欧美性啪啪_韩国av不卡_99国产精品免费观看视频re_日本在线中文_日韩毛片子_欧美福利在线观看_av美女在线播放_色偷偷偷_亚洲大片在线播放_曰韩在线_亚洲精品观看_国产午夜理论片不卡_三上悠亚一区二区三区在线_精品人伦一区二区三区四区蜜桃牛_国产精品久久久久久久久大全_日本人吃奶玩奶虐乳视频_99精品视频免费观看_日韩16p_欧日韩在线_av一区二区在线播放

隨著社會數字化能力的快速升級，金融行業正逐漸邁向數字化轉型的新時代。尤其是AI的爆發，數據智能技術正在徹底改變著這個行業的面貌，隨著越來越多的金融機構開始將人工智能、機器學習和大數據分析技術應用到其業務中，金融數據的價值正在得到充分的發掘。

毋庸置疑，在數字經濟時代，數據上升為新的關鍵生產要素和資產，逐漸超越土地、資本等傳統要素，成為社會經濟發展和企業創新更加重要的驅動力。

【資料圖】

對于金融行業而言，本身就有大量的數據，每一家金融機構都希望成為一個數據驅動的企業，但目前企業仍面臨著數據持有成本高、數據孤島嚴重、數據治理難度大等挑戰，這也導致如何充分釋放數據價值成了當下的難題。

一方面，企業與組織逐漸擁有海量數據規模和豐富應用場景，最新數據顯示，國內股份制銀行每年的數據量增長在30%，這些海量多源異構數據的增長，對于企業的存儲與管理帶來極大挑戰 ；另一方面，數據價值釋放、使用也遇到現實困境，權威機構統計表明，當前全球僅僅只有2%的數據被真正分析過，而注入AI模型的數據連1%都達不到。且隨著數據越來越繁多，企業在彈性調度、實時調度數據上也將變得更加復雜。

如何破局？尤其是在AI爆發、大模型建設成為主流的大背景下，數字智能化轉型已經全面提速，對于企業而言，建設數據驅動型的現代化企業已是刻不容緩。為此，華為為金融業提供了答案：通過云-數-智-算全面融合架構，化繁為簡，助力金融人人用數，實現處處智能。

云數融合，數據挖掘的“金鏟子”

在數字化浪潮中，數據正在重塑企業的運營、管理、決策乃至創新，不過，企業當前在數據價值實現中面臨的挑戰空前巨大，尤其是企業數據產生的速度、規模和類型，遠超當前設備的處理和計算能力，數據價值挖掘效率低下成了一大難題。

事實上，一直以來金融業內對于數據處理都并非易事，就像鄂爾多斯盆地油氣田雖然資源豐富，但屬于典型的“三低”（低滲、低壓、低豐度）油氣藏，實現經濟有效開發屬于世界性難題。數據從產生到發揮要素價值的過程也同樣漫長，包括數據采集、數據存儲、數據處理加工、數據流通、數據分析、數據應用等，每一個過程都充滿大大小小的挑戰。

尤其是隨著多樣性計算的演進，數據庫必須支持多種算力。過去以CPU為中心的架構，現已發展到多樣性算力協同的對等計算架構，CPU、GPU、NPU甚至包括為特定場景開發的計算單元等都要形成協同關系，從而更好地去處理數據。

不僅如此，多模融合成為主流，多模數據需要協同處理以實現資源集約化管理。從過去主要處理的是結構化數據，到現在處理非結構化數據例如圖、時序、流、文檔等的數據類型，這對數據整合處理和整合分析提出了更高的要求。

早期企業數字化建設所依賴的基礎資源，多為以服務器硬件設備為中心，業務應用隨不同廠商設備、操作系統、虛擬化軟件的差異化進行定制設備的安裝、調試，應用的部署運維基本靠人力完成，自動化程度低，缺乏統一的設備和應用管理能力。雖然后期有虛擬化軟件的出現，資源的利用率和擴縮容的靈活性方面得到一定提升，但從未從根本上解決基礎設施與軟件割裂、運維復雜的問題。

如今華為推出的云原生全面融合架構，其中一點就是在傳統架構上進行了云數融合升級，將企業的關注點從以資源為中心轉移到以應用為中心，包括應用敏捷交付、快速、彈性、平滑遷移、無損容災，可以更好地幫助企業實踐應用的自動化應用。

