至顶网CIO与CTO频道 11月12日 北京消息(文/王聪彬):银行的主要业务可以划分为储蓄(对私)、会计(对公)和信贷。对公业务一直是银行最主要的营业收入、净利润来源,但近年来对公业务也受到了利率市场化和互联网金融等多方面的冲击和挑战。
兆日科技自成立以来的二十多年,一直深耕金融信息安全领域,产品和服务主要应用于全国各大银行票据防伪、金融支付安全、企事业单位对公支付安全等领域。随着进入互联网+大数据时代,兆日科技也在业务上进行拓展,通过为银行打造生态场景工具,逐渐发展成为银行对公业务场景服务供应商。
“原有银行的对公产品都是针对财务人员使用,我们需要把对公场景打造的更适合企业全员使用。”兆日科技副总裁白建雄说道,银行希望更加了解用户,为企业提供更好的服务是打造银企通的初衷,其可以为银行的企业客户构建丰富、高频的非金融与金融场景,让银行对企业有全方位和细致化的了解。
让银行服务走向全员
银企通不仅仅是连接银行与企业,更是将企业的支付行为嵌入到企业的业务场景中,银行可以从中提供端到端的生态圈服务。主要特点包括:
银行柜台前移:基于移动互联网技术,将银行的服务向前延伸至企业内部,在企业经营活动中内嵌银行服务触点,构建流量入口。
专注银行对公场景:提供OA、ERP、CRM等轻量级企业服务,助力银行快速构建商旅、采购、报销等企业高频应用场景,让银行没有难服务的企业。
服务企业全员:银行服务走出财务部,面向企业全员,覆盖企业经营活动各个环节,将银行贴身服务送达全员。
千人千面:为企业不同参与者提供不同的场景服务,根据登录人员的不同身份,展示不同的功能,所见即所需 。
可信沟通:金融级安全沟通工具(T信),实名认证,可信交流,可信支付,降低企业内控风险,提高企业资金安全。
老板付:创新对公移动支付结算工具,企业用款按需授权,资金实时到账,操作方便快捷,因公支付不垫款。
多流合一:企业业务流、支付流、物流、发票流,多流合一,多维数据准确勾勒企业日常经营画像,实现精准营销。
生意圈:银企一家,为企业提供产品展示、商务沟通的互动平台,汇聚商业信息和人脉,助力企业扩展生意圈。
银企通通过安全、稳定、可靠、高效、敏捷的金融级分布式平台,将最新的移动互联网通讯技术、安全技术和银行现有服务体系有机的结合在一起,帮助银行将线下业务向线上转移,提高效率,降低服务成本,将银行业务延伸到企业内部全员。白建雄认为,银行为企业提供金融服务是刚性需求,难点在于怎么让产品走出财务室,让全员参与。
让金融与场景有机融合
最早在设计银企通时,兆日科技同银行进行了长时间的交流和研讨,但是银行融入非金融业务需要一个过程,银企通从2014年开始进入市场,现在已经进入高增长期,银行逐渐接受通过生态来服务客户。
在银企通开发场景的过程中兆日科技也遇到了一些挑战,但这并不在技术层面,而是在于场景本身,思考如何提升客户体验。按照白建雄的话说,就连打卡这一简单的功能想要做到极致背后也有着相当复杂的流程。
像员工工资条最早企业通过纸质小条发放,现在也有公司通过邮件发送,但是这一过程很容易发生事故,通过银企通的即时通讯功能,财务可以直接将工资表格导入App,再将每个人的工资单进行下发,而且还可以对工资变化进行统计。
同时,银企通还具备轻ERP、CRM、OA等功能,可以满足小微企业的使用需求,所以银企通面向的客户群主要以城商行和农商行为主。在部署上也可以实现私有云、公有云、混合云的模式,主要取决于银行需求。
目前,兆日科技已经在合作的案例包括“京管+”、“银企e家”、“厦行e企管”、“国行e企盈”等,同时也与许多其它城商行合作,拓展具有高频属性的对公应用场景,在增强客户粘性的同时帮助商业银行把握未来的发展趋势,打造差异化的竞争优势,从而在数字化转型的浪潮中探索新的利润增长模式。
兆日科技从客户角度出发,关心产品的设计是不是银行真正需要的,对银行未来业务发展是否有支撑和帮助,同时未来逐步完善生态圈,真正将金融与企业场景有机的融合起来。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。