金融数字化平台建设的三大误区和破局之道

企业数字化转型 点击观看大咖分享 一场疫情,让全球各地都意识到了数字化能力的重要性。后疫情时期,面对全球经济动荡的冲击,企业如何突破数字化转型瓶颈,迅速抓住转型机遇,开启数字化发展新局面? 重“战术” 轻“战略” 数字化更多要考虑转型,和企业的战略目标、长期目标紧密集合在一起。比如原来经营模式肯定就是产品,现在可能产品要变服务,而且服务所占的比例越来越高。产品个性化的需求大,可区分好眼前的收益和未来的发展,要看重数字化经济的投入产出比,最关键是要能把数字化信息化环境下新型能力建设起来,这是战略目标。新型的数字化. 阅读详情

【优快云 编者按】数字化转型是金融科技发展的未来所向,实现金融数字化转型的底座则是智能技术平台和数字业务平台。由于没有标准答案,数字化的平台建设中存在诸多解决方案,其中不乏成功案例,但更多则是事倍功半的错误解法。

《新程序员 005:开源深度指南&新金融背后的技术力量》特邀Thoughtworks架构师黄雨青,第四范式架构师钱平通过长期实践经验,找出了制约数字化平台的四大痛点,在此基础上寻迹数字化平台建设的正确打开姿势。

作者 | 黄雨青、钱平       责编 | 张红月

出品 | 《新程序员》编辑部

数字化转型是现今最主要的趋势之一,金融行业亦是如此。“十四五规划”指出并要求金融业稳妥发展金融科技,加快金融机构数字化转型。

然而,金融行业业务本身具备产品种类多、业务条线多、客群类型多等特点,在这样业务复杂多变的背景中,我们该如何提升科技的业务响应力,从而持续加快向客户提供新产品和服务的速度?这个问题是金融企业的科技团队在数字化转型中面临的必答题。

 

 

对于这个问题,“构建数字化平台”往往是很多金融企业科技部门给出的“标准答案”,甚至被期待可以像生产线一样,支撑起企业80%的核心业务。同时它要具备一定弹性,当生产工序变化时,能够快速调整从而应对这些变化。

在诸多数字化转型框架以及评估体系中,平台化都是核心的能力支柱,其中包括智能技术基础平台和数字业务平台,从而形成企业数字化转型的坚实底座。

当然,数字化平台的构建没有“标准答案”,该从何入手建设数字化平台,行业内存在着不同解析。在我们的过往经验中,就见过很多事倍功半的错误解法。

本文节选自《新程序员 005:开源深度指南&新金融背后的技术力量》,本期杂志将开源开发者最关注的核心开发者与技术栈,以及与企业最关心的开源行业化应用以及商业化前景、治理风险等问题进行深度解析。

与此同时,还将围绕“新金融背后的科技力量”带来最前沿的观点、实践案例与技术剖析!小伙伴可扫码下方二维码提前预定!

三种事倍功半的误区

一些平台的建设起始点基于更高的理念:达成最佳实践。因而投入大量的人力和物力,然而结果却往往不尽人意。以下是三种常见的“事倍功半”的数字化平台建设方式。

科技自驱

科技自驱的平台架构方式指导思想是这样的:从建设技术平台底座开始,遵照同业实践和趋势进行技术能力储备,尽量人有我有。这样一来,当未来有具体业务需求,技术团队就能很快“祭出”相关的武器来应对。同时,拥有这样一个技术底座能彰显自身科技能力的“先进性”,这是好的方面。

但与此同时,这样的思维也有误区:对实现域进行堆砌,却没有思考上层的解决方案以及业务侧需要解决的根本问题。结果往往是,武器库里堆积了很多枪支后才发现真正的敌人其实在海上。

借鉴同业

既然“苦练内功”成效来得慢,那就瞄准业务需求直接“拿来即用”。这类思维会驱使决策者直接购买行业最佳解决方案,稍作修改就面市应用。虽然听起来比自己架构更高效,但在实际中我们发现,这类“简单改改”的项目最后往往演变成“持久战”,买来的平台即使进行深度改造依然无法流畅地支撑业务。

