Hang Seng Electronics'in Baş Mimarı Zhang Leyan: Finans kuruluşları bir veri merkezi olmak için kaç adım atmalı? | Açık sınıf incelemesi
28 Mart'ta Hang Seng Electronics'in Baş Mimarı, Veri Merkezi Geliştirme Departmanı Müdürü ve Hang Seng Araştırma Enstitüsü Baş Teknik Uzmanı Zhang Leyan, Leifeng.com'da "Akıllı Finans için Yeni Altyapı" konulu açık bir sınıfta verilerin derinlemesine analizini verdi. Tayvanın finans alanındaki uygulaması ve uygulaması.
Gelecekte daha fazla kurs başlatılacak, sınıfa kaydolmak için WeChat LorraineSummer hesabını ekleyin veya bu dersin video oynatımını izleyin.
Zhang Leyan, finansal kurumların verilerini iki yere ayırıyor: Bir yanda çeşitli iş sistemlerinin bir arada gruplandırıldığı veri ambarı (veri ambarı) olan iş veri merkezi, diğer yanda büyük miktarda dış verinin bulunduğu bilgi veri merkezi. İşletme sisteminin önemli küçük verileri, büyük miktarda büyük veriyi dış bilgilerden birleştirmektir - veri merkezinin rolü, iki merkezi seri olarak birbirine bağlamak, ilgili veri standartlarını oluşturmak, bu verilerin değer üretmesine izin vermek ve ardından işletmeye geri beslemektir. Sahneye gidin.
Hang Seng Electronics'in inşaat tecrübesi ile son teknolojik trendleri birleştiren Zhang Leyan, sadece finans kurumu veri merkezinin yapımının gerekliliğini anlatmakla kalmadı, aynı zamanda merkezin yapımı için oldukça detaylı adımlar attı.
Aşağıdaki, Zhang Leyan tarafından paylaşılan içeriğin bir alıntıdır: Leifeng.com'un Yapay Zeka Finansal İncelemesi, asıl amacı değiştirmedi.
Verilerdeki Tayvan kavramı, özellikle geçtiğimiz yıl son zamanlarda çok popüler oldu. 2018'in sonunda Hang Seng Electronics, finans kurumlarının veri merkezleri oluşturmasına yardımcı olmak için Veri Merkezi Geliştirme Departmanını kurdu. Belki de Hang Seng'in Ant Financial ile belirli bir ilişkisi vardır ve biz Dazhongtai kavramını tartışıyoruz.
Tüm finans endüstrisinde, teknolojinin finans endüstrisi üzerindeki etkisinin uzama açısından, sanayi devrimi ve bilgi teknolojisinin iyileştirilmesi de dahil olmak üzere, son bir veya iki yüz yılda hala açık olduğunu söyleyen yaygın bir söz var.
Son birkaç on yıla yakın bir şekilde, tüm finans endüstrisinin dijital, ağ bağlantılı ve akıllı "üç dalga" eğilimini açıkça görebiliyoruz. Özellikle zekanın temeli aslında veridir. Finans sektörünün kendisi büyük miktarda veriye sahip olduğundan ve İnternet teknolojisinin üst üste binmesinden sonra daha fazla veri üretilir ve bu da ilgili akıllı uygulamaları oluşturmamıza yardımcı olur.
Menkul kıymetler, vadeli işlemler, fonlar, bankalar, sigortalar, tröstler ve ayrıca borsalar da dahil olmak üzere Çin'deki lisanslı finans kurumları, kayıt ve uzlaştırma şirketleri, Şangay ve Shenzhen borsaları ve vadeli işlemler de dahil olmak üzere tüm sektörün altyapısı dediğimiz şeydir. Öyleyse bekle. Hang Seng Electronics, 20 yıldan fazla bir süredir finans endüstrisi çevresinde buna uygun BT inşaatı yapmaktadır.
Örnek olarak Hang Seng Electronics'in dikkat ettiği varlık yönetimi alanını ele alalım. Menkul kıymetler şirketleri ve fon şirketleri, finansal ürünler sağlar ve genellikle varlık yönetimi olarak adlandırılan finansal ürünler satar; fonlar toplandıktan sonra, finansal kuruluşların nasıl yatırım yaptığı varlık yönetimini içerir.
Döküm açısından, bu iki sektörün, tümü verilerle ilgili olan yatırım araştırması, risk yönetimi, müşteri hizmetleri, operasyon yönetimi vb. Dahil olmak üzere ilgili iş etkenlerini elde etmek için veri tabanlı olması gerekir. Gördüğümüz şey, geleneksel uygulamalardan dijitalleşmeye geçiş.
Örneğin, yatırım araştırmasında akıllı yatırım araştırması gerçekleştirmek için büyük veriye atıfta bulunulması gerekir. Müşteri tanımlama açısından, lisanslı finansal kuruluşların KYC gereksinimleri vardır ve müşterilerin uygunluğu konusunda net kararlar vermeleri gerekir, aksi takdirde ilgili yasal sorumlulukları üstlenmeleri gerekir.