舉個例子，假設某企業需要在一段時間內處理大量的數據，但是處理量難以預測，需要根據實際情況來進行資源調度。如果企業采用傳統的數據處理方法，需要購買足夠的硬件設備才能滿足一段時間內的處理需求，這會帶來很大的成本和資源浪費。而云數融合后，企業可以將數據存儲在云端，利用云原生技術架構實現彈性資源調度。當需要處理數據時，系統會自動分配足夠的資源來完成任務，處理完成后，系統會自動釋放這些資源，從而降低成本，提高效率。

另外，隨著數據更新速度加快，當下金融業很多業務對實時性的要求越來越高，而為了保障企業能夠將實時數據進行快速計算，華為也在計算層、存儲層、緩沖層做了三層池化，加速了云計算數據中心建設的效率，利用虛擬化技術，將資源分享給不同用戶，資源的放置、管理與分配策略對用戶透明。讓用戶能夠靈活使用、調配想要用到的數據中心資源，并且讓基礎架構的硬件設備盡可能發揮出最大利用率。

而擅長數據處理的企業，數據價值躍升也更為明顯。以營銷場景為例，傳統的用戶標簽可能只有幾十維，但在完全挖掘數據價值后，數據范圍更廣，結合外部數據和AI預測引入，可以做到幾千維，實現百倍的增長，這種情況下可以更好洞察理解客戶。

客觀來說，金融業的數據復雜且更新迅速，一些數據的價值很難落地，而華為云數融合的目的，就是希望將更多數據挖掘并且簡化處理步驟，讓所有的數據都可創造價值。當然，隨著智能大模型的爆發，數據與智能的融合在數智化架構中也變得極為重要。

數智融合，高效釋放數字價值

在金融行業早期數字化轉型的過程中，為解決某一業務問題，往往按照單一業務邏輯部署信息系統，另外由于政策、業務的不斷變化，金融機構不同業務系統建設存在時間差異，各不同業務條線往往根據自身需求獨立獲取數據、進行數據加工，再進行系統部署應用，最終形成一個個獨立的“煙囪式”數據架構，出現數據孤島、數據與AI架構不互通、業務流程難以穿透等各種問題。

一家銀行可能有幾百套信息和數據系統，各種架構、軟件標準五花八門，數據融通和業務流程困難極大。分散的數據源、海量的數據規模、異構的數據屬性都是金融機構數據治理的難題，也導致數據在處理后無法直接利用AI訓練。就像是即便擁有全世界最頂級的數據處理師，但無法給到他們數據進行處理，那么就顯得毫無價值。

傳統的做法是將處理好的數據搬遷到AI架構進行訓練，但一組數據是，普通銀行在做增量數據搬遷時，大概需要6-8個小時，而做全量數據遷移的時間，往往達到了4-7天，這就導致企業構建、保護和管理數據的過程復雜且耗時，并且需要大量開發和維護成本。

所以區別于這種被動局面，華為數智融合就是打通了數據治理生產線和AI開放生產線之間的互通，基于DataArts、lakeformation，把數倉、數據湖、AI數據的目錄、數據權限、事務一致性、多版本管理等能力都融合到一個中心點，構建了滿足各種引擎需求的數據湖統一元數據服務視圖，支持一份數據在數據湖、數據倉庫、AI、開源系統等多個引擎間自由共享，實現了引擎元數據互通，達到了數據與AI共存的效果。

但統一元數據本質是將數據與計算做了分離，這就導致數據庫、數據倉庫、數據湖、AI引擎不互通，大規模分布式集群節點與節點之間的數據交換時間間隔可能會變長，且需要滿足實時性要求，所以降低鏈路延時，提高計算效率尤為重要。而華為推出的分布式硬件設備擎天加速卡，能夠實現的就是使數據與數據之間直接交換，不需要再上升到交換機層面，將路徑大大縮短，使數據與集群之間的交換效率大大提升。

事實上，單看數據與計算分離這種架構是十分理想化的，但在實際運用過程中還是存在很多工程化問題需要解決，而華為要做的不僅是將理想架構落地，還會通過擎天加速卡、AI數據治理產線等ICT根技術來支持企業解決落地過程中的諸多問題。所以華為在做的其實就是化繁為簡，將復雜的事留給自己，為企業、客戶提供更簡單、實用的融合架構。

