金融服务从最初诞生开始就致力于推动人类社会的进步。古代时期,第一批金币和银币的出现便使得买卖双方的贸易往来更加轻松,人们不再需要依靠以物换物的方式进行交易。今天,金融服务正经历着自钱币发明以来最大的变革时期——数字化时代。面对从金融科技初创公司到加密货币的新挑战,金融机构正面临着重塑业务和运营的巨大压力。然而,这种变化带来的远不仅仅是对创新金融产品和自助服务平台的需求。
正如商业世界每一次的颠覆一样,目前金融服务业正在快速发生着巨变,人们常常足不出户就可以享受高效便捷的金融服务。如果人们为了在这一过程中看得更加清晰而按下“慢动作”按钮,那么他们会发现——推进这场演变的关键力量是人、流程以及科技。然而,人们的关注点往往只集中在科技层面。比如,为现代自助银行服务提供了基础的移动应用程序和云服务;又如,在投资和交易平台领域受到数字原生代欢迎的RobinHood或Revolut;亦或是提供交易跟踪机制、为每个加密货币提供核心支持的区块链技术。然而,疫情背景之下,流程和人这两个因素对金融服务业的未来发展同样重要。
在疫情严重的时候,世界各地数以百万的人们改变了习惯,越来越多地转向网上购物。2020年,中国电商交易额达到37.21万亿元,比上一年增长4.5%,其中,四季度电商交易额为11.29万亿元,同比增长9.8%。随着电子商务规模持续扩大,越来越多的金融服务(包括支付、贷款等)也转向数字化发展。因此,金融机构不得不处理大量的网上银行业务,同时,为了保证安全,他们只能使员工在家办公。疫情让我们看到了金融服务机构在未来必须面对的挑战。与此同时,中国正在实施大数据战略,建设数字中国,发展数字经济,推动了金融机构的数字化转型。金融服务机构需要敏捷灵活,以大规模、即时地扩展业务,并迅速对客户需求的变化做出反应。同时,他们需要使员工能够灵活地选择工作地点,弹性办公,以保持甚至提高生产力。
这里提到的灵活性分为两个层面——规模和地域的灵活性。并且,二者都需要在一个有效的安全框架中加以实施。毕竟,即使金融机构利用云技术在短时间内进行大规模扩展,或是部署了数字工作空间以实现灵活办公,金融服务行业严格的安全规则和合规条例仍然适用。这就是人工智能再次发挥作用的地方。人工智能已经被广泛用于金融服务,能够检测欺诈性交易、识别客户行为的趋势、分析风险格局变化等,它将在有关安全的所有领域发挥重要作用。未来银行业的数据量之大和交易速度之快使得安全分析环节无法交由人工干预。这就解释了为什么以人工智能为基础的持续监测将被用来检测任何形式的异常行为,包括从大规模的基于云的在线交易,到个别员工在办公室或居家工作时访问特定的应用程序的过程。
和其他行业一样,金融服务行业的员工也将在未来发挥关键作用。尽管自助网上银行有自动化的趋势,但金融服务工作所有流程的自动化还未能实现。毕竟,总会有这样的情况出现:客户期望的不仅仅是通过点击一个按钮就可以完成的简单交易。有的时候,无论是投资、贷款,还是其他财务事务,他们都希望能有人一起协商,为他们提供建议。在这种背景下,每一个金融服务数字化战略都需要关注自动化和非中介化,以及人这三个因素。对于金融机构来说,关键是要让他们的员工能够在任何地方、使用任何终端设备进行工作,使他们能够灵活地满足客户需求和期望。
但愿随着疫情环境的好转,金融服务业可以从 "恢复模式 "转回 "创新模式"。在努力重塑自己的过程中,金融机构有必要强调其数字化转型中的产品或技术。此外,分布式流程以及员工生产力和身心健康也同样应该得到重视,以提供更好的客户体验感。归根结底,良好的客户体验,包括技术和人文在内,是金融服务行业成功的驱动力。在金属硬币流通的时代是如此,在比特币时代仍是如此。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。