Örneğin, finansal faaliyetlere katılırken, bir yatırımcı veya finansal tüketici olabilirsiniz Finansal bir tüketici olarak, tüketici haklarının korunmasına yönelik ilgili yasa ve düzenlemelere tabi olacaksınız.Peki finans kuruluşları nasıl anlıyor? Müşterilerin ayrıca birçok dijital gereksinimleri olacaktır.
Tüm endüstri perspektifinden bakıldığında, verilerin akıllıca uygulanması tüm endüstri üzerinde artan bir etkiye sahiptir.
Tayvan'ın finans kurumlarındaki verilerdeki "rol analizi"
Finansal kuruluşların verileri iki kısma ayrılabilir, Tek parça, çeşitli iş sistemlerini birleştiren bir iş veri merkezidir.Genel olarak biz buna geleneksel alanda veri ambarı (veri ambarı) diyoruz. . Geçen yüzyıldan beri, herkes veri ambarları inşa ediyor ve şimdi, teknolojinin gelişmesiyle birlikte veri ambarları aslında pek çok değişikliğe uğradı.
Diğer bir parça ise bilgi veri merkezi, Buradaki büyük miktarda veri dışarıdan gelir ve işletme sisteminin temel küçük verileri, dış bilgilerden büyük miktarda büyük veri ile üst üste bindirilir.
Finans kuruluşları bir veri merkezi kurmak istiyorlarsa hem iş veri merkezlerine hem de bilgi veri merkezlerine dikkat etmeleri gerekiyor. Elbette verinin iki yönü birbirinden ayrılamaz, verinin iki yönünün kurumlar, kişiler ve ürünler aracılığıyla yakından bağlantılı olacağını gözlemledik. İşletme yönetimi, varlık yönetimi işi, risk yönetimi işi, varlık yönetimi işi, kurumsal hizmet işi ve aracılık işi gibi finansal kurumların çeşitli iş sistemlerinden veri alıyor ve ilgili standartları oluşturuyoruz.
Bu veriler değer üretir ve iş senaryosuna geri beslenmesi gerekir.
Örneğin, veri ambarlarında şirketin çalışma koşullarını ve çeşitli iş eğilimlerini analiz etmek için birçok BI analisti vardır; finans kurumları, çeşitli yatırım fırsatlarını keşfetmesi ve ilgili yatırım risklerini kontrol etmesi gereken endüstri araştırma personeli dahil olmak üzere birçok finansal mühendislik personeline sahiptir.
Çeşitli iş senaryolarını güçlendirmek için hizmetlerin sağlanabileceği bir veri merkezi olarak, bu aynı zamanda veri merkezinin uygulandığında ve inşa edildiğinde cevap vermesi gereken şeydir.
-
Kurumsal portre
İş veri merkezi ile bilgi veri merkezi arasında bir ilişki vardır.Bunlardan en önemlisi ikidir.Birine kullanıcı portresi, diğerine kurumsal portre diyoruz.
Finans kurumlarının tamamı hizmet sektörleridir ve hizmet sektörü müşterilerinize hizmet etmektir. Müşteriler nasıl tasvir edilir? Özellikle servet yönetimi alanı çok önemlidir.Müşterileri tasvir etmek için dış taraflar da dahil olmak üzere çeşitli kanallardan ilgili verilerin elde edilmesi gerekir, buna kullanıcı portresi denir.
Fon oluşturduktan sonra, yatırım hedefleriniz bazı şirketlerle ilgilidir ve çekirdek yatırım hedef şirketlerinin etrafında olduğundan, hedef şirketlerin nasıl karakterize edileceği de, finansal veri analizi, duyurular / araştırma raporları / belge analizi, dernekler gibi çok önemlidir. Finansal ürün analizi, kurumsal harita-öz sermaye risk analizi, endüstri haritası-endüstri risk analizi, haberler ve kamuoyu analizi vb.
Kurumsal portresini örnek olarak alın. Teknolojinin ilerlemesiyle, bir şirketi analiz etmek için gittikçe daha fazla yeni yöntem olduğunu keşfettik.Örneğin, sadece analiz edilen bir şirket değil, tüm endüstri zincirinin yukarı ve aşağı akış ilişkilerini analiz etmek için sözde bir kurumsal harita ve öz sermaye ilişkisi kurulacak analizi.
Bir bilgi grafiği oluştururken, kolayca yapılandırılabilen mali tabloların aksine, birçok dış bilgi metin bilgisidir. Büyük miktarda harici metin bilgisi ile uğraşırken, temel anahtar içeriğini çıkarmak için ilgili doğal dil işleme teknolojisini kullanmak gerekir.
