金融IT上云,科技引领业务
2016年7月15日,银监会发布《中国银行业信息科技“十三五”发展规划监管指导意见》征求稿,要求到“十三五”末期(2020年),银行业面向互联网场景的重要信息系统全部迁移至云计算架构平台,其他系统迁移比例不低于60%。此举意味着银监会明确制定了银行业上云时间表。
上云被提上日程,除了内部所需,也是外压所迫。互联网金融、第三方支付强势崛起、不断抢占市场,传统银行不得不加速互联网改革,才有希望弯道超车。云杉网络通过与银行客户的深入交流和总结发现,银行IT基础设施的建设周期包括两类:一类是已经完成互联网业务和部分核心业务的云化,正在精细化运营云计算基础设施;另一类是在分析自身现状和能力,为自身的云计算转型设计最佳的战略,包括自建私有云、使用金融行业云、混合云等方案。
金融云服务,将联合其他金融IT方案,为银行、基金、保险等金融机构提供IT资源和互联网运维服务,开展面向银行业的公共云平台规划和建设,让金融机构能够更好地开展互联网业务。只有使金融业务与科技深度融合,从“科技支撑业务”走向“科技引领业务”,才能逆流而上。
作为所有行业中最重视数据安全和高度监管的行业,上云过程中将面临技术选型、架构转型、安全风险等诸多考验。但是,这些困难反而激发了创新的动力:公有云服务商着手拓展大型银行(如AWS密切跟进摩根、花旗、高盛),金融科技服务商打造行业云(如平安科技推出平安云),中大型银行自建私有云(如光大银行)。
深耕金融场景化,重推金融云平台
平安云,诞生于平安集团的科技大本营。从2013年底立项以来,目前已经推出IaaS层的全套产品线,为金融行业客户提供可靠、弹性、高效、集约的基础架构层服务。
平安云的领先性包括:
云网络面临的双重挑战
网络是数据和安全的基础,网络一直是云计算中最引人关注的领域,金融云网络更是金融系统上云面临的最大挑战。如何实现网络架构安全合规?如何交付灵活弹性的网络资源?如何快速排障保证网络稳定可靠?这不仅是业务上的难题,更是行业中的挑战。
1 业务形态:对网络运维和管理提出挑战。
2 行业形态:对网络整体架构提出挑战。
平安云网络建设之路
平安云总体架构
在计算方面,平安云是中国第一家推出容器云服务的金融行业云。在网络方面,包含网络服务和网络运维两大体系:网络服务以NSP(Network Service Platform)数据中心网络资源统一管理平台为核心,站在网络运营视角,融合SDN、NFV等技术,提供稳定、可靠、可控、可连续的VPC业务;网络运维以AlphaOps智能运维平台为核心,提供云数据中心网络运维能力。
网络服务体系
NSP交付的网络服务分为Fabric服务、NF(网络功能)服务、增值服务三大部分。
网络运维体系
自研的AlphaOps是服务于平安金融云的智能运维平台,全覆盖网络物理资源和逻辑资源,提供流量数据分析、拓扑管理、网络资源管理、配置、日志、监控探测等运维服务。如此庞杂的网络业务应用,更需要一套完整、可见、可管理的监控系统。
其中,因为SDN的引入,为网络带来了虚拟网络和虚拟网络功能,由此形成了新的网络运维和管理的痛点,现有的技术及方案面临巨大挑战。
云杉网络与平安云的合作
云杉网络与平安云的合作源于2016年初,由于在开放网络和软件定义网络等理念上的一致性,双方很快便建立了技术及方案层面的合作,并且通过需求挖掘、产品对接、POC、产品上线等流程,云杉网络的产品顺利在平安云生产环境的网络中实现部署。
其中,DeepFlow与平安云管理平台、NSP和AlaphOps紧密联动,构建了覆盖整个云网的网络大数据分析平台,成为平安云进一步打造网络智能平台的基础。DeepFlowTM,以数据场景化为核心,覆盖物理网络、虚拟网络和云网环境,并从采集、分析、可视和控制四个维度,构建数据驱动的分析平台。
云杉网络DeepFlow,是国内首个数据驱动的云网可视化与分析平台。基于SDN技术,为网络的管理带来了“开放可编程”和“细粒度可控”的根本价值。
未来展望
平安金融云,将持续推动平安集团3.0战略(大金融资产+大医疗健康)更快发展,打造金融平台业务,占领数据和生态阵地,为集团互联网、业务云、生态圈的爆发式增长保驾护航。
未来,在网络服务和网络运维的建设中,将以数据化、自动化和精细化管理为目标。云杉网络将与众多金融客户一起,在金融行业“十三五”发展规划建设指导下,积极应对金融云发展面临的挑战。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。