身为印度科塔克银行的首席数字官,Deepak Sharma在推动银行数字化转型、面向未来规划和商业模式与战略创新等方面发挥着重要作用。Sharma身先士卒,在银行内落地一系列创新技术项目,包括WhatsApp Banking、811、会话式银行机器人以及开放联网银行业务等。
在本次采访中,Sharma具体介绍了自己的成就、领导风格和塑造银行IT发展趋势的思路。
您为何决定投身于技术领域?
Sharma:我有幸在多家企业担任过不同岗位,从移动/蜂窝行业的第一波电信浪潮开始,随后又参与到银行和金融服务领域当中。我一直在业务设计和产品层面工作,因此深切意识到没有技术就无法创造出卓越的产品和体验。于是在2010年建立NRI银行与汇款平台时,我开始深耕技术。当时我的职务负责建立汇款门户、在线开户、线上数字服务和支持,以及数字营销能力。这些工作之间互有关联,共为体系。而在出任首席数字官之后,我有机会与技术人员展开更深入的合作,包括构建数字平台、流程自动化、创新、财富与支付技术,以及孵化并扩大开放银行、印度技术栈等。总之,那段时间我开始刻意向着技术领域积极融入。
迄今为止,您最大的职业成就是什么?有哪些经历让您印象深刻?
Sharma:很难说出具体哪项成就。我有幸参与到科塔克银行的发展当中,这是一家非常关注数字技术的银行。至于最印象深刻的,应该是推出一系列数字优先产品平台吧,包括启动并运行多条数字渠道,如移动应用、网站、WhatsApp和对话式AI等。我们的移动应用也是目前市场评价最高的旗舰产品之一。除了建立起行业中的许多个第一,811数字银行、财富平台Cherry、在数字账户开设流程中引入视频KYC(了解你的客户)验证、API与开放银行业务、创新实验室和设计工作室等等也都是这段旅程中的重要亮点。
这些成就着实耀眼,但IT领域最大的特点就是计划赶不上变化。如果遇到计划或项目失败,您会作何反应?又要如何运用从中汲取到的经验教训?
Sharma:失败是试验和学习过程的一部分。在数字领域,我们进行过多次投入,确实很多时候事情并不像计划中那般顺利。但只要我们成功的多、失败的少,而且每次成功都带来了有影响力的结果,那就值得继续坚持下去。
能不能聊聊您如何将新思路落实为具体行动?从想法到最终成果是怎样完成转化的?
Sharma:我们团队在确定去纸币化策略之后,短短100天内就构建并推出了811数字银行。另外在COVID-19疫情期间,印度央行批准了视频KYC验证的申请,我们也成为首家落地实践的银行。我们还在全印度大型金融机构中建立起首个财富技术平台。类似的故事还有很多,只要我们发现了机会并坚信值得一试,就会迅速采取行动。
如果有机会,您会在职业生涯中做出哪些不一样的选择?
Sharma:如果能回到过去,我可能会在结构化、阶段性和项目时限等层面,更好地平衡一下小规模投入和大型项目构建的比例。
您会如何总结自己在职业生涯中取得的成功?
Sharma:我觉得成功的要旨,在于享受问题和不确定性,从中发现有价值的机会,并与一群优秀的导师、领导者、团队和组织携手并进。我们做的一切都摆脱不了运气、时机和生态系统支持等外部因素。然而,这是一条挑战勇气和信念的道路,所以积极寻求帮助、不断自我学习肯定是取得成功的两个基本要素。
您会如何概括自己的领导风格?这种风格在您之前的岗位上又是怎样体现的?
Sharma:我觉得我是那种强调开放、协作、战略、天马行空、以结果为导向、乐于学习的沟通和联络型领导者。虽然具体倾向肯定会随着不同角色和任务的变化而有所调整,但其中的主体领导风格总会一以贯之。
您能不能总结出银行业目前呈现的三大最主要趋势?您打算如何应对这些趋势?
Sharma:第一,银行业其实越来越像科技企业,客户体验、技术和风险管理已经成为银行业务的核心。我们看到更多银行从产品转向平台,着手围绕客户体验进行服务设计。第二,AI、云、API和自动化正在未来的金融服务领域扎根,也给我们带来了新的想象空间。第三,在接纳这些来自外部生态系统的金融创新之余,银行也在积极构建并启动内部原研的金融科技方案。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。