Corporate One 联邦信用合作社总部位于俄亥俄州哥伦布市,是一家非营利组织,近75年来一直为会员提供投资、融资和支付解决方案。在此期间,它适应了行业的诸多变化,始终致力于确保会员不会落后。
大约在2017年,经过多次头脑风暴会议讨论如何创新时,他们意识到需要更好地协调和促进金融系统之间的消息流通。Corporate One 一直致力于帮助会员信用合作社提升利润和有效管理现金,因此希望为行业提供新的支付渠道接入,并为信用合作社创造利用即时支付的机会。毕竟,金融机构的核心技术不仅仅是系统,更是存储所有关键客户账户信息的深度集成仓库,能够高效且安全地提供服务。
该公司执行副总裁兼首席信息官 Prashanta Pradhan 表示,由于这些核心系统的基础性作用,它们高度复杂且深度融入机构运营的各个方面。这种相互依存性使得从一个核心解决方案切换到另一个成为一项艰巨的任务。例如,如果你的核心系统不支持实时支付或某些特定功能,你要么等待核心系统引入这些功能,要么咬牙承担更换核心系统的工作。
借助中心的帮助
认识到这一现实后,Corporate One 创建了一个数据编排中心,允许不同的核心系统连接到其他服务。"这个中心让我们能够连接那些本来不相通的系统,这样我们就能提供新功能,本质上为会员建立一个创新服务生态系统,"他说。
实时或即时支付是一个非常成功的功能。通过与全球技术咨询公司 Xebia 密切合作,Corporate One 能够将各种核心解决方案连接到不同的支付渠道,如 The Clearing House (TCH) 和 FedNow。因此会员可以快速、安全地实时在银行账户之间转账。"我们负责核心连接和所有在这些渠道上往来的交易,"他说,"会员只需要连接到我们即可。"通过提供这个统一不同会员的编排层,Corporate One 使不同的核心系统能够相互通信,为改进流程和创新方式创造了机会。
当你从银行账户向同一银行的其他人转账时,过程是即时的,因为银行知道资金是合法的。如果你向其他银行的账户转账,会有延迟,因为对方银行需要验证资金。通过将不同的核心技术整合在一起,这个数据编排中心消除了这种认证的需求,因为不同的核心技术已经相互连接。
Pradhan 说:"这个想法源于我们了解到一群信用合作社向他们的核心供应商提出要求,希望添加100个大大小小的功能,以便更好地与市场上的其他参与者竞争并提供特色服务。核心供应商的回应是这需要长达50年的时间。我们希望加快创新周期,并通过无缝连接提供更便宜的服务。"因此,数据编排中心不仅降低了运营成本,简化了 Corporate One 会员的入职流程,还因为资金流转更快而提高了客户满意度。
但会员入职本身就是一个重大挑战。在编排中心的第一年,只有一个会员参与进来。"我们非常感谢第一个信任我们并与我们一起踏上这段旅程的信用合作社,因为这是一个全新的尝试,"他说。但这段旅程并非一帆风顺。这家首个信用合作社规模相当大,这意味着他们每天要处理大量交易。"当我们第一次启动数据编排中心时,交易量很大,这些交易的拒绝率也很高,"他补充道。"所以我们不得不立即关闭它,找出问题所在。"他们发现信用合作社的核心系统不够快,导致交易超时。"我们暂停下来,修复了核心系统,然后重试,"他说。"在最初测试时,我们没有这么大规模的交易。所以当我们上线时,核心系统还没有准备好。"整个过程中的每一天都是一次学习经历。
解决这些问题后,Corporate One 花了大约一年时间在美国各地与会员交流,教育他们正在做什么。在六个月内,多达40个会员完成了入职,如今,Corporate One 的编排中心已有超过60个会员。
回顾这个项目,Pradhan 强调你始终需要考虑目标受众,询问正在设计和开发的解决方案是否真正符合目标受众的需求。"大多数人都谈论这一点,但我觉得在许多情况下,我们没有给予足够的关注,"他说。理解这一点归结为与受众的沟通和建立牢固的关系。"如果你没有良好的关系,当遇到挑战时—因为一定会有挑战—你将无法克服它们并朝着共同目标前进。"
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。