2020金融街论坛年会上, 央行副行长范一飞谈到金融与科技融合发展的新举措, 第一条就是“固本强基,发挥数据要素倍增作用”, 强调深挖应用场景, 运用海量多维数据实现“信息整合,特征关联和业务洞察”。正式将金融企业打通“云-管-边-端”的金融科技数据链, 实现信息整合, 特征关联提上了金融科技的议事日程, 以BATJ带来的互联网体验作为参考标准, 在国产化大环境下实现服务可达, 通过VIP用户访问的全栈溯源, 确保提升用户体验。
95后逐渐成为了消费市场的主力,从小生活条件优越的Z世代,有着巨大的消费潜力,他们更加渴望自由而弹性的生活,特别是对在线服务的可用性和体验的要求极高。在金融企业的数字化转型过程中, 将会面临传统的数据中心管理转型的新挑战, 比如:用户体验监控, CDN边缘节点监控, 云原生服务监控, 微服务监控等, 而融合这些新的监控管理手段, 打通金融科技数据链, 将会成为新一轮的科技创新热点, 用来提升服务的可用性, 提升用户体验, 应对Z世代的高要求。
以电子银行为例, 金融科技数据链的打通需要到DNA的三个环节, 分别是:
- DEM (Digital Experience Management): 用户数字体验管理,
包含客户端APP体验监控, 浏览器体验监控, 小程序体验监控, 浏览器拨测和手机真机拨测等一系列技术。
- NPM (Network Performance Management): 网络性能管理,
通过探针技术、 BigIP大数据引擎、Nginx Telemetry等技术, 实现网络传输的路径发现, 异常发现, 故障发现。
- APM (Application Performance Management): 应用性能管理,通过字节码注入和微服务探针, 无需应用代码变更的情况下实现对代码运行效率, SQL调用效率, PaaS API调用逻辑追踪, 以及微服务的性能监控。
取得了不同环节的体验数据, 网络数据和代码执行效率数据后, 需要通过DataView的大数据平台实现信息整合, 和特征关联. 实现对VIP用户访问的访问过程全栈溯源, 提升用户体验; 同时实现机器学习后的智能基线, 智能警报; 再通过AI人工智能实现根因分析, 提出解决建议和方法, 甚至通过API调用验证过的预配置, 实现一键变更和一键割接。
根据目前客户的使用状况, 金融科技数据链DNA的架构可以帮助客户发挥数据要素倍增作用:
1. “信息整合”: 将用户体验数据, 网络性能数据, 应用性能数据, 应用可用性数据等信息整合, 实现统一收集, 统一存储, 统一管理, 通过API调用的方式实现一次采集, 各部门的多次订阅消费, 某客户反馈关于服务可达能力提升时说: 1.2%的服务可达提升, 可不仅仅是体验提升而已, 光数据中心1.2%的耗电节省, 就是博睿数据带给我们很大的价值了。
2. “特征关联”: 通过大数据分析和用户标识, 建立用户访问, 网络传输, 云服务, API调用等各环节的关联关系, 实现全栈溯源, 真正帮助电子银行业务, 在保证稳定可靠的社会责任的同时, 融合现有平台、云原生平台、国产化平台、微服务平台的监控管理手段, 某大行用户的电子银行发现, 用户登陆失败的部分原因是运营商的认证短信延迟导致, 通过博睿数据定制对客户与运营商间的短信网关监控, 发现和排除关联故障, 建立服务品质的数据标准, 提升本行与运营商的议价能力并提升用户体验。
3. “业务洞察“: 用财务语言汇报数据中心的投入产出, 建立带宽、算力、存储等基础设施投资后, 发现具体的用户体验/用户留存率/月活提升、 API调用效率提升、以及代码运行效率提升之间的相互关联关系, 为业务拓展提供直接参考。
金融科技数据链DNA, 通过大数据平台打通“云-管-边-端”, 并通过机器学习和人工智能实现“信息整合,特征关联和业务洞察”, 帮助金融企业在国产化大环境下应对Z世代对服务可达, 应用体验的高要求,在稳定可靠和灵捷快速之间取得相对平衡, 促进金融与科技融合发展。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。