商业银行数字化转型的根本动机,是以数据流动的自动化来化解复杂环境的不确定性 。 传统机器设备的自动化替代了体力劳动,数据流动的自动化则替代了脑力劳动。判断银行内部决策是否智能,就是看在数据流动的每个环节,是不是需要越来越少的人参与 。 基于智能决策的要求 ,数据流动的内涵也有了巨大的变化,过去的数据流动是基于文档的流动,今天的数据流动是基于模型、风控、反欺诈、交易要素的流动。 因此,文档智能,或非结构化数据处理技术与平台是商业银行数字化转型与智能决策的前提条件 ,势在必行! 很多公司一直以"非结构化数据处理"为目标,责任所在,使命召唤,志在必得,使命必达! 开新局,谱新篇,赢在新的又一年! AI云服务商能够提供AI API服务 :语音识别、图像识别、OCR、人脸识别、QA问答。当然也可以自己开发AI BOT使用在银行内部。 有本书《Robotic Process Automation Projects Build real-world RPA solutions using UiPath and Automation Anywhere 》就是介绍业务软件自动化的,实质是软件自动化、智能化、机器人化 。 在上本书第10章,就是用 RPA(Robot Process Automation)工具和OCR等处理单证。简单理解,就是RPA + AI Bot + AI API + OLTP Compliance(合规) 的工作。 我认为,银行的业务工作难度在于事务处理的原子性保证上 。现在银行的OLTP,对长的 OLTP事务,还不能够做到 从事务开始到结束的全流程的回滚(涉及数据库的回退),部分需要 "人工冲正"的介入 。可以仔细分析业务逻辑,让 OLTP 的处理尽量短,利用银行其他系统的 OLTP 的原子性保证实现。 另外,云端的 AI 的API 使用,包括 ASR、NLP、Vision、Image、OCR等,要找到合适的、可靠的云端的服务商,作为自己的 AI API 服务商 ,也是一个挑战,涉及安全问题。大多数的 AI 云服务提供商,还没有实现银行要求的Privancy Computing, 估计这不是最大问题。 最后一个问题,是ReFramework后的软件的并发性保证 ,怎么利用微服务(Microservice)的形式在银行云平台上部署,保证业务的并发可以很好支持海量和过载的访问请求,必须有可伸缩云计算和图形验证等的程序,有意识地缓解业务过载请求。 在云计算、AI浪潮、快速业务变化的新环境下,从事银行软件开发的人员,面临的新挑战。每个人,必须更新知识,迎接挑战。(完)