事实上,这个思维的盲区在于:聚焦且局限于解决方案域层面,却没有考虑解决方案与企业自身问题域是否匹配、功能是否需要、方案背后的流程及组织机制是否能被公司现状支持等方面。

各个击破

这个问题场景是:某团队已经利用数字化技术解决了业务中存在的难题,此时,其他业务线看到这个团队的成效纷纷效仿,于是数字化团队深入不同业务线协助各个击破。但在突围过程中,团队慢慢发现,当他们涉及的范围越大,面临的冲突就越多,尤其是在一些跨业务的服务场合,反而降低了客户体验度。

这种建设思路存在的问题是:既缺乏整体规划,也没有针对单点问题进行深入分析,结果得到了一堆互为烟囱,甚至互相矛盾的解决方案。

数字化平台建设的四大制约

由此可见,如果不具备从问题域出发、对解决方案域进行顶层设计,再推进到实现域的思考路径,常见四大痛点将制约数字化的整体发展:

  1. 缺乏整体规划,建成一堆平台,但功能、逻辑、数据都是割裂的;

  2. 缺乏自身禀赋考量,同质化建设,无差异化竞争力;

  3. 缺乏运营机制、评估机制的协调能力;

  4. 投入大、周期长,产出的业务价值却难以衡量。

数字化平台建设的正确打开姿势 

数字化平台建设应当从战略层出发,基于业务能力蓝图的整体设计,指导数字化平台的建设。

这里的业务能力指的是针对某一个问题域制定的解决方案集合,其中包含相应场景、功能、实体,以及最终生产出来的数据。而业务能力的全集,即整体范围内的解决方案总和,也就是整个数字化平台建设的底图——业务能力蓝图。

反模式:从战术层面入手的平台设计

在业务线多、业务场景复杂的情况下,如果我们沿用市面上流行的各种从具体业务入手的建模法来进行业务能力设计,通常会发生以下三种情况:

  1. 过程繁杂,展开的粒度不好把控。架构师容易迷失在业务操作人员制定的方案细节中,很难发现场景中要解决的根本问题是什么。

  2. 建模和设计的结果孤立。整体设计基于的输入非常具象,过程缺乏全局视角,也未能从战略设计层面出发建模,往往最后得到一堆独立零散的模型以及一系列用途特定的业务能力,难以跨业务统一。

  3. 因为企业本身对于一些业务及业务实体缺乏规章制度管理,从而会导致在基于具体流程场景的建模过程中无法识别这类业务实体,从而导致最终的设计中很大概率会存在业务能力缺失。

当然,我们不是全盘否定战术层面的建模方法,只是提出做企业级的能力建模,尤其是在囊括多种业务的企业中做能力建模,不能直接套用战术手段,直接从业务场景入手。更不要简单将能力想象成完全可分解可组合的积木,从而一味在业务实体级别寻找基础能力。

“三个锦囊”助力复杂业务环境中的企业级业务能力设计

那么,在复杂业务中,探索企业级业务能力的正确方式是怎样的呢?

这里的核心思路在于:

  • 首先从战略设计入手,自顶向下探索,对问题域进行恰当的识别,通过子域“分而治之”;

  • 在划分子域之后,需要进行解决方案域的顶层设计,也就是业务能力的设计;

  • 最终形成业务能力蓝图,指导数字化平台实施以及落地。

在整个战略设计过程中,有三个关键点要时刻铭记:进行足够且适度的抽象;问题域识别先行;注重顶层设计。

接下来,我们就来看一下每个锦囊具体该怎么使用。

锦囊1:足够的抽象

在复杂业务环境中,我们需要抽象思考能够承载所有业务要素的运作模型是什么样的,这样才不会一直陷入战术细节而忽略对业务本质及通用逻辑的思考。

首先,为了保证足够的抽象性,建模用到的元素必须足够的精简。

在这里我们只用到了三类元素(见下图1):

