从信用卡交易中收集大数据可能是少数几种消费者乐于接受的良性信息汇总方式之一。多年以来,消费者们一直将收集自借记卡或者信用卡的数据作为追踪支出数据、辨别欺诈活动或者统计一般性财政状况的有效手段。
不过随着随着数据逐步成为重要的新兴商品类型,发卡机构与支付活动处理企业开始意识到向零售商、银行、政府或者营销组织出售这些数据带来潜在收益的可能性。
在最近路透社发表的一篇英国本土报道当中,万事达卡北美海外业务负责人Ann Cairns指出,大数据销售已经成为该金融企业“一大迅猛发展的业务领域”。
这篇路透社的报道指出,万事达卡2014年第一季度在“其它类营收”(包括数据销售收入)方面实现了22%的同比增幅,具体数额为3.41亿美元。与之相对应,支付活动处理业务作为万事达卡的立足根基则只迎来14%的同比增长。
而且尽管各大金融服务企业不会锁定消费者的行为趋势数据,但看起来这类信息实际上存在着时效性限制。Cairns表示,万事达卡产生实时数据的速度要远高于其它那些积极寻求此类数据潜在价值的企业。
当然,Cairns强调称他们会删除这类数据中的所有个人信息,只保留能够反映消费者支付习惯与购买趋势的匿名信息。Cairns同时指出,零售商们已经对万事达卡的数据表现出深厚的兴趣。
“零售商们已经能够利用自身获得的数据来弄清人们如何在其店面中采购商品以及库存周转如何进行,但他们并不了解发生在店面之外的那些有可能影响购买活动的细节,”她在这篇文章中指出。“我们拥有的这些数据则以独特的方式贯穿整个市场。我们可以帮助零售商找到提升销售额的关键所在,从而成功捕捉更多商机。”
尽管万事达卡并没有向路透社言明大数据到底给他们带来多少收益(至顶网提出的询问也没有得到回应),但该公司一段时间以来确实致力于发掘由此产生的效益。去年,万事达卡为总部设于芝加哥的分析企业Mu Sigma公司提供了资金援助并与之建立起合作关系,旨在共同开发并销售大数据产品。
就在合作关系建立时,Mu Sigma公司已经拥有约2500位员工,并始终努力为医药、医疗、金融服务、保险、消费品以及零售等从业企业解决分析难题。
也许双方的合作关系已经开始为万事达卡带来回报。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。