在移动互联网、数字支付、新兴银行等影响下,全球银行业正在迈入数字化时代。金融科技和平台效应已成为银行业不可忽视的话题。尤其是本次疫情中,当线下网点无法有效触达客户时,推动金融服务云化、智能化的迫切性更加突出。因此,银行普遍希望拥抱金融科技,按下数字化转型的“快进键”。
在转型过程中,银行在IT架构面临诸多挑战。一方面为了合规、业务连续性和灾难恢复,银行大多采用传统IT架构确保核心业务的稳定运行;另一方面,为了打造金融创新应用,银行需要采用云架构打造数字化生态系统。56%的多云领域专家预计,到2021年大多数的新应用将在云上构建。近日,国家发展改革委、中央网信办也研究制定了《关于推进“上云用数赋智”行动培育新经济发展实施方案》,指出要深化数字化转型服务,打造数字化企业、构建数字化产业链。因此,加速上云也成为银行业发展的重要战略方向。
在银行内部,传统IT架构依然承载着核心业务应用。而新金融业务爆发,使得传统IT架构难以适应快速迭代、交易量高峰值等要求。
其次,银行大多采用物理主机承载业务应用,在出现系统容量或者性能不足的时候,难以进行扩展,且成本偏高。当然,采用开放的云架构的好处是显而易见的,企业可以采用软件定义的方式实现系统的敏捷性、可用性,快速应对业务对性能的需求,并且可以降低现有的IT投入。但金融机构本身的限制性造成核心系统上云比例不高:一方面,银行、保险、证券等在监管要求、业务需求上千差万别,导致云计算运用产生很大差别;另一方面,对于金融机构而言,业务与IT系统复杂,规模较大,IT环境复杂,对安全合规要求高,造成实施上云战略不会一蹴而就。
同时,打造一专多能的IT型人才队伍也需要大量的成本投入。因此,选择一个强有力的合作伙伴帮助其实现创新和转型至关重要。
随着银行上云进程的加速,IT架构也越来越复杂,公有云、私有云、混合云、多云等共存成为司空见惯的趋势。在这样的趋势下,传统的IT管理架构面临诸多挑战,存在资源难以管理、跨部门协作响应慢等问题。
特别是银行既有传统的业务应用,又有面向互联网场景的应用,横跨多个云平台、多云和多集群环境也变得更加复杂,管理难度不断提升,对跨云平台的运维和管理带来了更高的挑战。比如操作系统、数据库、中间件类型与版本众多,安装与管理复杂;各个环境一致性要求高,克隆拷贝数量大,且频繁;业务需求变化快,开发、测试、部署频繁,IT工程师高负荷运转。
IBM的多云管理方法具有集成和编配层,可以通过技术堆栈提供一致性管理。这使客户能够控制云的使用,减少影子IT,并提供对整个IT资产的性能、可用性、治理和成本的基本可见性。同时,通过AIOps统一的方式实现智能IT运营,扩展ITSM集成/服务管理和云原生环境中的DevOps流程,实现应用的快速上云、迭代,让多云管理更具前瞻性、可预测性。
在业务层面,金融行业有着不同于其他行业的特殊性,对安全要求性极高。为了业务数据安全,银行需要将现有灾备机制并拓展到开放环境的灾备复原需求,以免在系统转型的过程中影响日常运营。
而IBM拥有为混合多云环境构建最佳的、有弹性的、安全的环境所需的专业知识和技能,可以将计划外停机时间减少65%,并创建一个灾难恢复流程,将配置和测试时间从几天/小时加速到几分钟。
面对复杂多变的市场环境,混合多云成为银行业数字化变革的新常态,但银行如何在多云管理方面既能“稳定可控”,也能“快速敏捷”?这将是一个长期的话题。只有持续优化现有技术和基础设施投资,创建一个敏捷、弹性、开放、安全的多云架构,银行业才能最终实现业务永续,以应对数字化重塑。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。