自然语言处理

1.类似于chatgpt，文心一言等大语言模型的功能，训练一个属于自己的模型，支持垂直领域的算法定制，比如：智能AI对话聊天、内容创作、健康与生活咨询、教育辅导、职场助理、编程支持、语言翻译、休闲娱乐等。 2.支持算法的部署，可以本地部署、服务器上部署、同时也可以支持手机离线部署，即使没有网络的情况下也可以实现大语言的能力。 3.支持算法的定制，根据客户具体需求来定制设计算法。

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。

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

"通过AI及自动化技术实现7×24小时无人值守直播，降低90%人力成本，提升直播转化率" ▸ 传统直播人力成本高：单场直播减少2-3名运营人员 ▸ 直播时段限制：实现凌晨流量蓝海时段自动开播 ▸ 互动效率低下：AI实时响应速度

机器人基于人工智能技术,面向企业场景的 AI 服务,可应用于智能客服、服务咨询、业务办理等场景,还可以帮助企业实现智能营销和智能企业内部服务。 主要负责知识库管理，将知识类型进行分析，支持文本问答，文件统一管理

此模块的功能是连接国内AI星火接口，实现回复b站弹幕的功能。如果再使用上游戏建模，和游戏引擎配上角色即可实现可视化的时时聊天数字人。 使用的技术是python，前期可使用我的账号和密钥测试，后期账号和密钥请去官网申请，网址在压缩包里。

本方案面向谁，解决了什么问题 本方案主要面向对中医感兴趣的用户，尤其是希望通过简单、便捷的方式了解自身健康状况的人群。它解决了传统中医诊断中需要专业医师面对面诊断的痛点，通过AI技术实现了舌苔和面相的初步分析，帮助用户快速了解自身的身体状况，并提供相应的药方推荐，方便用户进行自我调理。 相比于市场常规方案，本方案有哪些特点 AI驱动的中医诊断：与市场上常见的健康类APP不同，本方案结合了AI技术与中医理论，能够通过舌苔和面相图片进行智能分析，提供个性化的健康诊断和药方推荐。 推理图解析：本方案的核心亮点在于推理图，用户可以清晰地看到从舌苔和面相信息到药方推荐的逻辑推理过程，增强了诊断的透明度和可信度。 便捷易用：用户只需上传舌苔和面部图片，即可获得初步诊断和药方推荐，操作简单，无需专业中医知识。 个性化推荐：基于用户的舌苔和面相分析结果，AI初诊器能够提供针对性的药方推荐，帮助用户进行精准调理。 方案的产品组成或技术选型 图像识别技术：用于分析用户上传的舌苔和面部图片，识别颜色、厚度、纹理等特征。 中医知识图谱：结合中医理论，构建症状与药方之间的关联关系，支持AI推理和

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。

文字识别是一种将图像中的文本内容转换为可编辑和搜索的数字文本的技术。它广泛应用于各种场景，包括文档数字化、自动化数据输入、信息检索等。OCR的应用场景 文档数字化： 将纸质文档扫描成图片，并通过OCR转换为可编辑、可搜索的数字格式，如PDF或Word文档。 自动数据录入： 在银行、保险、医疗等行业，OCR用于自动识别单据、发票、账单等内容，提高数据录入效率。 车牌识别： 在交通监控系统中，OCR技术用于自动识别车牌号码。 手写体识别： OCR不仅用于打印文本的识别，也可以扩展到手写体的识别，尽管手写体识别相对复杂。 图像中的文字提取： OCR还可以应用于从图像或照片中提取文本，常见于广告、宣传单、商品标签等场景。 OCR技术的演进 传统OCR：早期的OCR技术主要基于模板匹配和规则的方法，效果较为单一，识别准确度受限。 机器学习OCR：随着机器学习的进展，OCR开始采用训练模型来识别字符，通过大规模数据的训练，提高了对不同字体、语言和格式的适应能力。 深度学习OCR：近年来，深度学习（特别是卷积神经网络CNN和循环神经网络RNN）的发展，使得OCR技术大幅提升，尤其在手写

根植于大语言模型技术，在一个产品中无缝集成了任务型、问答型和闲聊型对话的能力，且一个对话中可在三类对话类型之间无缝切换 对话创建者仅需： (1) 以简单的3~5条文本示例为基础构建出面向任务的xmind对话树 (2) 将问答知识组织到层级标题化的word文档中 (3) 通过(约束)提示词定义闲聊的角色 即可完成一个“全能”的对话模型定义，这都归功于充分利用了大语言模型的语言能力和常识能力 一个非技术的业务人员就能完成70%-80%对话定义工作，即可让对话树运行起来，剩下20%-30%(不是必需的)脚本相关高级功能可由技术人员来完成 （详细信息，参见附件的PPT文件）

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。

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。

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。

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。

运用和gpt一样的逻辑设计的，模块化的小功能会多一点，能AI绘图以及声音处理等小组件 能做简单的视频处理,包括但不限于处理帧数以及画面清晰 也可以训练AI模型，可以随意切换语言大模型，内置gpt4o以及3.5以上语言模型，用户可以根据自己的需求进行购买 当然运用他的组件模型也可以在pdf上面可以帮助用户做一些需求

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

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。

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