Tabii ki yatırım yaparken, yatırımcılar dedikoduları dinlemeyi tercih ederler, bu nedenle herkes profesyonel analiz, idari olaylar, üretim güvenliği olayları, endüstri olaylarının profesyonel yorumu vb. Dahil olmak üzere haberlere ve kamuoyuna dikkat edecektir. Haber kamuoyu da herkesin dikkat ettiği bir alandır ve aktarım tüm işletmeyi etkileyecektir.
Ali, veri merkezi hakkında konuşurken sık sık One ID adlı bir kavramdan bahseder.Geleneksel finans kurumlarında, çok resmi bir finansal ürünseniz, One ID'nin uygulanması kolaydır, ancak çok sayıda harici bilgi verirseniz, One ID yapar Bu çok zor bir şey.
Örneğin, bir hisse senediyse, 600570 açık bir kimliktir, ancak haberlere ve bilgilere giderseniz, Çince yazılmış "Heng Seng Electronics" olabilir, tam adı olabilir, listelenen birçok şirket dahil olmak üzere kısaltma olabilir ve Grup şirketleri, anonim şirketler. Ancak haberlerdeki haberlerden bahsederken, bilgilerin bu şirkete mi yoksa iştiraklerine mi ait olduğu doğru bir şekilde nasıl belirlenir?
Şu anda, One ID'yi işlemek gerçekten çok zor bir iş. Hang Seng Electronics'in ne tür sözlere sahip olduğunu anlayabilmeniz için bağlam veya büyük bir sözlük aracılığıyla bir finansal sözlüğü oluşturmak gerekiyor. Bağlamsal analiz, ana şirket mi, anonim şirket mi yoksa yan şirket mi olduğunu bilir.
One ID oluştururken, makineler bazen onu tanımlamak için kullanılır, özellikle de AI teknolojisi. Aslında, nihai sonuç genellikle bir olasılık sorunudur ve insan ve makinenin bir kombinasyonunu gerektirebilir.
Bir finans kurumu veri merkezi yapmak için kaç adım atmalıdır?
Bir finans kuruluşunun çok sayıda veri varlığı vardır. Öncelikle, kaç tane veri varlığının olduğu açık olmalıdır. Ancak açık olduğunda, veriler bir varlık haline gelebilir ve verilere dayalı olarak bazı işbirliği yapılabilir.
Her işletmenin koordine etmesi için iki yaklaşım vardır: Birincisi, her bir geleneksel iş sisteminin birbirleriyle işbirliği yapabilmeleri için arayüzünü açmasıdır.
Başka bir türü daha var: Genel olarak, finans kurumlarının birçok geliştirici sistemi vardır.Bu geliştirici sistemlerinin API kontrolü, geliştiricilerin sağlayabileceği bir şey değildir. API başarısız olduğunda iş işbirliği nasıl gerçekleştirilir? Aslında, ilgili işbirliği veriler aracılığıyla yapılabilir, ancak burada hangi veri varlıklarının bulunduğunu net bir şekilde bilmeniz gerekir.
İç veri varlıkları makul olabilir. Büyük miktarda dış veri sunduğunuzda, sözde büyük verilerin çoğu büyük miktarlarda dış verilerdir. Bu dış veriler farklı iş birimleri tarafından satın alınmış olabilir - tüm şirketin perspektifinden, Hangi veriler? Bu halletmek için.
-
Veri standardizasyonu
Bu kadar çok veri varlığıyla nasıl başvurulur? Önemli olan nokta Karşılık gelen veri standartları olmalıdır, aksi takdirde herkes farklı kavram tanımlarına, verilerin istatistiksel kalibrelerine ve göstergelerin tanımlarına sahip olacak ve sinerji elde etmek çok zor olacaktır.
İlk olarak, tüm varlıklar varlık haritaları ve varlık katalogları aracılığıyla yönetilir ve karşılık gelen öğelerle açıklanır: Hangi veriler? Hangi kütüphanede? Sorumlu kim? Hangi iş sistemi ile ilgilidir? Sözde orijinal veriler bu temelde açıklığa kavuşturulmalı ve standartlaştırılmalıdır.
Aslında, genel olarak veri merkezinden bahsedecek olursak, veri yönetişiminin çok önemli bir parçasının, kavramların tanımı ve göstergelerin tanımının nasıl birleştirileceği de dahil olmak üzere veri standardı olduğundan bahsedilecektir.
Bu özellikle finans sektörü için geçerlidir. Finansal sektörde bazı göstergeler çok önemlidir çünkü finansal kuruluşlar ilgili yasal sorumlulukları üstlenmek zorundadırlar.Bir yandan çeşitli bilgileri denetim otoritesine raporlamaları, diğer yandan da çeşitli bilgileri kamuoyuna açıklamaları gerekmektedir. İlgili verilerin istatistiksel çapının tutarlı olması gerekir, aksi takdirde sorunlar ortaya çıkacaktır. Bunun arkasında, ilgili veri standartlarının formülasyonunu gerçekleştirme ihtiyacı vardır.
