ZD至顶网CIO与应用频道 10月11日 人物访谈(文/王聪彬):在国外机场你可以时不时地看到中资银行的广告,随着“走出去”战略的推进,中国金融业已经迎来了走向海外的快速发展期。在这一过程中并购是一个快速扩大海外经营规模的方式,通过开发新业务来培育新型增长点。
在中国大大小小的银行中,中国工商银行在2年前就已经成功进入了南美市场,中国工商银行阿根廷分行成为其在中国本土之外最大的海外分行,同时也是进入阿根廷市场的首家中资银行,这意味着阿根廷与世界第二大经济体中国之间的联系更加紧密。
虽然是独立运营,但是通过中国总行输出的大量数据分析经验和解决方案,也让阿根廷分行创造出拥有自身特色的数据分析运营方式。
独立运作也要有自身特色
成立于1984年的中国工商银行是中国最大的商业银行,于2005年10月28日整体改制为股份有限公司。2006年10月27日成功在上交所和香港联交所同日挂牌上市。2015年末,总资产222097.8亿元,比上年末增加15998.27亿元,增长7.8%。
中国工商银行正向全球532万公司客户和4.96亿个人客户提供广泛的金融产品和服务。随着国际化、综合化经营格局不断完善,境外网络扩展至42个国家和地区。
2013年4月8日,中国工商银行阿根廷分行在布宜诺斯艾利斯正式挂牌成立。时任中国工商银行董事长姜建清也表示,这是全球化背景下,中国工商银行进入南美市场的重要一步。
而阿根廷分行的由来是2011年8月中国工商银行提议收购南非标准银行阿根廷分行80%的股份,到2012年11月阿根廷中央银行批准该收购项目。挂牌成立后,之前南非标准银行的103家分支机构、办公室、ATM都将换上中国工商银行的标志,同时为原阿根廷标准银行3万名企业客户和近百万个人客户继续提供服务。
虽然阿根廷分行是一个独立于总行的运作模式,作为中国工商银行海外业务和中国工商银行也有着紧密的联系。
“在世界贸易层面上的交易型服务,阿根廷做的是最好的。”中国工商银行阿根廷分行信息管理主管Pablo Licheri指出,阿根廷分行对于中国社群有着更大的影响力,我们希望在客户服务、客户体验层面提供更多更方便的服务。
中国工商银行阿根廷分行信息管理主管Pablo Licheri
数据分析指导业务运营
阿根廷分行使用了与总行不同的体系架构,支持18个部门采用协作方式共用,所以在数据应用层面的体系也有所不同,中国总行拥有庞大的客户数据,而阿根廷分行的数据量相比更容易管理。
阿根廷分行在数据层面共享了很多用户界面,主要在企业级层面上的整合,例如财务会计、信用风险、全球性系统。而总行在数据处理和工作负载上有着大量经验,阿根廷分行也得到了很多经验分享。Pablo Licheri表示,尤其在Hadoop层面,如何将分析系统和分析过程更好地使用到运营过程中,总行提供了大量的支持。
阿根廷分行在分析系统运营上有着自己的特点,去年开始把业务洞察更好地使用在现有运营过程中。“我们将分析模型应用于催收业务便获得了很好的效果,使得我们能更加智能地调配精力并改善催收,同时减少了66%的通话量。这仅仅是我们在生产流程中如何部署分析能力的一个例证。另外,我们每天夜间展开分析,将最好的产品和业务机会在第一时间提供给客户经理,帮助他们与客户进行更有效的沟通,并满足客户的预算需求。可以说数据分析在阿根廷分行业务运营中非常重要。”Pablo Licheri说。
Pablo Licheri介绍了现在阿根廷分行的重点是将更多、更广的分析能力上线,同时也在计划明年上线实时分析运营体系。而且数据分析也为阿根廷分行创造了一个单独的营销团队来运营针对性和个性化的产品。
2010年原阿根廷标准银行就使用了Teradata企业级数据仓库,中国工商银行收购后阿根廷分行以此作为分析的基础,在财务、市场等多个部门广泛使用数据分析,尤其在客户营销管理、客户个性化管理的体验提升中得到很好的应用。
而且在2015年阿根廷新政府成立时,金融市场受到政策影响在不断变化,总行非常重视不同地区的业务挑战,积极支持阿根廷分行在信息化上做了很多准备来应对这些挑战。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。