自然语言处理

项目介绍:项目整体是针对金融新闻领域的各类子任务做相关的识别和信息抽取任务，包括金融新闻舆情分析，金融事件信息抽取，新闻领域实体识别，金融关系抽取等多个子任务。 工作说明: 利用当前所有开源的大模型(LAMMA2, Falcon, MPT, Bloom, ChatGLM2, Qwen, InternLM)，进行横向的对比实验分析，针对具体的任务，对每个大模型进行fine-turing。然后进行对比实验。

项目分大模型、后端、前端三部分 大模型经数据训练得到领域大模型 后端使用django框架调用大语言模型接口 前端采用vue框架

项目简介: 对上期Text2SQL任务进行优化，达到业界顶尖水平。 项目分工: 本人在目前业界效果Text2SQL模型的基础上进行优化，主要针对LLM输出结构的对齐，SFT优化的效率问题，大模型幻觉的问题进行了相关的优化，达到了远超目前State of The Art的效果。 项目心得: 对于复杂的大模型生成问题，将其进行合理的子任务拆解，prompt engineering微调的效果提升会比较好。 解决问题: 基本实现了自然语言到SQL转换的功能，支持大模型自动学习表和schema和SQL生成。 欢迎合作: 作者2017年毕业，主要从事对话系统，语义理解和推荐，大模型应用等方向的研发工作。曾在小爱同学细分赛道上业务做到业界No.1。对话系统领域研发经验6年，推荐领域研发经验3年，团队管理经验3年。 2022年起，调研并落地了大模型在文本生成的技术方案，落地的场景主要包括: 人设问答，本地知识库问答和搜索式问答，NL2SQL。在大模型的应用和优化方向，如PEFT, SFT，Prompt Engineering，推理加速等，都有着相关的实践经验。 熟悉聊天机器人、对话系统等项目，熟悉

项目介绍: 虚拟人电商直播主要是提供一个虚拟人作为主播，像用户介绍相关的产品信息，回复用户的问答，业务上包括直播商品介绍，基于商品的信息抽取问答，虚拟人口型驱动，语音渲染等等。 职责: 负责完成对话模块整理的业务架构设计和工程化落地，覆盖多个直播业务场景。完成业界前沿底座大模型的效果对比和评测。基于BaiChuan等大模型完成相关的微调和优化，推理加速优化，一站式服务部署等等。

医疗综合信息分析平台 项目背景: 以用户的病例信息作为输入，抽取疾病信息，所属领域类别信息，病状的描述信息，处方信息以及对应的禁忌事项信息等。将该信息抽取完成后存储至数据库。最后由专业人员对相关信息进行质检，完成医疗信息的知识落库。 项目分工: 本人主要负责对病例信息的领域分类，疾病名称识别，病状信息描述，处方信息抽取和禁忌事项的抽取业务。即通过大模型对病例信息的数据实现多个维度的信息抽取工作。 项目成果: 完成外科和耳鼻喉科领域下，数百种疾病信息的知识抽取，准确率达到90%以上。 欢迎合作: 作者在对话领域有多年的研究经验，LLM应用落地上有丰富的实战经验，在这块有大量的交付案例，欢迎有相关业务需求的公司进行合作。

项目模块: 主要是针对Text2SQL三期的任务进行了相关的优化。 项目分工: 完成LLM Text2SQL任务的全链路优化。主要包括: 知识扩充优化，COT链路优化，Table Prompt Ensemble, RAG数据增强，渐进式学习优化等。 成果: 对比开源State of theArt的方案，提升超过10个百分点，对比上期V1.0的优化成果，提升5.6% 欢迎合作: 作者在对话领域有多年的研究经验，LLM应用落地上有丰富的实战经验，欢迎有相关业务需求的公司进行合作。价格优惠，质量有保障。

作品地址：http://www.latexai.com/ 分为渲染、识别、生成模块，均由本人完成 渲染模块功能为，帮助大家写latex表达式，并渲染出来，可导出png\svg\word格式的公式表示。 同时支持有限的AI公式识别转换为latex表达式，可选输出可视化的模型内部的attention部分

