引入Watson人工智能平台的工作,以扩展系统支持合规专业人员的能力。
IBM Industry Platforms高级副总裁Bridget van Kralingen表示:“在两代人以前,IBM将首款计算机带入金融服务行业,让银行和其他机构通过更高效、准确地运营提升了市场的信任。”
她补充表示,“今天,为了培育信任,金融机构必须分析行业的信息价值来监控风险和合规性。没有任何个人或团队可以单独做到这一点,所以再次强调一下,IBM正在带来一种新型的计算——认知计算——以帮助这些专业人士更有效地经营。”
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。