案例名称:【掌上行经营管理信息平台让数据赋能管理】
公司名称:【上海银行股份有限公司(601229)】
案例简述:
掌上行经营管理信息平台是上海银行各级管理者开展经营管理工作的基础平台,它立足于上海银行新三年战略规划要求,目标是实现经营管理数据看得全、看得清、看得透,实现管得好,是推进全行数字化转型的重要举措。掌上行坚持以数据驱动管理为核心,紧扣管理重点,着力刻画全行重要经营活动和管理事项,通过制度化的约束机制,实现从“数据展现”到“管理执行力”转变,建立了全行数字化工作生态。
掌上行在内容上强调立足全局、整合协同,机制上体现问题导向、管理驱动,将业务场景与管理数据相融合,做到经营信息真实、透明。掌上行将金融科技和业务转型需求紧密结合,颠覆传统管理流程和信息传递模式,建立全行一体化的可视化经营数据展现和分析工具,实现经营管理数据“快、准、全、透”,同时,结合全场景应用构建起企业级经营分析指标体系,实现核心经营指标3000余项,精确刻画重要经营活动和管理事项;聚焦管理转型,依托数据建立研判经营问题和数据驱动的闭环机制,加速形成全行数据驱动管理的工作模式。
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。