  • 业务干系方(人):业务运作过程中参与的重要角色;

  • 业务要素(物):业务运作过程中所需要的重要资源;

  • 业务活动(事):业务运作过程中,基于业务要素或者干系方,具体发生的动作。

 

图1:业务元逻辑模型图

 除了建模元素需要精简,建模的语言也需要通过抽象达到统一。比如,有些资管业务会投资到地产项目,有些资管业务会投资到市场证券产品,还有些资管业务会投资到信托产品上。在这种多业务的情况下,需要思考这些投资对象(不同的名词)有没有一个通用名称(同一个名词)?在这个例子中,这些投资对象在业务上的统称就是「投资标的」。建模时针对这种情况可以使用泛化关系表示(见下图2):

图2:泛化关系图与代码示例

抽象始于具象内容,在具象内容之上再基于这样层层抽象,就可以对不同业务条线建模,还可以再次抽象提取一些更高阶的、企业级更宏观统一的模型。

锦囊2:问题域识别先行

问题域代表了需要解决的现实问题的边界。当一个问题域复杂度过高或者关注点过多时,就需要被递归的分割为多个小的问题域,也就是划分子域。这个过程中需要把整体问题域想象成一个立体结构,从纵横两个维度出发,对问题域进行识别和划分。

  • 面向要素的问题域识别法(Element-oriented Decomposition)

面向要素的问题识别法:纵向对问题域进行划分,需要围绕运作逻辑中涉及的干系方及要素展开。

在下图3的示例中,围绕着每个业务干系方和要素(比如资金方、资产方、监督方等等)都识别出了业务关注和需要解决的问题域。

图3:基于业务元逻辑模型图的要素识别问题域(EoD)

  • 面向切面的问题域识别法(Aspect-oriented Decomposition)

如下图4所示,这种识别模式下,需要提取各个问题域都关注的问题点,并且确保问题点在自身核心场景中可以分离出来。然后,将这些横切关注点归整到一起,成为一块独立的横切问题域。在金融行业,风控就是一个很典型的横切问题域,在其他问题域中,往往都需要去关注风险控制相关的问题,即如何在业务运作和资产资金管理过程中持续控制相关的风险。

图4:基于业务元逻辑模型图以风险切面识别问题域(AoD)

通常我们会把以上两种方法结合起来使用,它们是相互补充的关系。

锦囊3:解决方案顶层设计

解决方案顶层设计的核心是基于问题域的划分来明确业务能力的边界。比如在客户管理问题域中,资金端、资产端的客户管理的核心关注点实际上有很大差异,需要的业务能力也是不同的。

为了清晰表达业务能力内涵与边界,我们需要体系化的对业务能力进行高阶定义,需要明确这个业务能力所提供的核心价值、愿景,服务的对象、场景、业务实体,以及领域模型,也就是使用我们的业务能力全景画布(见图5)。

图5:业务能力全景画布

这里需要重点强调的是,能力全景图是不断变化的,就像我们所谨记的领域驱动设计第二条原则所说的:Iteratively explore models in a creative collaboration of domain practitioners and software practitioners(领域专家与技术专家协作,迭代地探索的模型)一样,能力全景图这一部分也会随着业务需求的不断提出、团队对于领域理解的不断深入而不断地演进、细化。

以上三个锦囊,就是面对复杂业务时,架构师团队该如何进行业务能力探索和规划的具体方法。

设计只是开始,建设没有终点

业务能力蓝图的设计只是一个开始,在蓝图指导下进行数字化平台建设的过程中,不仅仅是平台本身在演进,业务能力蓝图也会不断的完善和细化。

起点:业务驱动

当业务能力蓝图初步成型之后,就可以开始考虑平台的建设路径。平台的建设起点往往是业务驱动,也就是依托前台业务条线的实际需求驱动平台的具体建设。整个过程中,需要基于业务能力蓝图,针对这些需求涉及的平台能力,进行平台应用建设以及能力开放,最终使得前台业务能够在平台上运作起来。

