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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。