COVID-19疫情帮助银行业解决了多年以来一直在争议的大难题——究竟该在何时、如何采用云技术。疫情爆发之前,全球几乎每一家银行都在以某种形式采用云计算,希望借此探索效率、规模与弹性的全新提升方向。但除了少数云先锋之外,大多数银行都只是浅尝辄止。而在疫情带来的社交隔离新形势下,众多银行开始积极投身云计算阵营,希望借此全面支持远程办公、面向客户软件的快速升级以及欺诈行为检测等实际需求。
尽管热情爆棚,但加快脚步不一定就能让这段云探索之旅走得更加顺遂。银行不可能简单投入资金,将迁移工作委派给公有云供应商,然后坐等价值回报自己出现。面对疫情流行的持续影响,银行应该采取的第一步措施,就是增加在云端运行的工作负载比例,借此尝试如何削减成本、增加敏捷性并增强客户体验。而随着银行业云战略的发展与推广,整个行业也开始达成一种共识性的认知,即将公有、私有与混合类解决方案结合起来的复杂多云方法,才是推动整体业务转型的最佳途径。
在疫情爆发之前,银行业的云迁移之路走得稳健而又低调。除了一部分初创企业以及少数大胆的老牌公司之外,大多数银行都不愿推进全面的云迁移计划。虽然今年年初,银行业与领先云服务供应商之间展开几轮备受瞩目的合作,但仍然没能在整个行业中掀起太大的波澜。对于大部分大型银行来说,一般只会将工作负载中的10%到20%交由公有云打理,其余约30%则交给自己的本地云数据中心运行。
事实上,云怀疑论者在不少银行中占据着舆论高地。他们总会列举公有云服务供应商曾经出现的安全问题,喜欢强调法规层面的模糊性以及潜在的竞争问题等等。其中不少人甚至喜欢通过演讲,反复强调传统数据中心的种种所谓“优势”。但云支持者们总能用实际结果说话,包括将银行的平均IT运营成本降低达20%,将新产品的上市时间缩短一半,并将配置速度提升达50%。云服务此外,云支持者还带来更多相对难以量化的承诺,包括提升企业敏捷性、增强客户体验以及更好地支持合规性与创新空间等。
而这些对云计算的支持言论,在COVID-19疫情期间大多得到了验证。一般来说,已经在云端投入大量资金的银行确实能够更好地管理种种不确定性、切换至不同的运营模式,并针对疫情的变化快速规划出可行的业务交付通道。例如,云服务能够帮助银行快速修改工作流程,借此容纳新的政府补偿与贷款政策,甚至在几天之内建立起庞大的虚拟服务中心以应对海量客户咨询。
云支持派当然没有想到要用疫情作为技术试验场,但既然问题已经出现,何不将其转化为机遇?未来几个月,银行业的运营环境仍将处于非常状态:数据 十客户继续在办公地点之外的场所工作,大部分银行分支机构则保持关闭或只能提供有限的服务。短期之内,财政与金融领域的不确定性也不大可能快速消失。换言之,紧急降息、强制性带薪年假以及不断增加的贷款准备金比例将继续给整个银行业带来巨大压力。虽然大多数市场已经顶住了第一波危机冲击,但银行机构仍然需要摸索出一条在以往产品及技术路线图中从未出现过的运营道路。
当下适合重新审视云服务价值的另一个重要理由,在于目前这场经济危机与十多年前的“金融危机”存在着本质上的不同。当时,银行仍然具有操作空间,偿付能力受到的影响并不大。但这一次,资本的缓冲储备非常强劲,世界各国的中央银行手握大把流动性却难以支付给目标群体。这一切,都迫使银行机构在生存之外,认真考虑如何从这片混乱的形势中吸取教训并做出反应。
面对挑战,银行反而应当主动出击。在实施企业云转型项目时,银行应该关注两大优先事项:将工作负载平衡迁移至云端,以及有效控制云端业务的运营成本。为此,银行应该充分发挥公有云及私有云方案的优势,同时意识到公共基础设施所承载的工作量正在快速增长。
更重要的是,这个世界上并不存在百试百灵的云服务解决方案。各大主要云平台都拥有自己的明确优势与显著短板。因此,在埃森哲的前二十大银行客户中,有60%采用了多云策略,只有15%坚持选择单一云服务供应商。目前的新兴标准在于,银行应该选择一家主要公有云合作伙伴,同时保证其他竞争对手在自身业务中占有一定比例以实现风险对冲。
不可否认,早期投身云阵营的银行确实具备一定先发优势。我们的研究表明,先发银行的收入增长速度达到后发者的两倍,因此投资回报已经不再是问题。但如果大家还没有行动,也不必妄自菲薄。因为无论您选择哪条云迁移路线,都能够从更加完善的云服务供应商处获得更强大的技术支持。当前,各大公有云服务商都在积极开发各类移动与Web托管服务、呼叫服务中心解决方案以及高级分析解决方案。他们也在调整从机器学习与数据工作室、到CRM软件的各类底层云技术。在与云安全监管机构合作并进行大量投资以应对复杂的风险要求层面,云服务商也承担起了大量繁重工作。另外,他们还专门针对银行客户推出多种激励性措施、合作伙伴计划与培训活动。
更重要的是,云支持派已经占据了巨大的舆论优势,而且显然不打算浪费这波集火推塔的天赐良机。因此,目前最合理的云战略应该由银行机构的整个高管团队管理并推动,包括尽快在云商业案例、发展方向与终极业务目标等问题上达成广泛共识。
除了整体方法之外,银行还应该转变自己的监管方式。怀疑派一直坚称监管机构是云普及的最大阻碍,但这种观点在大多数市场中早已不复存在。当然,也有部分监管机构对云数据中心脱离管辖范围的现状表示担忧,但云的实际使用方法也一直在发展。问题本身越来越细微且复杂,正如他们需要监管的银行业务一样,这本身并不是坏事,只是前进过程中必然出现的挑战。
虽然前往终点的道路仍既阻且长,但好在银行业终于对云服务达成了认知共识:这是一项有价值的技术,是时候有所行动了。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。