业务中台
将各种通用功能以服务的方式进行封装，形成以业务中台为核心的快速开发框架。
开发新的系统时，针对通用功能需求只需要调用对应服务即可，从而实现新应用的快速开发上线。
政务服务
政务业务
所有通用服务都提供多租户支持，新的前端应用接入只需要进行注册认证即可，接入方式方便快捷；
统一的业务管理平台，可以实现对各服务的全局把控；
所有服务都采用自动化部署，可以根据并发量及服务器资源消耗情况实现节点的自动伸缩；
业务管理平台的授权认证功能，可以保证各个应用的开发、运维、管理人员专注于自身负责的服务模块。
强大的日志监控告警系统，可以实时监控各服务的软硬件运行情况，并实时向相关负责人发送告警信息；
通过把通用功能下沉，以实现功能的复用。通过业务中台的服务支撑，前台的业务创新周期会大大的缩短，一个新应用的上线，不再需要从零开始分析、设计、开发
只需要对业务中台的各服务进行组合，即可快速生成一个新的应用，从而大大的降低新应用开发的成本，提高用户新需求的响应速度
数据中台
业务中台打通了不同应用中同一类型的业务数据，各个业务特有的数据以及各个服务中心之间的数据仍存在壁垒。为了更好使数据规模化
形成全域数据，发掘潜在的数据价值，公司构建了强大的数据中台
业务中台沉淀的业务数据进入到数据中台进行体系化的加工，再以服务化的方式支撑业务中台上的应用
而这些应用产生的新数据又流转到数据中台，形成循环不息的数据闭环
球盟会丰联致力于培养员工成为技术、管理、业务方面的专业人才
基于规则的中文文本分类技术
基于深度学习的命名实体识别技术
命名实体识别（Named Entity Recognition，简称NER）是采用序列标注的方式，获取文本中具有特定意义的实体，在自然语言处理技术走向实用化的过程中占有重要地位。
命名实体识别技术，由循环神经网络(RNN)，逐渐演化出长短期记忆网络(LSTM)与门控循环单元(GRU)等具有记忆功能的网络结构，通过融合更多信息获取更好的效果。球盟会公司融合现有的NER技术结合BiLSTM-CRF模型，构建深度学习ALBERT-BiLSTM-CRF模型。该模型主要由三部分构成，分别ALBERT预训练语言模型、BiLSTM层和CRF层。
ALBERT层对嵌入的因式分解，跨层参数共享，句间连贯性损失三种改进方法以ALBERT的编码输出作为BiLSTM层的输入，再在BiLSTM的隐藏层后加一层CRF层用以解码，最终得到每个字符的标注类型。球盟会公司通过该方式组建的命名实体识别模型，解决了预训练语言模型参数量过大且训练时间长的问题，并且识别准确度达到了95%以上。
