和其他受监管的行业一样,金融服务业的首席数据官的数量也在急速增长,但是一些公司仍然无视这种潮流——而且也成功了。一个最著名的例子是美国道富公司,在这家公司中,处理快速增长的非结构化信息的任务并不是由首席数据官承担的,而是由该公司的首席科学家David Saul负责,他负责监控整个组织内部技术变革的方方面面。他在最近闭幕的麻省理工学院CDOIQ Symposium大会上参加了SiliconANGLE的theCUBE,并且和主持人Dave Vellante和Paul Gillin分享了这个行业中最热门的趋势和分析,特别是他所供职的企业的IT路径图。
总部位于波士顿的美国道富银行是美国第二历史悠久的金融机构,并且是全世界资产最为雄厚的金融机构之一。这家买方巨头声称在它的主托管业务中管理了超过28万亿美元的资产,在它的投资服务业务中管理了大约2.3万亿美元,这些加在一起是非常重大的管理责任。自从该公司在四年前设立了首席科学家这个职位之后,该职位就一直是由Saul担任的,他负责确定并实施新的解决方案来应对这些令人生畏的挑战,让这家公司能够更有效地达成自己的商业目标。
他强调说道富公司一直坚持努力站在潮流前沿。这家企业将自己看成是在组织层面采用云计算方面全球领先的金融巨头,这些行动为新的行动开辟了道路,如果既有的环境无法支持的话,要做到这一点就算不是完全不可能,至少也会困难得多。转型的果实包括Springboard,该公司的移动服务,这项服务让客户可以直接在他们的平板电脑上查看自己的投资组合。
比这个应用更加值得关注的是道富公司的内部社交网络,Saul表示内部社交网络让员工可以跨越几十个地理上分散的分支机构,彼此沟通、合作。建立这样一个平台是一个复杂的任务,特别是这家企业需要这款软件能够同之前已经在使用的文件分享技术集成在一起。他解释说,“我们并不希望放弃一个已经融入企业文化之中的重要工具,如果大家对于使用某一款特定的工具感到很满意,我们希望确保这款工具能够继续保留下来。”
数据具有替代性的优先级
但是和它们同样重要的是,道富公司对云计算、移动和社交项目的关注远不如它对数据的关注,Saul将其称为替代性的优先级。“涉及到数据有很多问题:数据在哪里驻留?我们是否能够对它们保持控制?我们是否能够确保数据的安全性、私密性和各种其他问题?”
该公司采取了计算和精明的方式来解决这些需求,他们将日程划分成两个不同、但彼此交错的部分。首先是挖掘现有的客户数据和新的外部资源,这正是这家企业的商业价值所在,其次是解决随之而来的风险。从历史上看,金融服务供应商都是将这些任务分开处理的,但是Saul指出现在有可能将这两个流程利用数据语义衔接起来。
他认为,“能够发挥数据分析和风险管理之间协同效应的企业一定是那些不会将它们当成是两件独立的事情并分开处理的企业。”他表示,“如果我们能够映射这些数据源,并且了解它们的含义,我们就能够完成双重任务,所以我们没有理由要将数据分析和风险管理分割开来。”
Saul表示,将信息管理不同方面的难题集中到一起,成为一个统一体,最终将让金融机构准确地找到数据集的最初来源,以及数据集是否有任何修改,要做到这一点还有很长的路要走。通过大量的、更广泛视角的方法,有可能简化欺诈检测,提高透明度,这些将提高整个行业的最佳实践水平。但是这需要更全面的标准化。
他表示,“如果我们有语义的行业标准的话,就会产生多用户放大效应,因为这就意味着我们可以和我们的客户交换数据,而且更重要的是监管者。”他接着表示,“想想看监管者在要求信息的时候面对的问题,他们得到的是各种各样格式的信息。”Saul表示,提升监管水平意味着在系统中增加信任,这一点已经被证明能够促进投资,从而带来更广泛的经济利益。
好文章,需要你的鼓励
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
中国人民大学研究团队开发了Tool-Light框架,通过信息熵理论解决AI工具使用中的过度调用、调用不足和过度思考问题。该框架采用熵引导采样和两阶段自演化训练,让AI学会合理使用外部工具。在10个推理任务测试中,Tool-Light显著提升了AI的效率和准确性,为AI工具集成推理提供了新的解决方案。