股份制银行的金融科技革新之路
当前,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,面对不断变化的金融新常态以及日趋激烈的市场竞争,各大商业银行纷纷选择战略转型,在数字化发展中拥抱4.0时代。
银行业的IT系统经过长期的发展,规模较大,IT环境复杂。为数众多的金融企业仍然在使用着老旧过时的传统IT基础设施和流程,导致业务营运效率低。为此,银行业需要借助云计算技术驱动核心业务云化升级响应混合多云的环境,构建具备可移植性和灵活性的基础架构,包括银行私有云平台、数据中台、分布式PaaS平台、项目可视化平台等基础平台建设,确保业务系统的高效运行。
在IT基础设施改造过程中,银行通过内部私有云建设才能更好地承载核心业务云化,实现传统业务系统的现代化改造,满足外部大容量应用、合作伙伴接口、物联网流量和多云交互对其进行直接访问。同时,银行积极引入外部公有云,将非核心业务应用和创新应用“外迁”,可以更好地驱动业务创新的数量和速度。
通过规模化、敏捷化上云,银行势必会面临混合多云的环境。因此,IT基础设施的优化和改造只是起点,如何安全且一致性进行跨平台、跨供应商的管理多云环境,满足安全可控、合规、弹性,以及实现业务永续,是银行应对混合多云环境的关键。
混合多云环境下,银行面对的是来自多个云服务供应商的各种IT服务,从大类看,一类是私有云,一类是公有云,如果将这些不同类型的云进行贯通,其实并不像“1+1=2”那样简单。
在拥抱混合多云架构后,银行面对的数据越来越多、业务越来越复杂。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。
例如成本方面,虽然银行从一开始就通过利用多个云计算提供商来实现成本效率似乎是合理的,但从长远来看,缺乏工具和标准,以及低效率来跟踪云平台的使用和成本,可能代价更加高昂。
银行在多云管理方面需要确保对整个IT资产的性能、可用性、治理和成本的基本可见性,降低IT成本,并实现对多云技术堆栈提供一致性管理。同时,需要通过AIOps统一的方式进行智能化整合管理,也就是扩展ITSM集成/服务管理和云原生环境中的DevOps流程。
多云环境之下,企业也要面对跨云迁移,在数据一致性、低时延、高可靠等方面形成了新的挑战。在数据迁移方面,云之间的数据迁移、各个平台缺乏统一的安全监督、所有平台之间缺乏一致的管理结构,以及无法快速部署应用程序。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。这就要求银行在进行应用的多云部署时最小化风险,满足安全与业务连续性的法规遵循要求,比如创建灾难恢复流程。
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
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。