ZD至顶网CIO与应用频道 07月19日 北京消息:在过去的20年中,金融服务行业已经经历了重大的变化,随着数字技术的渗透,传统的银行分支业务和服务模式几近没落。而这些发展为进入财富管理领域的新型金融技术企业的到来铺平了道路,这些公司正在挑战传统模式,它们通过技术手段来提供顾问服务和信息,更好地满足了财富管理客户的需求。
Xignite公司是做什么的?
Xignite 是一家新兴的金融服务公司,它提供按需平台,将可靠的金融市场数据提供给全球 400 多家公司客户(如花旗、通用电气金融、ING、威达信、kaChing 和星巴克)的企业应用程序、门户和网站。
其在今年2月份宣布完成2050万美元的C轮融资,此轮新融资将Xignite的总募资额增至3700万美元。
Xignite为众多全球最具创新性的金融技术领先企业提供支持。Xignite的1000多家客户正在给金融服务业带来翻天覆地的变化,正在颠覆着众多关键的市场领域,例如交易、财富管理、支付,以及金融研究和分析。
积极应对挑战
事实上,在公司的发展道路上并不是一帆风顺的,其也遭遇到严峻挑战:当世界头号商业新闻来源 Forbes.com 找 Xignite 合作来支持实时公布股市行情时,Xignite 清楚它需要一个既可扩展又经济高效的基础设施解决方案。
Xignite 的领导团队意识到,需要寻找的解决方案要能高效、动态地扩展交付的实时金融信息量,同时确保最小的计算和网络资源浪费。
他们发现 Amazon Web Services (AWS) 提供的云计算基础设施能从本质上满足其要求。Xignite CTO Leo Chan 表示:“这是个显而易见的决定。AWS 在提供冗余计算基础设施和多可用区域方面居于领导地位,在计算和网络带宽成本方面具有极高的规模效益。“
并且,AWS按需提供广泛的云基础设施服务,只按实际使用的资源收费。AWS 让客户不必再使用昂贵的硬件,并能消除拥有和操作此类硬件过程中产生的管理负担。 AWS 可缩减成本及改善现金流,无论您刚起步还是大规模运作都能从中受益。如图:
得益于AWS的两大优势
目前,Xignite使用 Amazon Elastic Compute Cloud (Amazon EC2) 和 Amazon Simple Storage Service (Amazon S3) 来支持许多按需应用程序服务器(可根据钟形曲线进行增减)、负载均衡器冗余集群和缓存金融信息。当他们推出新的服务或吸引新客户时,可以迅速在 AWS 上扩展计算基础设施,以提升可扩展性和降低成本。
使用 AWS后,Xignite 将上市时间缩短了2 个月,并且,因为无需全职运营工程师来购置并在额外配置空间安装服务器。从而节省了数千人力成本。“我们估计,总成本节省量,包括硬件、基础设施和网络带宽以及人力成本在内,预计将达到数十万美元,”Chan 表示。
这些都得益于AWS 提供的零预付基础设施成本和资源利用方面更高的效率。Chan 解释说:“高峰时期增加容量,高峰退去后再减少容量,无需备用容量以防冗余之需。要使用固定容量和传统计算模式达到这一目标,其成本真正令人望而生畏。”转移到 AWS 之前,Xignite 在主要配置设施内的服务器集群上部署服务,其结果是固定成本较高且容量使用不充分。
这也使得,过去一年,Xignite经历了爆炸式增长,预订量增长了超过50%,服务于来自其API的超过4550亿项数据请求,需求量每 6个月就翻一番。
XigniteFintech首席执行官兼创始人Stephane Dubois表示:“金融技术革命方兴未艾,并且将在未来几年内席卷金融服务业的所有方面。金融机构已经无法再负担运营所需的刚性专有数据基础架构的成本。金融技术的创新者正在对相对传统的金融服务公司继续施压。如果想在新格局中生存和蓬勃发展,这些传统机构必须一边大力创新,一边削减成本。其中包括复杂、繁琐和昂贵的财务数据消费。”
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。