BR 技术头条
in insights.thoughtworks.cn / 2021-07-28 14:17 / by @Thoughtworks

开放银行赋能供应链金融,连接企业生态场景

2020年9月中国人民银行等八部委联合印发《关于规范发展供应链金融支持供应链产业链稳定循环和优化升级的意见》(以下简称《意见》)。要求金融机构与核心企业要加强共享与合作,深化信息协同效应和科技赋能,明确了供应链金融场景化、生态线上化和数字化的发展方向。《意见》的发布为金融机构发展产业金融,更好服务中小企业迎来发展新契机。

发表评论

相关分享

bl blog.yuanpei.me / 2024-09-08 23:23

浅议 CancellationToken 在前后端协同取消场景中的应用

前后端协同取消机制是现代 Web 开发中提升效率的重要工具,特别是在异步任务中,如何有效感知并处理取消请求是关键。本文详细讲解了 .NET 的 CancellationToken 和 ASP.NET Core 的 RequestAborted 属性如何协同工作,并附上了实战代码示例。想优化你的取消机制,提升应用响应速度吗?赶快阅读这篇深度分析!

无图
te tech.meituan.com / 2024-03-31 21:17

百亿大规模图在广告场景的应用

本文通过搜索推荐项目进行外卖搜索广告弱供给填充,提高流量变现效率。我们提出外卖多场景异构大图、异构大图在线建模技术演进路线,解决外卖搜索推荐业务多渠道、即时化的挑战。相关成果发表CIKM2023会议一篇。联合机器学习平台搭建大规模图训练、在线推理引擎GraphET,满足近百亿边规模、复杂图结构的多个业务落地。

无图
is www.iszy.cc / 2024-03-31 21:08

OpenVPN同时连接多个VPN服务

在日常开发工作中,要连接不同的环境需要连接不同的 VPN 服务,OpenVPN 默认只会添加一个 Tap 网卡,只能来回切换 VPN,很不方便。所以我们只需要能够增加更多的 Tap 网卡即可。

接下来的操作都是以安装完 OpenVPN 为前提的,如果没有安装,可以前往官网进行安装。

无图
te tech.meituan.com / 2023-10-24 23:48

美团多场景建模的探索与实践

本文介绍了美团到家/站外投放团队在多场景建模技术方向上的探索与实践。基于外部投放的业务背景,本文提出了一种自适应的场景知识迁移和场景聚合技术,解决了在投放中面临外部海量流量带来的场景数量丰富、场景间差异大的问题,取得了明显的效果提升。希望能给大家带来一些启发或帮助。

无图
52 www.52nlp.cn / 2023-08-07 23:23

柴洪峰院士:大模型赋能金融科技思考与展望

本文整理自7月7日世界人工智能大会“AI生成与垂直大语言模型的无限魅力”论坛上中国工程院院士、复旦大学金融科技研究院院长柴洪峰《大模型赋能金融科技思考与展望》的主题分享,从金融垂直模型构建、金融知识图谱与大模型融合以及金融大模型的监管三个方面进行介绍。

无图
bl blog.yuanpei.me / 2023-07-30 17:29

浅议非典型 Web 应用场景下的身份认证

回想起刚毕业那会儿,因为没有 Web 开发的经验而被人轻视,当年流行的 SSH 全家桶,对我鼓捣 Windows 桌面开发这件事情,投来无限鄙夷的目光,仿佛 Windows 是一种原罪。可时间久了以后,我渐渐意识到,对工程派而言,一切都是工具;而对于学术派而言,一切都是包容。这个世界并不是只有 Web,对吧?所以,这篇博客我想聊聊非典型 Web 应用场景下的身份认证。

无图
bl blog.csdn.net / 2023-07-23 11:35

99%的互撕场景,都可以用这个方法解决

我们每天都会遇到的问题相信稍微在职场上工作几年的同学,都会遇到责任扯皮问题。这个事该你做,不该我做,这个问题是你的责任不是我的责任。尤其是,有时候冲突双方都觉得自己有理。

有一个解决问题的利器——汉德公式:谁避免意外的成本最低,谁的责任就最大。

无图
di www.diguage.com / 2023-07-04 23:10

关于 MySQL 新版连接驱动时区对齐问题的研究

在一个项目开量验证过程中,发现 createDate 字段不正确,比正确时间晚了十四个小时。调研发现,这是一个非常典型的问题。现在把定位问题的思路和解决办法给大家做个分享。

无图
te tech.meituan.com / 2023-07-04 23:08

人机语音交互场景中的低延迟流式语音识别技术

美团语音交互部针对交互场景下的低延迟语音识别需求,提出了一种全新的低出字延迟流式语音识别方案。本方法将降低延迟问题转换成一个知识蒸馏过程,极大地简化了延迟优化的难度,仅通过一个正则项损失函数就使得模型在训练过程中自动降低出字延迟。在实验测试集上,本方法能够获得最高近 200 毫秒左右的平均出字延迟降低。

无图