ZD至顶网软件频道消息: 2016年11月18日,毕马威中国领先金融科技公司50颁奖暨研讨会在沪盛大开启。本次论坛旨在探讨金融科技与互联网金融的发展趋势,从而推动金融科技和普惠金融的发展。天云大数据荣选领先金融科技50强企业,天云大数据CEO雷涛出席本次活动并参与圆桌讨论。十一届全国政协副主席李金华、中国中小企业协会会长李子彬、毕马威中国管理咨询合伙人张俊铭等600多名政商界人士出席本次论坛。
近年来,新兴的金融科技企业利用大数据、云计算、区块链等技术手段对传统金融行业所提供的产品和服务进行个性创新,提升了金融服务效率。以大数据、人工智能背景的天云大数据,与蚂蚁金服、京东金融、微众银行等新型金融公司被一同选入TOP50榜单,以科技为尖刀切入金融领域,以高效率的科技手段抢占市场,提升金融服务效率以及更好的风险管理。
研讨金融科技与互联网金融的发展,与会嘉宾的普遍共识是:领先信息科技的创新应用是解决金融服务痛点,提升金融服务效率的终极解决思路。
天云大数据CEO雷涛也在论坛中表示,数据服务于金融多年,比如商业智能BI,在如今人工智能AI的热潮中,BI与AI的定位将有进一步演进,基于大数据为核心的AI、区块链技术模式,正在对金融基础设施带来巨大变化。
目前的大数据反欺诈技术离不开文本挖掘,最重要的是语义识别。其次重要的是图像的挖掘,包括OCR识别图像文字、相似图片等等。传统申卡欺诈分析中往往运用强变量来评估个人在未来信用卡使用行为中的表现,没有整合分析其他维度的数据源。
而大数据申卡欺诈分析预警系统,首先,融合了信用卡申请环节的各个业务数据,解决了数据孤岛的问题;其次,引入第三方数据,比如银联数据等,扩展了数据的维度;最后,通过复杂网络技术,构建申卡客户的社交复杂网络提供客户的社交数据,在拓展覆盖维度的同时,以弱变量来体现强变量,并且实现了社交数据的高频率更新,提高了数据的准确有效性。
天云大数据深耕金融领域多年,在申卡反欺诈分析预警系统提供多例解决方案,成功融合银行内部的数据,建立数据挖掘系统,引入地域关系、联系关系、推荐关系等拓展建立申请人社交关系复杂网络,联合银行信用卡申请系统数据,利用大数据分析技术,建立信用卡申卡欺诈分析预警新模式。
天云大数据的人工智能平台MaximAI,突破了Hadoop、Spark在部署使用上的瓶颈,在SPARK/ALLUXIO分布式内存计算框架下,使用scala语言彻底重构了深度强化学习等前沿数据科学算法,同时采用Free coding的免代码交互式调参优化,不再依赖于昂贵的GPU,在商业化X86集群上即可运行深度学习,实现了从并行化计算到分布式计算的转变。从而解决了分布式与机器学习算法难结合的问题,能够帮助企业快速实现AI产业化。
在银行信用定价方面,Maxim AI可针对千万级别信用卡客户的风险进行分析,针对不同风险值的信用卡客户的利率差别市场化。通过MaximAI平台为银行业进行用户属性分析,提供定制化资金服务的模式是在改变金融产品设计以及其交互方式。
在本次论坛上,天云大数据还同期发布了大数据日报,包括大数据、人工智能、Fintech等主题,轻松订阅便可帮助用户洞悉最前沿资讯。大数据日报无需人工编目,MGC引擎根据热点主题信息可实现机器自动抓取全网资讯,并可个性化定制其他主题。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
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。