案例名称:【利用数据中台赋能管理运营数字化转型】
公司名称:【西部证券股份有限公司(002673)】
案例简述:
数据是企业的新型资产,提升数据使用效率、挖掘数据资产价值是各行业的热门课题。为沉淀公司数据资产,满足上层系统对大数据需求,为全公司经营管理赋能,并解决现阶段数据标准质量差、分析决策难、数据价值变现难等难题,公司不断研究探索数字化转型有效路径,发挥数字化效能优势。
为发挥金融科技效能,集中力量推进数字化转型,公司组建了数字化转型专业团队,统筹规划并实施数字化转型线路,形成了“将业务和运营过程的数字化贯穿到全业务链,发展金融科技与数据经营''的总体规划思路。公司从管理层出发,自上而下全局部署数据资产建设方案。
本案例应用大数据技术,搭建了基于Hadoop架构的公司级数据中台体系,包含技术平台、治理管控体系、以及基于应用场景数据需求的各类数据集市,通过数据推送、API接口服务为各下游应用系统提供数据支持,包括信天游APP、统一报送平台、自助分析BI工具等,提高了下游系统数据质量、统一了指标口径,全方位赋能业务数字化转型及发展创新。
扫码查看详细案例
好文章,需要你的鼓励
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。