Veri standartlarının geliştirilmesi, API arayüzlerinin geliştirilmesi ile aynıdır, biri kararlılık, diğeri ise minimizasyon prensibidir.
-
Bilgi Servisi
Veriler sıralandıktan ve standartlaştırılmış veriler standartlaştırıldıktan sonra, verileri kullanmak isteyen departmanlar için ilgili veri hizmetlerini sağlamaktır.Veriye hizmet verilmelidir. Sonuçta, veri merkezi, iş yeniliğini geliştirmek için zemin ve iş yeniliğini teşvik etmek için verilerin kullanım garantisidir. . Aslında veri merkezi projesinin uygulama aşamasında toplamda kaç tane veri hizmetinin sağlanması gerektiğini net bir şekilde tanımlamak zordur.
Bu nedenle, bir veri merkezi oluştururken, aşağı akış için veri hizmetleri sağlayabilen finansal kurumlar için nispeten çevik bir platform oluşturmayı umuyoruz. Bunlar arasında araçlar çok önemlidir.
Alt iş sistemi erişim gereksinimleri sağladığında, ilgili uygulama nasıl hızlı bir şekilde uygulanmalıdır? Finans kurumları veri ambarları yaparken, alt şirket şirketlerin ihtiyaçları olduğunda masa yapısı hakkında doğrudan alt şirketlere bilgi verdikleri, böylece alt şirketlerin bunlara doğrudan bağlanıp onları alabileceği ortaya çıktı.
Şu anda birçok soru keşfedilecek: Veri merkezindeki tablolarda kaç nesne gösteriliyor? Sizin için kaç aşağı akış uygulaması önemlidir? Bunu kontrol etmek aslında çok zor. Ortaya bir veri hizmeti katmanı eklerseniz ve bunu API ve mikro hizmetler şeklinde aşağı akışa sağlarsanız, kullanım nesnelerini ve kullanım sıklığını buna göre kontrol edebilirsiniz.
Son olarak, tüm veriler ayarlandı, yapay zeka uygulaması nasıl yansıtılır? Yapay zeka için makine öğrenimi, One ID, büyük veri, bilgi grafikleri vb. Gibi birçok profesyonel gereksinim vardır. Bu kişiler çok profesyoneldir, ancak aşağıdaki uygulama departmanı pek çok benzer profesyonelle donatılamaz. Şu anda orta ve Tayvan departmanları üstlenecek Bu profesyonel yeteneklerin hızlandırıcı etkisi, yapay zeka ile ilgili ekipler ve platformlar oluşturarak verileri kullanan aşağı akış departmanlarına bu tür profesyonel hizmetler sağlamaktır.
Bu tür bir veri merkezi, biz ona yeni altyapı diyoruz.
Neden yenidir? Geçen yüzyılın başından beri veri ambarları kurmaya başladık.Şimdi veri merkezi daha fazla veri madenciliği ve veri analizi teknolojisine sahip ve AI işleme yeteneklerine sahip. Artık birçok finans kurumunun geleneksel veri ambarı teknolojisine sahip olduğunu görüyoruz.Büyük miktarda harici büyük veri geldiğinde, tüm teknoloji platformunun buna göre yükseltilmesi gerekiyor. .
Veri formatı açısından, büyük miktarda metinsel yapılandırılmamış veri geliyor ve veri miktarı artıyor, bu nedenle yeni altyapının kurulması gerekiyor.
Peki, yeni altyapı inşa edilirken önünüzde ne göreceksiniz? Veri yönetişimi, veri varlıklarının nasıl ayrıştırılacağı, veri kalitesinin nasıl sağlanacağı, veri standartlarının nasıl formüle edileceği ve akıllı uygulamalarla ilgili bazı temel çalışmaların hala nispeten zayıf olduğu doğrudur. Bu yüzden, finansal makineler için bir veri merkezi oluştururken, gerçekten de çözülmesi gereken pek çok acil sorun olduğunu söylediğimde.
Veri merkezleme kavramı geçen yıl popüler hale geldikten sonra, birçok kişi veri merkezleme hizmetleri sağlayabileceklerini söyledi.Aslında çoğu durumda, veri platformu için bir dizi teknik araç sağlıyorlar. Aletler gereklidir, ancak alet edindikten sonra birçok şeyin yapılması gerekir.
Örneğin, sermaye piyasasındaki çeşitli finansal kurumlar, en kritik çekirdek sistemlerinin otuz veya kırk setine sahiptir; bazen aynı tür iş sistemi için iki geliştirici veya farklı müşteri özelliklerine dayalı aynı tür iş için farklı sistemler içerir.
Yıllar içinde pek çok çekirdek iş sistemi türü ve birçok sürümü vardır. Veri toplamak için, temel iş sistemlerinin kenetlenme yeteneğine ihtiyacı var.
