“RPA+AI”赋能业务,提升公司数字化水平
在竞争激烈的证券市场,提升内部运营管理水平,降低客户服务成本,实现智能化和数字化运营已成为证券企业的基本要求。采用RPA方式的非侵入性改造可以大大提升工作效率,从而优化证券企业的运营管理水平,降低客户服务成本,实现智能化和数字化运营。
西部证券数字员工取名为小Q君,小Q君中“君”源自集团君子文化“博闻强识而让,敦善行而不怠,谓之君子”。“Q”表示特点:“quick(敏捷的)、quality(优质的)、 quantity(批量的)、qualified(有效的)、quest(探索性)”。小Q君作为西部证券数字员工虚拟形象,担任西部证券数字化转型的排头兵。
1、RPA+AI+数据中台技术相辅相成
RPA、Al、数据中台各司其职又相辅相成,共同推动西部证券数字化转型发展。数据中台作为连接前后台系统的中间层,对前台业务的敏捷性形成强力支撑。Al处理非结构化数据,通过OCR、NLP等功能模块,让复杂业务简单化。RPA在不侵入原有系统的同时,完成企业自动化的最后“一公里”。同时,RPA可以作为接口打通底层数据,进行跨系统数据整合,且本身具备中台和低代码属性,数据中台在执行过程中需要调用大量数据,又可以通过低代码完成引擎的搭建,三者功能相互补充共同助力企业数字化转型。
2、模式创新:RPA as a service,微服务赋能业务敏捷进化
通过服务化能力,将编排沉淀的自动化任务以标准API对外提供服务,结合现有BPM平台将数字员工能力以业务服务方式提供给业务用户使用,结合现有业务系统需求场景提供数字员工服务接入,实现数字员工的业务服务化并支撑全流程的自动化。
数字员工流程自动化示意
3、开发创新:非侵入式灵活部署,旨在实现业务流程自动化
RPA相对于传统代替人类手工劳动的机器人,主要用于在信息系统的自动化操作,具备自动执行预定流程和跨系统协同的能力。而与ERP、OA等特定应用场景软件比较,RPA普适性更强,可以跨部门、跨行业进行部署。且RPA是非侵入式软件,无需改变现有系统即可完成部署,灵活性强,交付周期短,同时可以避开传统系统问题,帮助西部快速迭代转型,实现业务流程自动化。
深挖高价值场景,提升客户体验,减少业务风险
西部证券打造数字员工平台,对已上线的数字员工流程进行统一管控。数字员工平台展示西部证券上线的数字员工流程,从运行时长、运行次数、流程数量、FTE等方向对数字员工流程进行描述。数字员工平台支持一站式运维,通过可视化运营大屏,对当日运行流程进行实时监控,反馈流程运行情况,支持人工介入处理异常流程。
数字员工已为我司财富管理部、计划财务部、投行业务条线、网络金融部等多部门提供自动化流程机器人,大幅提升了业务处理速度,将业务处理差错率降低为0,释放员工低端数据操作,让员工更加专注于高价值的工作。数字员工与证券业务深度结合,深挖高价值场景,提升客户体验,减少业务风险。
截至2022年底,数字员工项目累计上线49条流程,覆盖9个业务部门,机器人总运行时长2974小时,约节省375人天工时,多数流程运行成功率保持在80%以上,日常流程运行稳定。串联29个系统,解决部分数据孤岛问题。RPA结合Al、数据中台将能力以组合拳方式在风险合规管控、提升客户体验、基层减负增效、助力拓客营销上赋能业务。
西部证券通过举办数字员工创新大赛,唤醒员工数字化意识,激发创新潜能,推动数字科技成为我司发展新动力。
西部证券数字化转型办公室的“智能合同审查”项目在“第二届中国RPA+AI开发者大赛”中荣获金奖。“智能合同审查”项目借助RPA、Al及管理平台等技术,打通西部内部系统上下游,实现合同审核自动化,合同数据可视化、可量化、可追溯,提高业务合同审核效率。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。