在建设过程中,一方面需要具体分析需求中涉及哪些业务能力的使用、点亮或者是增强,从而对于已有的业务能力蓝图进一步的完善和细化;另一方面依据业务能力蓝图找到对应的系统应用,设计并构建需要开放的平台服务,从而不断丰富整个平台所具备的数字化业务能力。

而平台服务的构建、发布,以及开放是需要开发者在开放平台上完成的。需求分析中,依据服务旅程分析,开发者对于所需的API进行识别(见下图6)。

图6 基于场景识别API

其中,将用户支付订单场景通过服务旅程蓝图进行展开,可以识别出在“提交支付”环节需要调用支付功能,从而识别出相应的支付API。

在识别需要构建的API之后,开发者需要设计对应的request和response,形成swagger文档(见下图7):

 

图7:详细设计API

接下来,在controller中进行相应的实现(见下图8):

图8:实现API 

构建对应的API测试,引入mock server等方法来保证API功能完备(见图9): 

 

图9:测试API

最终将API发布到开放平台上,供现有业务需求方(前台应用)使用,同时对开放平台范围内的所有开发者都可见,当其他开发者/需求方需要的时候,可以在自己的应用中使用已开放的API。开放平台上API的使用过程如下图10所示:

图10:基于开放平台的API使用过程

深化:平台自驱

业务驱动中对于业务能力往往都是点状需求,很难驱动出企业级的业务能力建设,尤其会缺失对于单个业务能力的具体内容规划。因此,当平台建设需要进一步深化的时候,需要加上辅助的平台建设手段——平台自驱,即依照业务能力蓝图,从平台能力自身视角出发,来规划应当提供哪些能力及服务。

通常在选择平台自驱的业务能力时,需要从业务辐射程度以及技术难度两个方向进行思考和比较,以确定平台自驱的优先级。

结语

数字化平台作为金融行业数字化转型战略落地的重要载体及引擎,直接决定了转型成败。金融机构应当在业务战略及目标的指导下,围绕业务能力设计业务能力蓝图作为平台建设的底图,并依据业务线及业务能力的依附关系和优先级,形成可落地的建设规划,在建设过程中同步引入先进的数字化技术,保障数字化转型有效有序的落地,最终实现数字化业务的成功。

作者简介:

黄雨青,Thoughtworks架构师,十年研发及咨询经验。专注于数字化转型下的企业架构、数字化业务平台、开放API、服务化转型等研发领域,先后为多个⾏业(金融、汽车等)的⼤型企业提供相关的技术及架构咨询落地业务。致⼒于以平台架构为核⼼,打造企业⾃身数字化能⼒。

钱平,第四范式架构师。十多年投行研发经验,为多家头部企业银行提供数字化转型、架构规划和智能化建设相关咨询,如企业战略规划、架构规划、企业平台的规划及落地建设、微架构转型、遗留系统上云迁移及转型过程中的各种技术赋能,以及创新实验室筹建等。

ERP系统为何沦为“电子台账“? 这种需要人拉肩扛式地推动流程运转的一个个割裂的业务场景,恰恰折射出某些企业数字化转型中的深层矛盾——在企业斥巨资引入ERP系统后,却成了只能记录和查询业务的“电子台账”,无论企业上多少信息系统,数据仍然无法自动驱动业务端到端地运转,为何仍难逃"数据孤岛"、“流程割裂”的宿命?站在数字化转型的十字路口,分析转型的失败案例及转型的实施策略,加上过往的实践总结,笔者认为,企业需要清醒认识到:ERP不是包治百病的灵丹妙药,而是数字化转型的起点与基石。富士康的"百万机器人计划"背后,是持续10年的数字化人才培养。 阅读详情

相关推荐

【云原生架构反模式】常见误区与解决方案

云原生架构自2013年提出以来,经历了容器化、微服务化、自动化的演进,旨在通过弹性扩展和资源优化推动企业数字化转型。然而,实践中常见的反模式如单体应用困境、微服务硬拆陷阱和自动化能力缺失,已成为技术红利释放的主要障碍。针对这些问题,解决方案包括渐进式拆分、四维拆分法、CI/CD流水线等。未来,云原生架构将向安全体系升级、边缘云原生、AIOps深度集成和异构算力调度方向发展。企业应建立架构健康度评估模型,定期诊断,以充分释放云原生潜能,如某银行通过持续演进将需求交付周期从季度级压缩至周级。

沐风—云端行者 1771

什么是数字化转型,企业数字化转型面临的7大挑战!