-
Harici bilgi satıcılarıyla bağlantı kurmak
Ek olarak, veri merkezinin çeşitli bilgi satıcılarıyla da bağlantı kurması gerekir.
Tüm sermaye piyasasında, bazıları daha kapsamlı veriler sağlayan ve bazıları da karakteristik veriler olan düzinelerce harici bilgi satıcısı vardır. Bu büyük bilgi sağlayıcılarına ek olarak, bazen finansal kurumlar, belirli bir endüstri web sitesindeki veriler gibi kendi özelliklerine dayalı olarak belirli verileri satın alır. Bu harici veriler buna göre ilişkilendirilmeli ve yönetilmelidir.
Dahası, bilgi satıcılarından gelen harici verilerin bir başka önemli özelliği daha vardır, yani veri yapısı çok istikrarsızdır.Birleşik bir endüstri standardı olmadan, şirketlerin kendi kurumsal standartlarını oluşturması gerekir, aksi takdirde dış kaynaklardan benzer veriler ortaya çıkabilir. Bir alan aynı ada ancak farklı anlamlara sahip olduğunda. Bu veriler istikrarsız olduğundan, verilerin kalitesini sağlamak için çok sayıda denetim kuralı oluşturulmalıdır.
Ek olarak, veri merkezi kurulduğundan beri, iş sistemleri ve downstream uygulamalar olmadan doğrudan basılan göstergeler aynı kalibreye sahip olmalıdır.Kalibre tekdüzeliğini sağlamak için bu tür kaç tane kamu göstergesinin olduğunu sıralamak gerekir.Bu aynı zamanda merkezin değerinin önemli bir tezahürüdür. Bu içerikler şu anda insan gücüne dayanmaktadır.
AI harikadır, ancak aynı zamanda arkasında çok fazla insan girdisi gerektirir. Örneğin, finans kurumları çok fazla bilgi, yani metin işleme ile uğraşmak zorundadır. Çince metin işlemede çok önemli bir konu, Çince'nin özellikle insanlar ve yer adları gibi ciddi belirsizliklere sahip olmasıdır. Nasıl çözülür? Bir kelime ormanı ve buna karşılık gelen bir bilgi grafiği oluşturmak ve bağlamı NLP teknolojisi ile değerlendirmek gerekir ve çok sayıda negatif örneğe de ihtiyaç vardır. Bu, çok fazla el emeği gerektirir.
-
Bilgi grafiği yapımı
AI alanındaki bir diğer önemli husus bilgi grafiğidir. Örneğin, bir işletme zinciri oluştururken, yatırım yaparken, yatırım hedefi olan işletmenin ve ona bağlı kuruluşların risklerini değerlendirmek gerekir. Mevcut iş verileri on milyonlarca olabilir ve bunlara karşılık gelen öznitelikler ... Bu bilgi grafikleri veya veri grafikleri ve veritabanları oluşturma ve uygulama yeteneği, erken aşamada insan gücü gerektirir. RPA son zamanlarda daha popüler hale geldi Finans sektöründe, satın alma bilgilerine ek olarak, bazı dış verilere de ihtiyaç duyulmakta ve İnternet verilerini işlemek için bazı teknik araçlara ihtiyaç duyulmaktadır.
Veri uygulama alanı da çok önemli Sonuçta bir veri merkezi inşa etmek için çok para harcandı.Veri merkezi projesinin tamamlandıktan sonra hangi uygulamaları destekleyebileceğini söylemezseniz, projenin işletme içinde kurulmasında sorunlar çıkacaktır.
Finans kurumlarında, veri merkezi tarafından desteklenen dört ana uygulama vardır: iş yönetimi, risk yönetimi, pazarlama yönetimi ve yatırım araştırması.
İşletme yönetimi, herkes çok iyi anlar Bir şirket lideri bir rapor hazırlamak isterse, yine de çeşitli verilere bakması gerekir mi? Pazarlama müşteri merkezlidir.İlgili yatırımcılara hizmet etmek için pazarlama yöneticilerinin desteklemek için birçok veri uygulamasına ihtiyacı vardır. Ancak yatırım için risk de çok önemlidir, bu nedenle risk yönetimi, risk uyumu ve risk kontrolü de büyük ölçüde verilere bağlıdır. Yatırım araştırması daha çok dış veriye ihtiyaç duyar.
Bu nedenle, bir veri merkezi kurmak için, şu anda insan gücü tarafından birçok sorunun çözülmesi gerekebilir ve bu kısım hala nispeten büyük bir orana sahiptir. Ayrıca, sonraki teknolojik gelişmelerin insan işleme verimliliğini büyük ölçüde artırabileceğini umuyoruz.
