银行数字化营销转型的难点、痛点主要集中于高价值企业短名单的获取,主要表现在新客发现难、存量拓客难、精准定位难、产业洞察难。此外,针对潜在客户与存量客户在授信审批与贷后监管环节,也缺乏高效便捷的风险监控手段。
拓尔思以产业数据中心为支撑,以智能数据标签引擎和全产业链知识引擎为核心底座,运用新一代信息技术,基于某大型国有银行打造智慧金融产业大脑,推动产业数字化、智能化升级,实现政策、空间、供应链、金融、科技、销售等产业要素与产业主体之间的高效协同,为企业生产经营提供数字化赋能,为产业生态建设提供数字化服务,为经济治理提供数字化手段。

“智慧金融产业大脑”项目总体架构
智慧金融产业大脑总体架构包括数据汇聚层、数据整合层、数据储存与标签库、多维分析服务层、系统应用层。
1.数据汇聚层
汇聚各渠道全面准确的公域产业数据,通过整合层向上为各模型应用提供支撑数据。数据来源包括政策数据、公告数据、企业库、产业数据、专利数据、宏观数据、舆情资讯、招投标数据、企业融资等信息。
2. 数据整合层
基于公域数据综合分析,通过TRS Adapter、ETL等工具将各类数据实现接口或传输信道进行归类推送,通过数据处理后建设指标库、结果库等,为上层模型应用提供数据支持。合同、报告pdf文件通过OCR解析后同步将结果入库。
3.数据储存与标签库
在数据整合层基础上,重建数据服务,针对产业链、企业、政策、舆情等不同类型数据做差异化加工处理,多维分析服务层提供支撑。例如,针对企业,结构化工商信息、财务信息、处罚信息等数据并抽取核心字段,挖掘企业间的关联关系、集团关系,形成企业关系图谱。围绕地区、部委机构等发布政策数据,通过机器学习技术,挖掘解析政策中的鼓励导向性行业,或抑制淘汰性行业。
4.多维分析服务层
以提升企业大数据营销及分析管理能力为出发点,通过投融资、产业分析与企业数据分析,构建数据分析模型,建立特有企业画像库,推进数字化营销获客与风险监控,为产业、行业、企业分析提供决策支持。
5.系统应用层
包含产业分析、产业拓客、企业洞察、事件中心等4大模块。
智慧金融产业大脑融合某大型国有银行30亿+产业要素明细数据、40万+产业标签及2亿
+产业动态本体、百亿级产业指标数据、2000亿特有另类数据帮助其进行产业分析、产业拓客、企业洞察、挖掘特定事件,构建了行业客户数字化洞察体系和企业风险管控体系。
行业客户数字化洞察体系:完善行内数字化营销获客体系的建设,大幅降低无效营销费用,有效提升营销效率,实现精准营销。
企业风险管控体系:对风险进行实时全面管控,防御性终止合作百余次,减少上亿级潜在风险损失。
目前智慧金融产业大脑的应用,已经帮助该银行对5000+标准产业链、400+国家战略新兴产业链、2000+特色产业链,10万+上下游产业供需链进行精准营销获客扫描,通过产业链获客、园区获客、关系链拓客等各种维度,找到有资金需求、可高转化、风险可控的潜在企业信贷客户,构建行业客户数字化洞察体系,完善行内数字化营销获客体系的建设。同时完善企业风险管控体系,对风险进行实时全面管控。
此外,智慧金融产业大脑还可以帮助银行从传统低效营销全面迈向精准营销;可帮助银行对风险进行实时全面管控;该智慧产业大脑亦可用于政府产业园区,精准招商场景分析,有效提升招商效率。
好文章,需要你的鼓励
PDF协会在欧洲会议上宣布,将在PDF规范中添加对JPEG XL图像格式的支持。尽管Chromium团队此前将该格式标记为过时,但此次纳入可能为JXL带来主流应用机会。PDF协会CTO表示,选择JPEG XL作为支持HDR内容的首选解决方案。该格式具备广色域、超高分辨率和多通道支持等优势,但目前仍缺乏广泛的浏览器支持。
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。
Ironclad OS项目正在开发一个新的类Unix操作系统内核,面向小型嵌入式系统,计划支持实时功能。该项目的独特之处在于采用Ada编程语言及其可形式化验证的SPARK子集进行开发,而非常见的C、C++或Rust语言。项目还包含运行在Ironclad内核上的完整操作系统Gloire,使用GNU工具构建以提供传统Unix兼容性。
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。