数字化转型,从学术概念上来讲是指将数字技术整合到企业的所有业务领域,从根本上改变企业的运营方式和为客户提供价值的方式。数字化转型的落脚点一定要是业务数字化转型核心就是在改变业务运营方式数字化转型最终目的还是“提升客户体验”同时还有一个共识,数字化转型不仅仅是技术升级,还包括文化变革,数字化转型的成功不仅依赖于技术的采用,还需要组织文化的配合​。有些人想到的是无纸化办公有些人想到的是数据分析与人工智能还有一些人想到敏捷团队的管理方式因此很难为数字化转型提供一个适用于所有企业的定义。

jdyzzy的博客 1915

【Unity】Spine动态换装进阶:SkeletonGraphic插槽级皮肤切换与内存优化

本文深入探讨了Unity中Spine动态换装的进阶技术,重点解析了SkeletonGraphic插槽级皮肤切换的实现原理与内存优化策略。通过代码示例展示了如何高效管理皮肤实例、避免内存泄漏,并提供了对象池、纹理合并等性能优化方案,帮助开发者提升2D角色换装系统的运行效率与稳定性。

food6的博客 196

什么是企业数字化转型?企业该怎么做数字化转型?

1、定义:企业数字化转型是指:企业或组织将传统业务转化为数字化业务,利用人工智能、大数据、云计算、区块链、5G等数字技术提升业务效率和质量的过程。通俗来说,就是将数字技术应用到企业的各个方面,包括业务流程、组织结构、产品设计等方面,实现企业业务的数字化、智能化、网络化。2、作用:数字化转型可以帮助企业提高生产效率、降低成本、提高市场竞争力,同时也能够满足客户需求,提升客户体验。根据世界经济论坛发布的《第四次工业革命对供应链的影响》白皮书数据显示,数字化转型使制造企业成本降低17.6%、营收增加22.6%,因

weixin_52213728的博客 2406

USB2.0基础知识总结

目录 1、协议层: 1.1、域分类 1.2 、USB传输方式: 1、协议层: 域和包定义:包是一次传输的单位,每个包由多个域组成; USB中是按照LSB进行字节传输; 1.1、域分类 1.1.1: 同步域(SYNC field) 所有的包都开始于同步域,在低速和全速通信中SYNC field用7个0和1个1来表示。 由于USB2.0使用了NRZI编码(0用翻转来表示,1用不翻转表示),所以00000001就是上图那样。 ...

qq_32938605的博客 4410

5分钟搞懂语义通信:如何用深度学习让AI理解你的真实意图?

本文深入解析了语义通信如何利用深度学习技术,实现从传统‘比特保真’到‘语义保真’的范式转移。通过介绍基于神经网络的端到端系统架构、编解码技术及实战案例,阐明AI如何理解并高效传递信息核心意图,为6G时代的人机交互奠定基础。

weixin_29191669的博客 266

2025企业数字化转型之道(值得收藏)

数字化转型是通过数字化、网络化、智能化,以业务场景为驱动实现数物融合,敏捷地为业务创新提供跨组织、跨部门的端到端数据流,在“数据+算力+算法”中化解复杂系统的不确定性,实现资源优化配置、业务创新。

weixin_52213728的博客 1234

SAP License:SAP会计凭证抬头的字段状态控制

FI模块的同事一般都知道在FI中有个字段状态变式,可以控制在凭证输入时哪些字段是必输、哪些可选哪些隐藏,但这只对凭证行项目中有效,你是否想过对于凭证抬头的字段是哪控制呢? 在中国,会计附件上都要带一个附件张数字段,但SAP的默认配置中没有这一字段,并非SAP没有设置此字段,而是我们没有配置这一字段。如果需要在凭证输入时放出分支号(BRNCH)、附件页数(NUMPG)等字段,在个人参数文件中加入参数CSF,参数值AR,即可。如下图: 实际上,这是对凭证国家的一个设置,在SAP中,配置了AR这个国家..

