网点时代、网银时代、移动互联网时代,进一步延伸到金融科技时代,在《Bank 4.0》一书中,作者阐述了金融服务银行的四个阶段。依托AI、云计算等技术,银行业越来越呈现线上化、数字化、自动化、智能化,与此同时,越来越多的便民服务陆续推出。作为消费者,我们也能够感同身受,装上手机银行,就不用大事小事跑银行,跑证券了。
而这些便捷服务的背后,是金融企业一点一滴的数字化步伐。创建于1975年的大马银行(AM BANK),是马来西亚的第五大银行,总部位于马来西亚首都吉隆坡,当前有200多个分支机构。大马银行目前有两个主要在线项目,分别是AmOnline与AmAccess Biz,用于为中小型企业提供现金管理解决方案。
大马银行的COO Datuk Iswaraan Suppiah表示,“我们的基本思路,是为客户提供更顺畅的服务体验。我们意识到,分支机构所能提供的银行服务本身仍然比较有限。我们希望能够在客户的整个生态系统当中提供银行服务。”
在新冠疫情期间,大马银行集团的数字银行平台AmOnline迎来了高达70%的采用率增幅。Iswaraan表示,与传统业务渠道,如分支机构与自动柜员机等相比,大马银行在最近一段时间的数字渠道客户数量确实迎来显著提升。“以前,分支机构在零售业务总额中占比在60%到70%。但现在,其交易总占比已经下降至7%到10%。”在红帽公司近日召开的一次线上发布会中,他强调,“我们注意到,目前近九成的交易开始通过数字银行平台进行操作。”
基于此,大马集团决定将大部分预算投入到数字功能升级当中,同时增强互联网银行服务客户,特别是给移动设备客户提供便利性体验。Iswaraan表示,AmOnline平台与两年前刚刚推出时相比,客户数量已经大幅增加。大马银行当前目标是到2021年3月底,在AmOnline上拥有140万在线客户。大马银行的另外一款产品AmAccess Biz,自去年年底平台上线以来,已经帮助大马银行吸引近8000家企业客户。而展望下一年,预计这一数字将至少翻番。
伴随着数字化的不断深入,大马集团还将出台更多项目,包括投资建设更为完善的开放应用程序接口(API)规范,帮助开发人员以多种方式使用特定软件产品,包括将其纳入第三方项目当中。“已经有部分客户通过我们的开放API与其他合作伙伴建立联系,这也正是我们最初制定的服务目标所在。”他补充道,“大马银行希望在数字领域提供更便利的服务体验,但我们原有的分支机构、自动柜员机以及实体银行业务将继续运营,不会受到影响。”
在创新实践过程中,大马银行对全新及现有信息技术应用进行集成,开发云原生应用程序,并且在操作系统之上推进标准化与自动化,同时保护并管理复杂的银行业务环境。凭借对红帽企业级开源解决方案的创新使用方式,大马银行拿下了2020年马来西亚红帽亚太创新奖,和云原生开发方面的冠军。这次奖项评审的依据,在于企业在红帽方案部署当中能否体现出独特的业务目标,对行业或者社区影响,以及项目发展愿景。来自美国的红帽公司,是企业级开源软件解决方案市场上的领先供应商,通过社区支持机制提供可靠且性能强大的Linux、混合云、容器以及Kuberntes技术方案。
随着红帽产品在银行内部当中建立起新型工作方式,大马银行能够更好、更快地推出银行数字化产品,并借此占领更可观的市场份额。与此同时,红帽解决方案凭借着出色的规模扩展与业务敏捷性支持能力,成为大马银行战略转型中不可或缺的组成部分。Iswaraan总结道,“大马的愿景,是希望成为金融服务领域的‘领头羊’。通过降低运营成本及改善服务,大马银行正快速引入并交付新型金融数字服务,借此改善我们的客户服务质量。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。