Özetlemek gerekirse: alt katman, veri merkezinin teknik platformudur.Verileri yönetmek, ilgili veri geliştirmeyi yapmak, harici hizmetler sağlamak, ilgili AI yeteneklerini oluşturmak ve bir AI araç platformu oluşturmak gerekir. Bu araç platformu ile finans kurumlarının, iş veri merkezleri ve bilgi veri merkezleri de dahil olmak üzere çeşitli veri merkezleri kurmalarına yardımcı olacak, bunlar da yukarı akış senaryolarına göre aşamalar halinde kurulacak.Orijinal uygulamalar kademeli olarak yeni veri merkezine taşınabilecek. Mimari ortaya çıkıyor. Bir veri merkezi olmadan önce finans sektöründeki herkes de veriye büyük önem veriyordu ve kullanımda olan birçok uygulama vardı. Veri merkezi oluşturulduktan sonra, eski uygulamalar yeniden basitçe kaldırılamaz ve bu nedenle, çok sayıda aşağı akış uygulamasını sorunsuz bir şekilde geçiren bir yükseltme planına ihtiyaç vardır.
Uygulama detaylı işletme portresi
Yukarıda bahsedilen "kirli ve yorucu iş" e ek olarak, veri merkezinde hala yapılması harika görünen birçok şey var.
Örneğin, kurumsal portreler, bilgi merkezindeki çok önemli veriler, yatırım hedefi şirketi açıkça tanımlamaktır ve açıklama, gerçekten de finansal kurumların temel faaliyetleri için iyi bir destek sağlayacaktır. Bunların arasında çok sayıda AI teknolojisinin de uygulandığını görüyoruz.
Örneğin, "Kurumsal Zeka Kontrolü" adlı bir şirket profili var Bu, sadece bazı iş verilerini satın alıp açıklamanın sonu değil, hatta daha fazla alternatif veri ilişkilendirmeleri olacak. Nasıl bağlanılır? Bu, aşağıdaki bilgi grafiklerini ve grafik veritabanlarını içerir: Şirket verilerine ek olarak, endüstri zinciri verileri de vardır.Bu veriler, işletmeler arasındaki karşılıklı ilişkilerin çekirdek ağını oluşturur.
Bu ağdan sonra, finansal kurumun kendi araştırmacılarının, işletmenin iş geliştirme sürecinde araştırıp analiz ettiği kurumsal bilgileri, nispeten eksiksiz bir işletme profili oluşturmak için üst üste koymak mümkündür.
Buradaki şirketlerin sayısı on milyonları bulabilir.Sanayi ve ticari verilerden, şirketler arasındaki birbiriyle ilişkili ilişkilerden ve öz sermaye ilişkilerinden, bu şirketler öz sermaye, tahviller veya yöneticiler aracılığıyla birbirine bağlanır. Ayrıca, endüstri ve finans kurumu yatırım araştırmacılarının yukarı ve aşağı akışı tarafından kurulan sözde endüstriyel zincir analizi ağı da vardır.
İlişkilendirmeden sonra, bu şirketi çevreleyen bilgilerin ne olduğunu ve herhangi bir sözleşme ihlali olup olmadığını, biraz şirketin "istihbarat sistemi" gibi öğrenebilirsiniz. Bu "istihbarat sisteminde" bir işletme bulunabilir ve ondan türetilen birçok bilgi katmanı vardır.
-
Kamuoyu izleme
Belki de şu anda neler olduğunu hala önemsiyorsunuz, bu yüzden birçok şirket aynı zamanda kamuoyu izleme sistemleri de inşa ediyor.
Olaylar açısından Hang Seng, kamuoyunu şirket için etkinlikler, şirketin bulunduğu sektör için etkinlikler ve şirket üzerinde etkisi olacak makro düzeydeki etkinlikler gibi çeşitli etkinliklere dönüştürür. Çeşitli olayların sınıflandırılması yoluyla, şirketler, dışarıdan kamuoyu elde etmek için RPA teknolojisini gerektiren ilgili risk olay uyarıları oluşturacak şekilde etiketlenir.
Büyük miktarda kamuoyu bilgisi elde ettikten sonra işleme, doğal dil işleme ile ilgili birçok teknoloji gerektirir ve anahtar bilgileri çıkarmak için akıllı metin işleme gerekir. Bu süreçte, belirsizliği giderme çok önemlidir. İlgili şirketlerle bağlantılı.
Üstelik kurumsal portreler, özellikle sürekli verinin bol olduğu finans sektöründe durağan değil, veriler zamanla değişecek. Aynı şeyin bir fermantasyon süreci de vardır.Herkesin olayın sebeplerinin ve sonuçlarının ne olduğunu bilmesi gerekir, bu nedenle bu dinamik ve sürekli bir gelişim sürecidir.
-
Mali Tablolar
Çok önemli. Bazı şirketler finansal dolandırıcılık sorunu yaşayacaklar. Çok sayıda aklama içeriği sayesinde, kötü borçları gizlemek, iyi niyet sorunları ve düzgün iş yapmamak dahil olmak üzere sorunsuz hale getirebilirler.