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

项目模块: 主要是针对text2SQL任务的全链路优化，增加了SQL数据可视化的推理过程，实现整体的数据可视化Agent. 项目分工: 负责对业务整体的建模，包括SQL生成任务的优化，图表关系的业务建模，和API参数的智能生成。 主要包括: SQL生成任务的拆解优化，针对图表分类和参数抽取的业务建模，COT优化，图表和API参数关系抽取，以及参数的对齐优化功能等等。 成果: 跑通了从文本到数据可视化的全流程，支持了5种复杂的数据可视化业务需求，达到业务交付标准。 欢迎合作: 作者在对话领域有多年的研究经验，LLM应用落地上有丰富的实战经验，在这块有大量的交付案例，欢迎有相关业务需求的公司进行合作。

本项目旨在开发一款创新型陪护机器人，利用基于讯飞星火3.0 的AIGC（Artificial Intelligence Generated Content）指令生成式技术、实时语音流处理技术和iCaRL分类技术，使机器人不仅具备自然而流畅的对话能力，而且能够理解指令并生成智能回应，为用户提供高度个性化的护理和支持。 本项目基于讯飞星火3.0的AIGC模型。 基于该模型，能够在语义理解、文本分类、命名实体识别、情感分析和问答系统等多个自然语言处理任务上表现出色。具备高准确性，能够准确理解输入文本，并生成相应的语义表示和回答。 项目分为语音识别模块，AIGC指令生成模块，动作执行模块，物体识别模块等。

主要解决执行法官登记材料管理困难的问题，可以通过系统统筹管理，执行案款到期预警提醒等功能。通过线上线下结合的模式，解决执行局材料收转问题。同时每份文件都可以进行电子扫描登记，并存入中间库管理。 负责整体的流程设计、功能搭建、原型设计

项目介绍: 本项目实现了对话系统中的规则引擎服务，可以适配复杂的业务需求，整体时间复杂度为O(n)。整体包括三个部分: 业务适配，业务词典和业务规则模版。通过配置不同业务的词典和模板，可以实现独立的规则引擎匹配。数据和服务实现业务分离，支持数据热更新。 适用场景: 1. 基于规则引擎的语义理解，返回对应的意图信息和槽位对，以及置信度打分。 2. 业务场景下的实时干预，避免服务的高频发版，保障线上服务稳定性。 3. 业务功能黑名单处理。 4. 商业化运营事件配置。

项目简介: 项目的目标是根据用户的输入query，结合大模型配置信息中的多个表的schema信息，返回对应的标准化的SQL语句。 项目分工: 本人利用相关的文章和部分大模型实现了该功能，主要包括底座大模型的选型，大模型的微调，结合对应任务下的先进技术，进行了prompt engineering。并对几种不同的prompt engineering进行了横向的对比实验。利用工业界的电商数据进行建模，针对简单的SQL查询功能能基本覆盖，对于级联查询问题，特别是对于5%这类数据，可能会出现模型幻觉，需要进一步SFT。 项目心得: 对于复杂的大模型生成问题，将其进行合理的子任务拆解，prompt engineering微调的效果提升会比较好。 解决问题: 基本实现了自然语言到SQL转换的功能，支持大模型自动学习表和schema和SQL生成。 欢迎合作: 作者2017年毕业，主要从事对话系统，语义理解和推荐，大模型应用等方向的研发工作。曾在小爱同学细分赛道上业务做到业界No.1。对话系统领域研发经验6年，推荐领域研发经验3年，团队管理经验3年。 2022年起，调研并落地了大模型在文本生成的技术方案

