LLM (大语言模型)

某企业AI智能客服项目旨在利用人工智能技术，为企业打造一个高效、智能的客户服务系统。该项目通过模拟人类客服的对话方式，与用户进行实时交流，解答用户的问题、提供帮助和建议，从而提升企业服务效率、降低运营成本，并增强用户的满意度和忠诚度。 一、模块组成 智能问答模块：基于自然语言处理、深度学习等技术，对用户的问题进行识别、分析和回答。该模块能够准确理解用户意图，提供精准的答案和解决方案。 用户交互模块：负责与用户进行实时对话，包括语音、文本等多种形式的交互。该模块通过语音识别、语音合成等技术，实现与用户的语音交互；同时，也支持文本输入和输出，方便用户进行文字交流。 知识库管理模块：存储和管理企业的各类知识、常见问题及解决方案。该模块支持知识的动态更新和维护，确保智能客服系统能够随时提供最新、最准确的信息。 数据分析模块：对用户行为、问题类型、服务效果等数据进行收集和分析，为企业提供有价值的业务洞察和改进建议。 二、使用到的技术 自然语言处理技术：用于将用户的语言转化为机器可理解的形式，从而能够准确理解用户的需求和问题。通过分词、词性标注、句法分析等处理，提取出用户问题中的关键

1. 项目模块： 数据预处理模块：这个模块负责对训练数据进行清洗、标准化和预处理，例如删除无效数据、分割数据集等。 模型训练模块：这个模块负责定义GPT模型的结构和参数，并使用训练数据对其进行训练。选择TensorFlow来实现GPT模型的训练过程。 模型评估模块。 应用模块：搭建一个视频自动生成程序。 2. 我的任务： 爬虫并进行数据预处理；使用分布式训练来加快训练速度；超参数调优：GPT模型具有多个超参数，如层数、隐藏单元数等。调整这些超参数对模型的性能和效果至关重要。你可以使用交叉验证、网格搜索或自动化调参工具来优化超参数选择。 过拟合和模型调优：GPT模型可能会面临过拟合的问题，即在训练数据上表现良好，但在新数据上的泛化能力较差。你可以采用正则化技术（如dropout）或早停策略来缓解过拟合，并进行模型调优以提高性能。

所有流程都是独自完成，包括关键词、模型以及细节调试。 只要关键字，就能透过AI算法生成相对应的图片，不需要消耗大量的时间以及精力。

通过私有化部署AI模型通义千问，将AI与JIRA打通，使用AI来预处理jira ticket，释放出更多的生产力，为用户带来更好的云上体验 通过AI预处理工单后，人工投入大大降低了35%，并且给用户带来了高效的服务响应体验，特别是新上云的用户，体验最佳，并不断探索通过agent来完成自动化运维工作

AutoChain：构建轻量级、可扩展且可测试的 LLM 代理。 AutoChain 从 LangChain 和 AutoGPT 中汲取灵感，旨在通过为开发人员提供一个轻量级且可扩展的框架来解决...

项目简介：基于 Langchain RAG 框架的自定义知识库对话系统 1. 功能模块及用户功能： 对话接口： 用户可以通过文本输入与系统进行自然语言对话。 系统能够理解用户的查询并返回相关信息。 知识库检索： 系统能够从事先构建好的知识库中检索相关内容，以支持对话中的信息提供。 用户反馈： 用户可以通过点击按钮提供对话结果的反馈，包括正确性、流畅性等方面的评价。 2. 我的任务、技术栈与成果： 任务： 搭建自定义知识库对话系统，提供高效、准确的信息查询服务。 技术栈： 使用 Langchain 提供的 RAG 框架作为对话系统的核心。 选择 Qwen-14B-Chat 作为基座模型，具有强大的对话生成能力和对话理解能力。 使用 Streamlit 框架重新设计前端界面，提供用户友好的交互体验。 成果： 成功搭建了一个自定义知识库对话系统，能够通过与用户交互，提供准确、丰富的信息支持。 引入了用户反馈功能，能够持续收集用户的评价数据，用于优化系统性能和调整知识库内容。 3. 难点与解决方案： 难点： 如何有效地组织和索引知识库中的内容，以便快速、准确地进行检索。 解决方案： 使用

Anse 是一个极致优化的 AI 聊天 UI，适用于 ChatGPT、DALL-E 和 Stable Diffusion 等 AI 模型。 在线预览: https://anse.app

1. 实现AI大模型应用，为用户提供智能化解决方案，提高生活和工作效率。小程序包括AI社区（AI作品分享、点赞、收藏等）、AI创作（小红书、视频脚本等）、AI对话（AI女友、AI医生助手等）。 2.项目中集成和调用AI大模型，使用Prompt工程、RAG技术增强模型的信息检索能力，使得用户获得更准确和全面的AI体验。

1、功能是针对用户话术的情感分析，方向为正向，中性、负向； 2、通过开源数据、ChatGPT标注数据、人工标注数据构建数据集； 3、模型选型使用BERT类NLU模型； 4、融合对抗训练等策略训练模型； 5、模型F1达到98%； 6、本人独立完成。