Finansal dolandırıcılık nasıl belirlenir? Geleneksel finansal analize ek olarak, makine öğrenimi de kullanılır. Ancak makine öğreniminin negatif örneklere ihtiyacı var Yeterli negatif örnek yoksa özellikler bulunamıyor mu? Bu yüzden bazı alternatif göstergeler geliştirmemiz gerekiyor. Mevcut verileri analiz etmemiz ve içindeki negatif örnekleri bulmamız gerekiyor.
Örneğin, iyi niyet gök gürültüsü, hadi son yıllarda iyi niyetle fırlayan şirketlere bakalım, finansal raporlarını alalım ve neye benzediklerini görelim ve daha sonra onları makine öğrenimi modeline yerleştirip bunun mümkün olup olmadığını görelim. Sorunu bulun.
Tabii ki, eğer profesyonellerin kendilerinin bazı kuralları varsa, bu daha da basittir.Yapılandırılmamış bazı verileri çıkarabilirsin ve sonra profesyonel analistler, doğrudan yargıya varmak için bazı kurallar yazabilirler. Genel olarak konuşursak, bu iki yöntemi birleştireceğiz.
-
Korelasyon analizi
Risk ağının tamamı dahil olmak üzere, bazı dernek ilişkileri madenciliği yapmak anlamına gelir. Korelasyon analizi diyagramı düz görünür, ancak aslında üç boyutlu bir ağdır. Üç boyutlu ağda, özellikle de birkaç derece karmaşıklıktan daha fazla olan aramada nasıl hızlı bir şekilde arama yapılır ve yanıt verilir? Haritada arama yapmanın en kolay yolu, bize bir varlığı açıkça söylemektir. Varlık boyunca göz atarak arama yapmak kolaydır, ancak bu tür bir analizi birkaç dereceden fazla yaparsanız, gereksinimlerin seviyesi çok yüksektir. Ağ çok büyük olduğunda, birkaç dereceden fazla ilişkiyi bulmak gerektiğinde, ikinci düzey bir yanıt elde edebilir mi yoksa uzun zaman alır mı?
Eşitlik penetrasyonu, ilişkinin nispeten basit bir analizidir, ancak bazı kurallar vardır. Hangi eşiğin uygun olduğu nasıl belirlenir? Bazı yasa ve yönetmeliklerin kendi tanımları var, ancak bazıları işe yaramıyor mu? Bazı negatif örnekleri bulmak için istatistiksel yöntemler kullanmak gerekli olabilir. Penetrasyon genellikle katman katman nüfuz etmek için gerçek bir kişiye veya SASAC'a nüfuz etmeyi gerektirir.
Yeni bir altyapı olarak, veri merkezi inşaat sürecinde gerçekten daha mükemmeldir ve temel veri yönetişimi ve BT yönetişimine sahip olmalıdır. Geleneksel ilişkisel veritabanlarından büyük veri teknolojisine ve yapay zeka teknolojisine ihtiyaç duyulan bazı yerlere kadar, teknoloji ve işin birleşimi de çok önemlidir. Aksi takdirde, bu orta istasyonun nasıl kullanılacağını bilmemek veya üst seviye analiz modelini bilmemek çok maliyetliydi. Nasıl inşa edilir, verilerin rolünü oynamak zordur.
Finans sektöründe veri merkezi yaptığımızda, onu dahili olarak katmanlara ayıracağız, bir katman daha teknik, diğer katman daha fazla iş. Veriler geldikten sonra, teknik katman etiketleme ve grafik veritabanına kapatma gibi temel işlemleri gerçekleştirecektir.Bu, iş için yüksek gereksinimlere sahip görünmüyor ve teknik temeldeki gereksinimler daha yüksek olacaktır. Veriler yapılandırıldıktan ve işlendikten sonra, iş ekibi ortaya çıkacak ve rolünü oynayacaktır. Örneğin, az önce bahsedilen finansal analizin birçok modeli vardır ve bu model mutlaka BT ekibinin iyi olduğu şey değildir.
Örneğin, Hang Seng gibi biz de bağ temerrütleri için erken uyarı yapıyoruz ve veri analizi yapıyoruz. İlk önce, mevcut durumun ne olduğunu analiz edin. Analizin ikinci nedeni, büyümenin nedeni gibi? Bir yatırım para kazandığında, hangi kısmı para kazanırsa buna performans atıf denir. Üçüncüsü, daha sonra ne yapılacağını tahmin edebilen erken uyarıdır. Az önce bahsedilen sebep analizi dahil, aslında birçok profesyonel model var.
Bunlar genellikle iş odaklı ekiplerimiz tarafından yapılır ve aşağı akış sahnelerini desteklemek için üst düzey modelleri yapmak için ilgili finans mühendisliği personelini bulacağız. Teknolojiyi tercih edenler ile iş yapmayı tercih edenler için veri işlemenin derinliği gerçekten farklı. Örneğin, tahvil uyarı modeli nasıl çalışır? Çok basit görünüyor, çok faktörlü bir skor kartı ile aynı şey, ancak anahtar her faktörün nasıl seçileceği ve ağırlığın nasıl ekleneceğidir.Bunların hepsi bazı profesyonel personelin yapmasını gerektirir.