SAP权限管控|SAP用户权限管理|SAP权限合规检查|SAP全日志管理 2226

如何提升软件开发效能?企业级业务架构思考与实践

企业级业务架构(EBA)方法源自Zachman框架和TOGAF理论。企业架构总是给人一种庞大而笨重的印象,实践往往也需要一定的时间周期,相信很多人都会怀疑这种连它自己都快不起来的实施模式会对提升企业级应用系统软件开发效能有什么帮助,本文笔者就试着讨论下这个问题,同时,也跟各位读者分析分析软件工程发展至今仍有很大不足的一处“盲区”。 企业级系统软件开发效能存在的一些瓶颈 1. 令人头疼的源头管理 软件行业一直在致力于工程效率方面的持续改进,从瀑布模型、螺旋模型到敏捷过程。对于效率而言,...

一个天秤座的架构师 2万+

游戏数据训练世界模型:AI物理规律学习与仿真应用实践

世界模型作为理解现实世界动态的AI工具,通过多模态数据学习物理和空间属性来预测未来状态。其核心原理在于从环境交互中提取物理规律,技术价值体现在能够安全、低成本地训练AI系统应对复杂场景。在应用层面,游戏数据因其结构化环境和内置物理引擎,成为世界模型训练的优质素材。游戏世界中的物体交互、运动轨迹等数据天然包含现实物理规律,特别适合训练物理AI。本文以General Intuition公司获得3.2亿美元融资为切入点,深入探讨游戏数据在世界模型训练中的技术实现路径,涵盖数据提取管道构建、多模态数据融合方法,以及

weixin_29056865的博客 367

DAB协议解读ETSI TS 103 461

数字信号广播( Digital Audio Broadcasting 简称DAB)是继AM、FM传统模拟广播之后的第三代广播--数字信号广播,它提供了接近CD质量的声音,广播及商机无限的附加数据服务,具有抗噪声、抗干扰、抗电波传播衰落、适合高速移动接收等优点,保证固定、携带及移动时接收信号的质量。DAB的原始版本使用MP2音频编解码器。该系统的升级版本于2007年2月发布,称为DAB+,它使用基于改进的离散余弦变换(MDCT)的HE-AACv2(AAC+)音频编解码器。

qflook的博客 4481

老杨说运维 | 农商行数字化转型的误区与破局之道

当下农信金融机构在IT方面的投入底子薄,人才储备相较于业务显得不够充足,头部机构在全方面探索前进,而尾部梯队尚处于信息化初期的阶段,导致业务与技术融合缓慢,加之敏稳双态的并存问题,资源投入后难以达到理想的效果。

智能运维及数据中台探索 830

TC3XX - MCAL知识点(四十二):AURIX™ TC3xx实现多相电机需要多核配合使用的场景与实操分析

本文探讨了多相电机控制系统中的关键技术问题,重点分析了多核处理器在电机控制中的应用。针对十二相电机等复杂应用场景,提出了同步采样、多核协同等解决方案。文章详细阐述了相电流同步采样原理及EBTresos配置方法,分析了ADC硬件触发机制和多核配合策略。通过Core0和Core1的协同工作设计,解决了位置信息采集与FOC算法执行的时序问题,并提供了代码实现示例。实验验证了采用ATOM0_7同时触发两个核ADC中断的可行性,为多相电机控制系统的实现提供了技术参考。