1. 系统描述：本系统为AI多模态人工智能聊天系统，展示的模块为青少年问卷调查智能问卷。系统根据用户对问卷内容的回答，智能分析诊断用户的心理健康状况，为医生提供指导性建议 2. 责任描述： 整个系统架构搭建，问卷流程设计，以及AI核心模块的开发 3. 成果：已经与上海卫建委成功签订合作合同，并申报为24年度政府相关科研课题

针对有一定数据沉淀的客户，提供基于ChatGLM的LLM的BI分析解决方案，让普通业务人员实现复杂SQL编写和数据分析，满足Adhoc分析需求，优化数据分析和运营团队成本。

获取金融领域一些股评文章、用户留言发帖等文本，通过自然语言处理、语法处理，构建舆情模型，实时显示舆情方向

这是一个类似于 ChatGPT 的 Web chatbot，它的独特之处在于能够将对话内容以知识图谱的形式保存到服务器上，从而实现永久记忆的功能。相比之下，它不仅仅是一个简单的聊天工具，更是一个能够记录和积累知识的智能伙伴。通过这种方式，每次对话都成为了知识的积累，形成了一个不断扩展和丰富的知识体系。这使得它在长期使用中能够更好地理解用户的需求和问题，提供更加准确和有用的回答。它的永久记忆能力使其成为一个不断学习和成长的智能助手，为用户提供更优质的服务和支持。

1.支持多个大模型同时服务，图像生成/文本生成/视频 等全域开源大模型; 2.支持910b/tpu/cpu/gpu部署，支持单卡和多卡混合部署，并发支持; 3.demo使用了3种大模型, 2层级分支处理逻辑, 实现了订腾讯会议、代码解释生成、图片生成和处理一般问题； 4.深度支持RAG，检索增强生成，层次化知识存储；demo支持上传文档，体验专属个人助手(用完即删不会存档,txt或md文件)； 5.全套代码独有，支持前后端定制，支持大模型预训练/指令微调 等微调工作； 6.给出和现有系统混合协作的解决方案；

LLaVA 是一个面向多模态 GPT-4 级别功能构建的大型语言和视觉助手。代表了一种端到端训练的大型多模态模型，连接视觉编码器和 LLM 以实现通用视觉和语言理解。 Demo 早期实验表明，L...

描述：本产品将各个公司的ChartGPT资源进行整合 负责模块：负责官网的开发与迭代。 相关技术描述 基于electron开发的一款AI智能应用，把市场AI进行整合，对接各个AI应用接口，前端通过sse进行结果渲染 技术栈：electron + vue

IT帮帮(https://itbangbang.cn) 本系统是本人注册的一人公司名下的系统，是100%本人独立完成的所有工作。包括：前端、后端、架构、产品设计、运维、爬虫、域名等。 1.本人完成(100%) 后台管理部分； 用户端部分： 目前上线部分分为：联系、需求、服务、商机、帮豆模块。 需求：发布需求、我的需求。主要为IT类发布任务。 服务：发布任务、我的任务。主要我技能服务类服务。 商机：通过网络爬虫selenium抓取招标数据，进行展现。 帮豆：在线充值，需求竞标、查看商机会消耗帮豆。 之前曾经上线，目前暂时未显示的模块： comfyUI:采用大模型进行在线绘画作图。 视频播放； 资源上传与下载功能等。 2.涉及技术： caddy、springboot、dubbo、redis、mongodb、bootstrap、websocket、netty、MySQL、selenium、多线程、jdk17、python、jquery、vue.js、Https、 开源安全模块(天池)等、第三方支付、在线文件预览、下载模块

大模型有较强的语义理解能力、常识推理能力，任务规划能力，但在面向特定领域时，存在以下挑战： 领域知识匮乏 • 领域应用的本质是复杂决策。通用大模型具备宽 广的知识底座，具有宽度有余但深度不足，无法 直接胜任复杂任务。 大模型的“幻觉”问题 • 没有依据的答案，通过简单类比得出错 误答案，在企业内，需要确保领域问题 的准确性。 数据和知识过时，难更新 • LLM的知识很容易过时，很难更新；难以保证数 据的完整性，容易形成错误回答，或者无法回答。 对于给定信息的“忠实度” • 在领域任务中，我们需要大模型遵循特定领域的规范、制 度、流程和知识进行回答。然而，如果没有进行适当的调 优，大模型往往会抛开给定的文档或信息，而倾向于利用 已习得的通用知识进行自由发挥。飘逸的创造发挥与忠实 的事实陈述是一对难以调和的矛盾。 不可解释 • 生成的答案是否有依据？为什么是A而不是B？

网站起始页 可以登录注册；自定义网站起始页链接 1. 调用第三方api实现每日壁纸 2. 前后端分离开发模式；后端遵循fast api 规范 3. 跨域调用资源 4. 本地持久化存储 5. 组件化，异步加载

1、数据资源梳理； 2、数据资源治理； 3、数据产权登记； 4、数据资产质量评价+数据资产价值评估； 5、数据资产资本化