作为英南非国际银行和财富管理集团Investec的首席信息官,Shabhana Thaver对待技术趋势有一套多用途的方法。一方面,技术方面有基础力量,保护现有业务,包括人才、信息安全和现代化。另一方面,技术是推动业务增长的先锋力量,包括信息、交互和计算。每个人都需要与对方合作才能达到预期的结果。
现代CIO们必须找到一种平衡新旧技术的方法,在优先考虑基础知识的同时,拥抱创新技术,这意味着要确保打下了恰当的基础,以保持业务尽可能顺利地运行。她说:“技术人员总是追求闪亮的新玩意,但重要的是要强调实验和创新之间是有区别的,并在业务中要实际去实施一些东西。”要做到这一点,就需要跟上新技术的发展步伐,并以开放的态度探索和尝试新事物,同时还要记住,技术是不能孤立地发挥作用的。当她做决策的时候,她会考虑如何通过评估新技术的风险来保护现有业务,这一点很重要,因为这样业务才能与时俱进并且得到不断发展。“这听起来很容易,但这些都是艰难的决定。”
高科技赋能“高接触”
Thaver表示,天达集团凭借高接触和高科技脱颖而出。为了实现这一目标,她和她的团队围绕他们的资产构建了一个API结构,使他们能够以高度安全的方式将业务暴露给市场。
Thaver将其描述为“安全的开放式银行业务”,这种API框架让银行的企业和私人业务客户能够更轻松地与银行建立联系。她说:“我们的交易型银行客户可以通过这些API实时连接,使他们能够访问交易、进行ERP集成、或是直接向我们进行批量付款,这让我们提高了运营效率并帮助他们降低了成本,这是一个巨大的胜利,因为每个人都希望降低成本。”她说,由于该解决方案涉及到外部利益相关者,所以这个想法最初是源自于内部业务和技术之间的对话,但为了使其成为现实,他们必须与业务领导者坐下来,然后与客户坐下来讨论可能性,以及过程中的潜在阻碍。
天达银行希望使用API来改变开发人员社区体验,让他们更轻松一些。据Thaver称,这就是他们推出可编程卡背后的推动之一。天达发行了一张具有通用交易功能的卡,但因为他们用API封装这种卡,所以他们为开发者社区提供了个性化卡并对其进行编程,以执行他们想要的任何操作,例如,如果有人想要跟踪他们的每月预算,他们可以使用API来分析消费习惯。开发人员甚至可以为特定商店设置具有特定支出限额的卡。Thaver说:“从开发人员体验的角度来看,这给我们带来了巨大的好处,因为我们可能是唯一拥有银行专业人士或开发人员开发可编程卡API社区的组织。”现在,他们正在尝试创建一个低代码环境,以便任何人(不仅仅是开发人员)都可以从这种可编程功能中受益。
她说:“所有这些证明了业务的未来发展方向,如果天达银行要与另一家企业合并或收购一家企业,我们希望加快步伐,把我们的资产封装在API中,让我们能够获得所有系统的综合视图,并无缝集成和接入到其他系统中。”
优先考虑可扩展性
就像行业中的其他公司一样,天达银行也需要扩大规模,他们选择使用云。Thaver说:“但是,如果我们只是进行升级,那么云将无法提供企业所期望的成本效率。所以,我们必须首先进行现代化改造,然后将较小的部分迁移到云中,这样我们才能享受到我们想要的成本效益。”
对于Thaver来说,拥有一种可租赁和组装的技术状态是非常重要的,这意味着一切需要以较小的分期付款方式进行,以便在技术变革时能够更快地移除和更换。她说:“目前,我们的情况非常复杂,因为我们拥有分布不均匀的单一系统。”她指出,通过消除这些系统,他们现在可以提供业务增长所需的规模,从而有助于银行跟上技术变革的快速步伐。
“当你提出能够推动业务增长但与企业想法完全不同的技术解决方案时,确保你得到企业的认可和支持是非常重要的,如果做不到的话,你就不会取得成功。”
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。