梦想技术家 501

2025【DevOps怪象】测试用例激增,质量反降?现代软件测试的三大误区与破局之道

在数字化转型浪潮下,软件质量已成为企业核心竞争力之一。然而,众多研发团队在追求高质量的过程中,却陷入了一个令人困惑的困境——明明投入了大量资源提升测试覆盖率、增加用例数量和提高自动化比例,质量问题却依然频发。Gitee Test最新发布的行业报告揭示了这一现象背后的深层次原因,并提出了突破性的解决方案。

weixin_45978350的博客 387

uniapp微信小程序 - 详解map地图markers图标不显示问题,自定义图标真机调试不显示变成默认marker标记点图标(解决微信小程序map组件markers自定义图标失效,兼容安卓苹果手机)

uniapp微信小程序 map地图markers图标不显示,markers图标真机调试不显示,uniapp map地图显示图标markers问题,自定义图标不显示,添加marker后不显示,uniapp 微信小程序 map marker图标不显示如何解决,uniapp小程序地图的marker图标不显示问题,微信小程序map组件markers自定义图标真机显示问题,uni-app, 微信小程序, map组件, markers图标不显示, 真机调试, 微信小程序map组件,地图加载后marker标记点ios设备

🏆 前端领域优质创作者 2916

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

企业数字化转型八大痛点与破局之道

数字化转型是企业通过技术架构升级实现业务变革的过程,其核心在于打通数据流与业务流的闭环。在技术实现层面,ERP、数据中台等系统集成常面临数据孤岛、技术债等挑战,而RPA、API连接等技术手段需要匹配组织变革才能发挥价值。实践中常见战略失焦、供应商锁定等痛点,有效方法包括建立业务技术双轮驱动机制、构建企业级数字基座。成功的数字化转型应将80%精力投入组织流程重塑,通过价值流分析锁定真实业务痛点,最终实现如电力般无形却不可或缺的数字化运营。

weixin_29075633的博客 95

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

VUCA+云计算时代,数字化转型的应对策略——从理念革新到工具落地的系统性破局之道

在VUCA(易变性、不确定性、复杂性、模糊性)时代,企业面临技术迭代和商业模式重构的双重挑战。云计算技术为企业提供了弹性算力,帮助其快速调整资源分配,将危机转化为敏捷响应能力。然而,传统开发模式难以应对需求频繁变更,云原生架构和DevOps工具链的成熟则为快速试错与持续交付提供了技术支撑。企业数字化转型的核心策略包括:构建韧性思维与数据驱动文化、采用小步快跑的敏捷路径、选择适配的数字化工具、以及构建学习型组织的反馈机制。同时,企业需避免全面颠覆式改革和忽视安全与合规的误区。未来,企业需把握技术融合和生态竞争

weixin_54698704的博客 1136

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

企业数字化转型的“底座”到底是什么?——从技术原理到企业级实践的深度解析

企业数字化转型的底座,本质是 “业务能力的数字孪生体”—— 它不是冰冷的技术架构,而是承载企业战略的活的系统。当底座具备 “可建模、可复用、可演进” 的核心特质,企业才能真正突破 “项目级转型” 的局限,构建可持续进化的数字化竞争力。对于 CIO 而言,选择底座的关键不是看 “技术参数”,而是审视其能否回答三个核心问题:能否将业务经验沉淀为可复用的数字资产?能否支撑复杂场景的敏捷创新?能否适应未来 3-5 年的技术演进?当底座成为企业的 “数字基因”,转型将不再是昂贵的试错,而是可预测的能力进化。

sdgfafg_25的博客 1496

数字化转型深水区:低代码落地破局与行业实景复盘

过去五年,国内企业数字化转型完成了第一轮普及,绝大多数中大型企业都已上线OA、CRM、ERP等基础信息化系统。但从行业落地实效来看,80%以上的企业陷入“浅层数字化陷阱”:系统堆砌严重、数据孤岛林立、业务流程割裂,标准化系统无法适配企业个性化经营场景,定制化开发成本居高不下,转型投入与产出严重失衡。不再追求“有无”,只聚焦“适配与增效”。

