近几年,随着互联网及人工智能的逐渐深入,金融科技的发展,特别是移动应用的普及,金融场景的数字化强度和金融业务的数字化广度都在急速扩张,每一个从业者无不被裹挟其中。
对于银行而言,首当其冲的变化便是线下网点逐渐转向了线上。疫情之后,变化则更为明显,原本已经受到冲击的银行线下网点愈加面临挑战。
这样的变化也直接反映在了银行柜员数量的变化上。
银行柜员数量减少的背后
2019年对于银行的前端银行网点模式而言是不平凡的一年,网点数量大幅缩减。据数据统计,2019年国家六大行网点合计减少836个,同时六大行合计员工数量减少1.15万人。截止2020年7月,全国有1730家银行网点终止营业。
而柜员数量的减少也恰恰反映了各大银行离柜业务率的明显提升。
根据中国银行业数据协会显示,2020 年银行业离柜交易率接近90%,2012年这一数值仅为54.37%。
十年间,离柜交易率提升了36%,这导致全国ATM在2021年就减少4万台,银行网点在2020年就关闭了6275家,按照这样的速度,可以预见,未来银行线下网点还将继续下降。
与此同时,随着离柜业务率的明显提升,挑战也接踵而至。
银行提升用户体验之困
以博睿数据服务的某银行客户为例。
其一,大数据时代加速了银行场景化、智能化、线上化的业务探索,越来越多的银行开始意识到未来的商业银行需从数据中攫取价值,以高质量的数据和强大的数据分析能力,支撑金融业务全场景的加速创新,以获得持续的产业竞争力。
6月 10 日,随着《数据安全法》的落地,数据的安全性又将提升在更为重要的位置,这对于大多数银行来说都将是一个极大的挑战。
此外,当前国家对网络安全极为重视,通过开展攻防演练,确保网络安全。每当重要活动期间,银行被列为攻击目标的可能性极大,因此,对于银行而言,官网及其关键网站的安全性要求极高,一旦数据被劫持或篡改,后果难以预知。
其二,当银行网点逐渐转向线上后,新系统上线频繁,大量系统割接及网络切换等变更验证工作量巨大,要耗费大量人力。
其三,在银行数字化转型的过程中,由于安全建设不充分,运维人员较少,当线上网点逐渐增多,维护网站的稳定性及排障也成了一大难题。当问题出现后,系统故障排查与定位的人力成本消耗大,排查周期长,复杂故障引起的宕机等挑战将直接影响用户体验。
其四,在全面构建IPv6网络基础设施的趋势下,部署具有IPv6兼容性的Web服务已经进化为一种自上而下的强制性合规要求,银行自然也不例外。
但在部署IPv6的过程中,要针对 IPv6的性能和传统 IPv4做对比,包括系统建设、优化等。如果缺乏精准性能数据,那么评分也难以提升,对于运营来说,也难以判断问题出现在哪里。
综上,该银行存在的问题主要有以下四点:重保期间需要实时监测机制;传统人工系统变更验证时耗长,风险高;排障周期长,人力消耗大;IPv6改造排名亟待提升。
如何为银行业务创新提速?
基于上述问题,博睿数据发现该银行存在的主要问题是需要提升对 IT 运维系统进行实时监测和分析的能力,进而强化IT 系统的安全性、稳定性以及优化改造 IPv6 提升排名。
作为深耕金融行业多年的IT 运维领导厂商,博睿数据根据该银行的痛点制定了一套行之有效的解决方案。即:通过博睿数据的互联网监测方案对该银行进行了至上而下的全面的实时监测,大大提升运维工作效率。
重大活动期间,为避免政策面风险,基于主动式拨测产品,通过配置待监测任务的URL地址,实现对DNS解析地址的黑白名单监测、页面元素审查及敏感内容审计,主动发现劫持现象,实时告警,让客户即时掌握劫持现象及影响范围。
与传统割接验证监测结果对比,博睿数据Bonree net 帮助客户将验证时间降至分钟级,并且具备了数字化、精准化的精准评估,准确定位故障范围。
全面实时监测助力业务价值提升
综上,通过博睿数据全面的实时监测,为该银行带来的业务价值可总结为以下四个方面:
一、规避对外业务安全风险:
在建党100周年等重大活动期间,确保了该银行官网等多个系统IPv4/IPv6的页面安全。
二、自动化变更验证提升业务连续性:
实现自动化业务变更全国范围验证,每轮验证耗时下降至分钟级,赋能运维团队5分钟故障诊断与定位能力。
三、提升故障诊断效率,降低MTTR:
故障排查与定位的平均时耗下降至分钟级,MTTR下降至分钟级,有效满足业务连续性保障要求。
四、助力提升IPv6改造行业排名:
IPv6页面可用性有效提升,经优化该银行在中国信息通信研究院IPv6网站性能排行榜上位居金融行业前列。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。