Finansal AI teknolojisi yatırımı, veri madenciliği neden ikinci sırada yer alıyor?
İleriye bakıldığında, veri madenciliği finansal AI teknolojisi yatırımında ikinci sırada ve görüntü tanıma ilk sırada yer alıyor. Bence anlaşılması daha kolay, çünkü artık görüntü tanıma gerçekten de yüksek doğrulukta nispeten olgun bir uygulama alanı. Ama veri madenciliğinin tüm teknoloji yatırımında ikinci sırada olduğunu gördük? Şu anda kullanılan yöntemlerin çoğunun hala nispeten geleneksel olduğunu düşünüyoruz, neden ikinci sırada yer alıyor?
Gartner analiz raporunun bu sayfasında listelenen teknolojiler veri madenciliği teknolojisine de dahil edilirse, gerçekten yatırım yapılabilir. Bu, Gartner'ın geçen yılki veri teknolojisi geliştirme trendleri analizidir. Birkaç tane seçtim.
-
2020'ye kadar, analitik sorguların% 50'si arama, doğal dil işleme veya konuşma yoluyla üretilecek veya otomatik olarak oluşturulacak.
-
2021 yılına kadar, doğal dil işleme ve diyalog analizi, analitik ve iş zekası benimseme oranını çalışanların% 35'inden, özellikle ön büro çalışanları olmak üzere yeni kullanıcı kategorileri dahil olmak üzere% 50'nin üzerine çıkaracak.
-
2021 yılına kadar kalıcı bellek (geçici olmayan bellek çubukları), bellek hesaplama tarafından tüketilen GB'nin% 10'undan fazlasını oluşturacak.
-
2022'ye kadar, veri hazırlamayı sürekli hızlandırmak ve daha karmaşık ve uyarlanabilir veri bilimine ulaşmak için grafik analizi ve grafik veritabanlarının uygulaması yıllık% 100 oranında büyüyecek.
-
2022'ye kadar, makine öğrenimi ve otomatik hizmet seviyesi yönetiminin eklenmesiyle manuel veri yönetimi görevleri% 45 oranında azalacak.
Neden böyle bir teknik araştırma var? Aslında, veri kullanımı giderek daha yaygın hale geliyor.Bu, yalnızca bazı profesyonel analistlerin kullandığı anlamına gelmez.Ekosistemin her yönündeki iş personeli veriye ihtiyaç duyabilir. Bu insanlar için, veri toplama ve analiz etme gereksinimlerini çok yükseğe yükseltemezsiniz, bu nedenle işlemek için bazı doğal dil teknolojilerini kullanacaksınız.
Daha önce bahsettiğimiz bilgi grafiği aslında iki tür temel teknolojiye sahiptir: grafik depolama adı verilen bir grafik veritabanı ve başka bir grafik analizi Bu bağlamda, Gartner her yıl% 100 büyüyeceğini tahmin ediyor.
Verileri analiz etmek istiyorsanız, en önemli şey korelasyondur.Daha fazla analiz yapmak için verileri ilişkilendirmeniz gerekir.Bu gerçekten de grafik veritabanlarının daha iyi olduğu şeydir. Büyük miktarda veriyi ilişkilendirirken, veri yapısının önceden rezerve edilmesinin ve iyi tahmin edilmesinin zor olduğunu da göreceksiniz.Grafik veritabanının avantajı, ilgili yapı ve özniteliklerin artırılmasıdır, bu da orijinal analiz üzerinde hiçbir etkisi yoktur.
Sonuncusu, aslında, görmeyi tercih ettiğim şey bu, çünkü ister veri merkezi ister veri merkezi inşa ediyor olsun, yine de çok fazla insan gücü yatırımı gerektirdiğini söyledim.
Ancak Gartner ayrıca, tüm veri yönetimi veya veri hazırlamada çeşitli otomasyonları kullanarak makine öğrenimini kullanmanın aslında çok sayıda yolunu gördüğümüzü de öngörüyor. İşe aşina olmadığınızda, makine öğrenimi yükü büyük ölçüde azaltabilir. Sektörünüzü başkalarının verilerini analiz edecek şekilde değiştirdiğinizde veya yeni bir kişi geldiğinde, veri yönetimi ve veri hazırlığı yapmanıza yardımcı olacak ve veri merkezinin verimliliğini etkili bir şekilde artırabilecek birçok otomasyon yöntemi vardır.
Gelecekte daha fazla kurs başlatılacak, sınıfa kaydolmak için WeChat LorraineSummer hesabını ekleyin veya bu dersin video tekrarını izleyin.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