數算融合，軟硬協同更兼容

事實上，云數融合和數智融合本質上是基于軟件層面的優化，但數智化轉型是一個系統性工程，軟件和底層硬件的融合至關重要，這也是華為獨特的優勢。

比如當企業云數智融合達到了一定水準，很難在軟件層面實現突破時，還想要再進一步提升效率，那么在硬件上下功夫便是最優解。最常見的像銀行的日終跑批、數據分析、監管報送等這些針對數據展開的業務，對時效性均有較高要求。

正常情況下日終跑批是從晚上十點左右開始跑起，一些數據量大的銀行可能會跑到第二天早上9點或者10點左右，這就會造成前一天數據還未跑完，第二天的新數據便產生了，影響了正常工作。

還有業務員在做數據分析時，有些數據需要自己提取，但在使用自助分析工具時，會有一個響應時間，對于一些復雜的命令，運行起來可能需要30秒甚至更長時間，對整體效率可能會產生一定影響。

RWA場景、監管報送等復雜場景對數據計算的效率、算法有更高要求。例如銀行在做監管報送時，會同時開放給不同分支去批量處理、批量增倉改查，這種既要保證跑批又要平衡數據變動的復雜混合負載要求，顯然對后臺提出了極高要求。

所以在當前基礎上，如何進一步縮短數據處理時長是業內所需解決的問題。華為給出的方案是通過鯤鵬計算底座+RoCE無損網絡+數據湖倉之間的協同，并且通過資源池隔離、優化算法等方式去提升復雜場景下的性能。

另外，對于架構本身來說，雖然華為是做了開放處理，湖倉可以適配不同底座，底座也可適配不同廠商的湖倉，但基于華為自身的ICT能力，軟硬件的協同、融合也能夠達到一加一大于二的效果。

智算融合，大模型部署不費力

不能否認，大模型的爆發，將金融業帶入到了一個全新時代，但同時也給行業帶來了一些難題。尤其是大模型的部署，會有一系列復雜的工程化問題，比如數據采集、數據標注、數據清洗、模型的再訓練、推理等等，所以企業需要一個端到端的解決方案來實現高效落地。

而華為也是目前為數不多能夠實現全棧AI能力的企業，覆蓋昇騰芯片、算子CANN、算法框架MindSpore、盤古大模型、開發者平臺ModelArts等等，通過華為AI能力和上層應用生態，構筑全棧全場景的AI解決方案。

另外對于大模型來講，能夠看到一個非常顯著的區別，便是訓練的數據量劇增，例如ChatGPT3和3.5的訓練量都為百億，而GPT-4則達到了千億級別。數據級別從TB級到PB級甚至未來還有可能達到ZB級。而數據量的爆發也會在計算、存儲、通信三個層面產生新的問題。

首先計算層面，目前單卡算力能力5年僅能增加47倍，而算力需求5年增加了百萬倍，顯然單機已無法滿足日益增多的算力需求，業內較為統一的做法是將基礎設施分布式集群化。但集群化就會對散熱提出更高要求，傳統風力方式幾乎很難完成散熱重任，會導致出現不穩定，出現中斷情況，相較之下液冷散熱效率更高，正逐漸成為集群散熱必選。

當然，在保證穩定性的前提下，如何去提升超大集群算力利用效率以及大模型算法分布式開發效率，這就需要算力架構的優化和算法框架的優化。

存儲層面，因為訓練數據有一個巨量提升，如果還按照傳統的HDD存儲方式，那么其效率也會大大降低，全量數據載入可能會需要數天時間，所以全閃存等高性能存儲方式將是未來主流的解決方案。

通信層面，集群化下通信系統其實決定了其性能瓶頸，傳統100G的交換網絡在訓練時可能會有較高延時，所以就需要升級到200G或者400G的RoCE網絡，以幫助數據中心網絡實現大寬帶、低時延、高效率的訓練。

華為云數智算全面融合架構，解決的就是AI集群系統面臨的工程化難題，化繁為簡，為企業數智化架構升級提供了可以落地的優質的解決方案。

產業數字化浪潮的推進，必然為金融業帶來新的數智化挑戰，金融行業數字化轉型迫在眉睫。而將云、數、智、算進行有效融合的“數智融合”解決方案，是破題的關鍵，可讓AI和數據釋放更多價值。在這個過程中，華為也將持續賦能行業實現高效的數據挖掘、治理和運用，為更多企業進行數字化和智能化升級構筑起堅實的創新基石，推動金融數字化轉型邁向全新階段。