至顶网软件与服务频道消息:去年年底,IBM方面宣布与美国银行建立合作伙伴关系,共同开发用于金融服务行业的公有云(美国银行将成为首家客户)解决方案。这一消息之所以值得关注,是因为在我看来,云服务市场的现有水平还无法满足银行等强监管类行业对于安全性、隐私性以及网络弹性级别提出的严苛要求。
就在本周,IBM方面发布了此项计划的最新动态,宣布了第一批独立软件供应商(ISV)以及软件即服务(SaaS)合作伙伴,这些合作方将把自己的产品引入IBM打造的金融服务云体系。下面,我们略过其中的繁文缛节,直击项目本身的当前定位。
建立生态系统
IBM专门用于支持金融服务的这套云体系计划于2020年下半年启动,正如前文所提到,美国银行将成为该云的首家客户。对于IBM来说,这代表着一项巨大成就,但建立成功生态系统还意味着吸纳更多组织加入自己的阵营。具体来讲,如何招揽与金融机构具有业务往来、负责为金融机构提供服务的独立软件供应商及SaaS供应商,将成为其中的一大核心难题。只有吸引到足够的合作者,IBM才能真正向各类小型/大型银行敞开怀抱,并广泛参与到全球产品交付的浪潮当中。就个人而言,我认为枯燥乏味的安全性与合规性演习,一直是阻碍合作方加入并推动广泛行业合作/创新的最大障碍。IBM公司则着手为那些希望通过公有云交付解决方案的组织提供合规实施方案及证明流程,借此扭转目前的不利局面。IBM表示,他们这套支持金融服务的公有云将帮助各类组织加快并简化参与银行业务往来及合规证明的具体流程。
在将自家产品托管在IBM金融服务云上的独立软件供应商与SaaS厂商的首批名单当中,我们看到了Assima、C3.ai、Finacle、Inteelect Design以及Thought Machine的名字。这些都是广为人知、值得依赖的著名供应商,应该也能让金融机构在选择IBM的云产品时抱有更坚定的信心。IBM方面表示,这些独立软件生态系统合作伙伴都将经历严格的核准流程,整个审查由IBM支持并充分考虑到金融服务业的实际需求。
安全增强
那么,IBM要如何说服一直对安全问题保持警惕的金融行业,将其极度敏感的运营体系迁移到公有云当中?最基本的前提,就是尽可能提升安全性与合规性水平。IBM正在为各独立软件供应商及金融机构提供帮助,引导他们定义并监控当前安全性与合规性态势。
IBM方面指出,其内部咨询公司Promontory将帮助各类组织理解法规要求,同时为各组织提供参考架构,帮助用户利用自动化与集成化DevSecOps流程在公有云当中高效部署并管理安全性与合规性控制方案。
此外,作为项目推广工作的一部分,IBM还扩展了Hyper Protect加密服务,高度关注数据保护工作。除了对应用层级的加密提供最新支持之外,密钥管理器还可以利用智能卡帮助组织立足传输流程保护数据安全。组织将能够保留自己的密钥——换句话说,即使是IBM内部员工也无法访问未经加密的客户数据。在我看来,IBM云解决方案的核心优势也正在这里。尽管其他不少云服务商也宣称允许客户“自带密钥”,简称KYOK,但IBM提供的基于硬件的安全保护区真正让客户获得了对密钥的全面控制权。在这项功能的支持下,IBM的产品得以满足FIPS 140-2 L4级别的安全认证要求,即最高安全认证级别。由于不具备这一核心硬件组件,目前还没有其他哪家云服务供应商能够通过这项认证。
总结
就目前来看,IBM公司在构建全球首套可用于金融服务的公有云方面表现不错。随着美国银行成为其首批客户,外加众多独立软件供应商/SaaS合作伙伴的积极加入,整个生态系统正在逐步成型。IBM公司在硬件/大型机安全领域方面的深厚技术积累与创新成果,使他们与大多数竞争产品区分开来,并真正实现了KYOK与最高级别的安全认证。也许这一切,能够说服金融服务行业将其高敏感度业务迁移至公有云,并给整个行业开启前所未有的创新时代。未来如何,让我们拭目以待!
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。