人民陪审员管理系统，实现人民陪审员管理标准化，使得人民陪审员数据实现精准化，从而提高陪审员排期的工作效率。建立人民陪审员信息库，以随机参审等方式推进人民陪审员均衡参审，改善人民陪审员的广泛性和代表性不足的问题，推进司法民主、促进司法公正、提高司法公信力。 系统统一维护陪审员数据信息，摒弃了传统Excel手动维护陪审员信息的方式，系统通过批量到入维护更新的方式，极大提高了人员信息的维护成本。系统抽取陪审员通过系统随机抽取和人工指定两种方式来权衡抽取，有效根据案件的情况抽取陪审人员，陪审员通过小程序确认是否正常参与陪审，确认参审后，系统会在开庭前24小时通过短信提醒陪审人员按时参与陪审，提供了短信提醒功能。 系统通过记录陪审次数、拒绝次数，分析陪审员的可参审次数，自动预警提醒规避。

项目简介: 项目的目标是根据用户的输入query，结合大模型配置信息中的多个表的schema信息，返回对应的标准化的SQL语句。 如假设有以下几张表和对应的列: Table advisor, columns = [*,s_ID,i_ID] Table classroom, columns = [*,building,room_number,capacity] Table course, columns = [*,course_id,title,dept_name,credits] Table department, columns = [*,dept_name,building,budget] Table instructor, columns = [*,ID,name,dept_name,salary] Table prereq, columns = [*,course_id,prereq_id] Table section, columns

项目简介: 项目主要是利用大模型实现了法律垂直领域的智能问答，主要是覆盖了法律咨询的业务场景。数据主要由论坛、新闻、法条、司法解释、法律咨询、法考题、判决文书组成。大模型能根据相关的业务场景实现智能问答。 项目分工: 本人在项目中负责对话整体业务的设计和算法部分业务的实现。主要包括大模型的选型，大模型微调，PEFT, SFT, 模型推理加速和服务部署等。通过对比GPT, 百川，千问，ChatGLM, 书生，Lamma等大模型的效果。做对应Prompt Engineering优化等。 解决问题: 完成了项目整体的开发与部署，整体上支持了法律AI场景下的对话业务。

项目简介: 项目主要是基于ChatGLM2等大模型实现了影视角色的人设问答，这里的人设选型为封神榜中的角色。用户可以设置对应的角色(如: 商纣王)，在和系统进行对话交互时，系统会以商纣王的人设风格对用户输入的信息进行回复。 项目分工: 本人在项目中负责对话整体业务的设计和算法部分业务的实现。主要包括大模型的选型，大模型微调，PEFT, SFT, 模型推理加速和服务部署等。通过对比GPT, 百川，千问，ChatGLM, 书生，Lamma等大模型的效果。针对人设角色的形象设定，做对应Prompt Engineering优化等。 解决问题: 完成了项目整体的开发与部署，对话系统整体上支持了人设大模型生成式对话的业务场景。

通过对接ChatGPT服务，使国内用户可以用上OpenAId的ChatGPT4.0和DALL-E服务 用户需要在平台注册用户，并通过充值的方式来预存一定的费用，用于openai生成对话和图片等

全栈开发，独立完成 该项目使用自研的医疗知识图谱问答算法以及自构建的医疗知识图谱作为数据源 算法主要包含知识图谱嵌入模块、自然语言语义分析模块、答案匹配模块 后端使用python与nginx实现 前端使用vue搭建，并实现窗口自适应功能 为用户提供简单的医疗知识问答功能

项目简介: 项目主要是基于ChatGLM2等大模型实现了影视角色的人设问答，这里的人设选型为一人之下中的角色-武当王也。在和系统进行对话交互时，系统会以王也的人设风格对用户输入的信息进行回复。 项目分工: 本人在项目中负责对话整体业务的设计和算法部分业务的实现。主要包括大模型的选型，大模型微调，PEFT, SFT, 模型推理加速和服务部署等。通过对比GPT, 百川，千问，ChatGLM, 书生，Lamma等大模型的效果。针对人设角色的形象设定，做对应Prompt Engineering优化等。 解决问题: 完成了项目整体的开发与部署，对话系统整体上支持了人设大模型生成式对话的业务场景。