亚马逊网络服务公司(Amazon Web Services Inc.)瞄准了金融分析师,为他们推出了一款专门设计的、新的数据分析工具。亚马逊表示这款新的工具将使他们能够比以往更有效地完成工作。
Amazon FinSpace是今天发布的一项新服务,其工作原理是汇总、分类然后标记来自各种不同来源的数据,让客户组织内部的任何人都可以更轻松地对其进行搜索。
该工具是专门针对对冲基金、资产管理公司、保险公司等公司内的分析师设计的。它为他们提供了一种更简便的方法,让他们能够按照需要对手头上的各种数据进行分析,这些数据的来源既包括内部的来源——例如他们投资组合管理系统、订单管理系统和执行管理系统内的数据,也包括第三方馈送的数据——例如海量的股票历史价格数据、就业数据和收益报告等。
这家云计算巨头表示,Amazon FinSpace很有必要,因为发现和准备分析需要的数据是一项非常耗时费力的工作,而且还非常复杂。数据财务分析师依赖的数据通常分散在多个部门之中,这些数据通常非常具体。
而且,对这些数据的访问通常都有非常严格的控制。一旦被授予了访问权限,分析师们就必须手动准备数据,并完成从数据中获取见解所必须的转换工作。AWS表示,Amazon FinSpace可以负责所有这些收集的工作,让数据可以立即被用于分析。
亚马逊的开发者“传教士”Sebastien Stormacq在一篇博客文章中表示,它所提供的见解也同样出色。他解释说,金融分析师通常依赖布林线(Bollinger Bands)和指数平滑曲线(Exponential Moving Averages)之类的技术指标来识别趋势和模式,但是,他们用来执行此项操作的传统工具并非专门针对云规模的海量分析。
结果,分析师们通常只好依赖比较小的代表性数据集,而这种做法会限制他们的预测能力,或者他们可以手动将数据分解为较小的子集,把它们零碎化,然后再手动进行重组。Stormacq表示,借助Amazon FinSpace,他们可以使用比以往大得多的数据集,这意味着从总体上来说,能够获得更准确的见解。
使用Amazon FinSpace,数据既可以通过FinSpace应用程序编程界面也可以通过基于web应用程序拖放界面被摄入到系统之中。然后这些数据会被以易于查找和共享的方式进行转换和组织。分析师们要做的一切只是浏览可视目录或者使用熟悉的业务术语进行搜索——例如“最近三年的期权交易”,然后他们就可以访问自己所需的信息了。
该服务依赖于Apache Spark分析引擎来完成数据转换。为了满足合规性要求,用户可以直接在服务中定义数据访问策略,这些策略将在数据搜索、可视化和分析等环节被执行。该服务还会跟踪数据的使用情况,并可以生成合规性和活动报告,以显示谁访问了特定的数据集以及他/她是在什么时候访问的。
Deloitte Touche Tohmatsu Ltd.首席和金融服务数据与分析负责人Jojy Mathew表示,他的公司坚信基于云的分析的潜力,因为它使得几年前无法回答的问题变得可能得到答案了。
Mathew表示:“当企业在构建算法、随即和预测模型的时候,大数据集非常关键。”他表示:“Amazon FinSpace将允许用户以需要的规模处理PB级的数据。此外,FinSpace还可以快速创建‘分析沙箱’,将高级分析功能带给平民数据科学家们。”
Constellation Research Inc.的分析师Holger Mueller对SiliconANGLE表示,公共云正朝着针对特定行业提供垂直服务的方向发展,而对信息技术有着较高支出的金融服务则是其中的重点领域。
Mueller表示:“AWS将整个五月份专门用于金融服务领域,从逻辑上讲,它是从一种解决方案开始的,该解决方案解决了金融机构难以应对的大量数据泛滥的问题。”他表示:“他们需要克服数据延迟、数据重力和数据出口成本等挑战。借助Amazon FinSpace,AWS正在应对这方面的多项挑战,不仅仅是数据管理方面的挑战,还有赋能方面的挑战,该公司希望降低平民数据科学家的使用门槛。”
Amazon FinSpace服务现在已经在美国东部的弗吉尼亚州和俄亥俄州、美国西部的俄勒冈州、加拿大中部和欧洲地区(爱尔兰)全面上市,不久之后,这项服务还将在更多地区上市。该服务的价格依据存储的数据量、用户数量和完成数据处理和分析所使用的计算能力来计算。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。