kfashfasf的博客 724

决策智能平台如何重塑企业决策模式

"这种看似割裂的现象,实则揭示了人工智能发展进程中的结构性矛盾:通用大模型的"规模化扩张"与企业专用模型的"场景化深耕"之间,亟待构建双向协同的闭环生态。DIP 不仅提供技术解决方案,更构建了智能时代的企业生存法则——通过打造自主可控的"决策大脑",将数据主权牢牢掌握于企业自身,驱动业务智慧持续迭代,最终形成"以我为主,AI 为我所用"的良性生态体系。,帮助企业统一管理海量数据,通过数据智能体辅助业务决策,并保障数据安全与 AI 安全,实现可信 AI 的决策智能。私域数据与通用模型的融合困境。

AISHU_01的博客 1510

企业数字化转型的挑战与破局之道

数字化转型是企业通过数字技术重构业务流程、提升运营效率的战略过程。其核心原理在于打通数据孤岛、建立智能数据中台,实现从信息化到数字化的质变。在技术价值层面,有效的数据治理和实时计算引擎能显著提升决策速度和营销精准度。当前制造业、金融业等行业的典型应用场景中,企业常面临战略断层、数据孤岛和组织抗拒等挑战。通过战略校准工具包、数据中台框架和组织激活方案的三位一体解决方案,某化工企业成功将数字化项目成功率提升至72%,某地产集团则实现了决策速度提升60%的显著成效。

weixin_29053067的博客 148

数字化转型-如何让数字化转型创造价值

数字化转型浪潮下,企业常陷入投入与收益失衡的困境。《中国智能制造发展年度报告2023》显示,2020—2022年全国智能制造解决方案市场规模年均增长率超过18%,但企业项目成功率不足40%。

qq_40821260的博客 1153

2026低代码落地全景:从企业降本到全行业数字化破局

从信通院2026年全行业数据与落地案例来看,低代码已经不是可选的数字化工具,而是企业转型的刚需技术底座。行业彻底告别了“拖拽式简易开发”的初级阶段,向着AI原生化、工程化、信创国产化、全域集成化四大方向快速迭代。未来两年,低代码的行业渗透率将持续攀升,预计2027年AI低代码将覆盖90%以上的中小企业,成为企业数字化的基础标配。同时,行业马太效应将持续加剧,技术能力薄弱、无自主架构、无法适配信创与AI趋势的中小平台将逐步淘汰,具备全场景落地能力、核心技术自主可控的企业级平台将成为市场主流。

sdgfafg_25的博客 508

数字化转型绕不开低代码?技术人该懂的效率革命逻辑

数字化转型已经进入“深水区”,企业之间的竞争本质上是数字化能力的竞争,而开发效率和业务响应速度则是数字化能力的核心指标。传统开发模式已经难以满足企业数字化转型的需求,低代码开发以其高效、低成本、易扩展的优势,成为企业数字化转型的必然选择。对于技术人而言,低代码不是“技术降级”,而是开发模式的“升级革命”,它让技术人从重复编码中解放出来,聚焦于更有价值的技术创新工作。对于企业而言,低代码不是“可选工具”,而是“必选方案”,它能够帮助企业快速构建数字化能力,抢占市场先机。

sdgfafg_25的博客 1066

转型屡败?低代码落地的核心困局与破局关键

数字化转型的本质是业务的升级与优化,低代码只是实现转型的工具,而非目的。大量企业转型失败的案例证明,脱离业务的低代码落地,无论技术多么先进,最终都只会沦为“空中楼阁”。企业要实现低代码的有效落地,必须跳出“技术至上”的误区,坚持“业务为王”,以行业业务适配性为核心,以业务流程闭环为导向,兼顾快速搭建与长期迭代,打造贴合业务的低代码行业落地方案。未来,随着数字化转型的深入,低代码平台的竞争将不再是功能的竞争,而是行业解决方案与业务适配能力的竞争。

dsgdauigfs的博客 460
上一篇: “30岁,当一名游戏技术总监去”
下一篇: 涅槃:时序数据库的终局与重生
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值