近日澳大利亚联邦银行(CBA)宣布对其数字化策略进行升级,首席执行官Matt Comyn表示,这将有助于该银行在全球范围内为所有企业提供最佳的数字体验。
2019年10月该银行曾宣布五年内将在技术领域投入超过50亿澳元,近日Comyn表示,这一金额还将“继续增加”。
他说:“我们准备在有机会的领域进行投资……在这个领域我们会充满雄心,这就需要加大投入。”
其中之一,就是该银行的Customer Engagement Engine客户参与引擎。
目前Customer Engagement Engine上运行着约400种机器学习模型,实时接收来自约1570亿个数据点的数据。Comyn说,CBA正在使用该工具“协调各项活动和措施来服务于客户”。
他说:“就吞吐量而言,Customer Engagement Engine每天提供大约3500万个决策,而且是实时完成的,每个决策的时间不到300毫秒。”
“这么大的规模令人印象深刻,而实际上对我们来说最重要的是,我们可以为客户服务的价值。”
其中一个例子,是使用Customer Engagement Engine在2020年丛林大火期间向客户提供紧急消息。
Comyn表示,澳大利亚联邦银行对技术的投资,特别是数据、机器学习和人工智能(AI),让该银行对每个客户的个人需求都有“独特的洞察”。他还特别强调了投资新兴技术(如AI和机器学习)带来的收益。
他说:“现在我们可以充分利用大规模分析技术的强大功能和优势,以及卓越的计算能力——正如你可以想象的,作为一家金融机构,我们整个组织内部使用的数据集是非常庞大的。”
“我们利用这一点为客户提供个性化的洞察,有很多领域是我希望可以加快发展步伐的,我们的Customer Engagement Engine每天都在发生变化……就拿规模来说,几年前当Customer Engagement Engine最初问世的时候,我们并不知道我们将实时获得1570亿个数据点。”
但除了预测能力之外,Comyn表示,重要的是要确保银行能够掌控“可解释性”问题。
他补充说:“企业如何使用数据,对于全球的监管机构来说,显然是一个新兴的领域,这是我们未来技术战略的一个重要组成部分。对我们来说这是一个值得关注的领域。”
Comyn称,疫情促使企业组织发生了一些结构性的转变。目前澳大利亚联邦银行有大约750万的活跃数字用户,其中630万用户经常使用Commbank应用——到2020年,这个数字将增加约40万。
保持“忙碌”
澳大利亚联邦银行还庆祝了旗下风投部门X15 Ventures成立一周年。
成立的这一年来,X15已经创立或者扩展整合了四家新的合资企业,上周,该银行宣布收购第五家合资企业Doshii。
Doshii是一个面向酒店业的云平台,将酒店场地、POS和其他应用(如预订平台和在线交付服务)结合在一起。
“去年X15成立的时候,我们的使命是向市场推出前所未有的新解决方案,增强客户的能力,Doshii正是这样一家公司,拥有令人振奋的业务定位,领先的技术,平台上不断增长的应用,以及不断扩大的商家生态系统,”X15董事总经理Toby Norton-Smith这样说道。
他表示,这一年中,X15在Comyn和银行高管团队的支持下,目标已经实现。
他解释说:“我们的目标是打造一种风投模式,融合了最理想的规模和来自支持方Commbank最好的资产,同时又能确保留住人才,保持形象、技术灵活性和初创公司的模式。”
澳大利亚联邦银行的目的是将Commbank应用打造成为“客户数字生活中心”,Norton-Smith说,他们意识到自己是无法面面俱到的,需要引入“最佳外部合作伙伴,包括来自X15的风投企业”。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。