新加坡信托银行(以下简称信托银行)作为一家新兴金融机构,在首年内即迎来强劲的运营表现,自成立以来已占据新加坡12%的市场份额,并在客户体验和业务创新方面树立起新的基准。
要想了解这家数字优先银行如何为客户群体开发出差异化的使用体验,我们首先需要深入探究其如何在竞争激烈且快速发展的银行业中取得成功。
信托银行CIO Rajay Rai表示,“整个体验必须围绕客户的一系列需求设计和构建。客户告诉我们,他们希望自己的银行业务能够变得更加简单、透明,而实时功能正是其中最关键的推动因素。正因为如此,我们决定以全实时方式对客户发布所有更新。这看似顺理成章,但对于那些希望通过数字交互即时满足需求的消费者来说,却是一种巨大的转变。”
在Rai移居新加坡并担任信托银行CIO之前,他曾在澳大利亚的金融领域积累下数十年的从业经验。现如今,他的职责范围涵盖技术架构、运营稳定性、安全、成本管理、合作伙伴监督以及特定领域交付等等。
在最近于拉斯维加斯召开的亚马逊云科技re: Invent大会上,Rai发表了题为《一手建立规模化业务,一手增强客户体验》的主题演讲,阐述了信托银行的一系列建立基础,包括实时执行、可扩展架构与快速实施等。他表示,“有句名言说,「缺乏执行力的愿景就是幻想。」这要求我们建立起快速、规模化的执行能力。只有快速行动,才能为银行积累下实验的资本。对我们来说,只有行动迅速才能避免失败,而银行是绝对不可以失败的。”
信托银行的核心
信托银行充分运用到Thought Machine软件,这是一套云原生性质的核心银行平台。Rai解释称,“这套平台如同我们跳动的心脏。Thought Machine负责生成所有事件,如同银行的动脉般不断输送数据和事件,并提供能够侦听各项事件的服务。事件之间还能相互依托并采取行动,以实时方式适配并做出响应。”
他补充道,这种架构优势使得信托银行得以快速发展并不断进步,真正与持续发生的交易活动保持同步。“这让我们能够在无需中断系统内其他任何微服务的前提下构建服务。整个系统实现了100%容器化,我们还坚持要求全体合作伙伴必须遵循容器优先的原则,并借此大幅降低运营成本。”
以用户为中心
客户体验是推动业务参与度的关键因素,但这一切并不是在客户加入之后才开始的。Rai认为,“其实早在客户选择我们之前,这一切就已经在发挥效果了。平均来讲,客户从提交申请到实际使用数字银行卡只需要三分钟左右。”
信托银行还鼓励客户积极参与业务发展,并在此过程中赢取奖励。例如,他们为消费者提供为期一个月的生日贺礼、有吸引力的推荐奖励,甚至可以参加抽取特斯拉汽车的活动,而这一切都有助于提升用户参与度。有70%的新客户就来自推荐计划。甚至分析机制也经过重新设计,旨在提供更好的用户体验。以往,虽然常规银行业务也会产生大量数据,但面对杂乱无章的见解信息、消费者们往往选择直接忽略。信托银行则采取不同方法,并开发出自己的一套功能组合为客户提供最重要的见解,并将此命名为趣味分析“funalytics”。他们还创作出能够随消费额积累而不断成长的动画角色,其中灵感来自上世纪90年代曾风靡一时的电子宠物小游戏。
拥抱敏捷,敞开心扉
Rai解释道,他和他的团队很幸运能拥有一套现代化的云原生平台,并借此扩展业务容量以适应强劲的客户增长。“我以往从未见过这样的扩张速度,这也凸显出云原生技术的实践优势。作为一家初创企业,能够灵活增加容量以适应业务增长无疑是种巨大的优势。这意味着我们无需提前建立昂贵的基础设施,也不必担心现有容量无法充分满足客户的业务需求。”
Rai很清楚金融市场的格局一直在不断变化,因此要求自己的团队必须快速适应。“作为一名CIO,我们需要与团队密切合作、把握当地市场的动向和脉搏、洞察即将发生的转变,并积聚力量以随时调整前进方向。”
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。