自然语言处理

1. 项目解决了什么问题？ 项目名为：rag-best-practices（大语言模型检索增强生成技术最佳实践），针对“大语言模型数据更新不及时，垂直领域问答多幻觉”的问题给出了改善方案。通过垂直领域知识库检索辅助模型生成内容，减少生成幻觉，将通用大模型在一定程度上专业化；通过更新知识库，使得过往预训练的大模型能够回答实时新闻报道中出现的内容，进一步提高通用大模型的回答能力。 2. 项目采用的技术？ - Query Classification：并非所有查询都需要检索增强。 - Sliding Window Chunking：块大小显著影响性能。更大的块提供了更多的上下文，增强了理解，但增加了处理时间。较小的分块提高了检索的召回率，减少了时间，但可能缺乏足够的上下文。使用sliding window技术更加有效，即将文本按照句子进行划分，每个块包含窗口大小个句子。 - Embedding：嵌入模型选择BAAI/big-large-en，并对其在专业数据库中进行微调，提高其检索能力。 - Vector Database：Qdrant支持多种索引类型、十亿规模的向量支持。 - Retrie

1.面向相关农业科技化，解决了根据耕地数据进行种植推荐和产量预测问题 2.方案中有如下特点：ML实现作物推荐、DL产量预测、千帆语言模型多轮对话、爬虫新闻信息 3.基于python 的django框架实现

本系统面向HR和求职者，解决了用人单位通过职位快速匹配候选人的问题，根据求职者简历和求职职位，快速匹配岗位 本方案相对于常规方式，对简历解析，形成结构化信息，对候选人画像，综合匹配岗位要求和职责，实现快速和准确的匹配 技术：常见简历文档读取和解析（深度学习+行业知识图谱），人才画像，职位描述读取和解析，匹配

本案列推向小型企业，利用向量化数据库，ollama本地部署，chatollama提供了友好的交互界面。比较其他储存数据的知识库，本项目可以完全私有化，知识库也不上传到云端。可以将公司内部的数据放在本地主机，保证了数据的安全性，私有性。

这个系统主要面向中东市场，提供COD的商品购买服务 系统支持多模板，多语言，多国家，多站点配置，其中语言部分采用AI处理。 不同的模板使用不同的技术路线实现。支持单站点部署，集群部署，Serverless部署。

带着5人团队开发，负责任务规划，技术选型，技术方案落地 供应链系统，从采购单，销售单，入库单，分选单，加工单，出库单，包括其中的物流，履约，费用，商品管理，仓库管理，库存流水，库存盘点，供应商管理。渠道管理。

大模型通常指的是指基于大规模数据训练的深度学习模型，如GPT-3、BERT等。这些模型通常具有数十亿到数百亿个参数，能够对自然语言进行更深入的理解，并在多个自然语言处理任务上取得出色的表现。 RAG代表Retrieval-Augmented Generation，是一种结合了检索和生成的自然语言处理模型。RAG模型结合了检索式问答和生成式问答的优点，能够在生成答案时从大规模的知识库中检索相关信息。这种模型结构使得它在问答任务中能够更好地处理需要深入推理和大规模知识的问题。 总的来说，大模型通常指的是参数规模庞大的深度学习模型，而RAG是一种结合了检索和生成的自然语言处理模型，能够在问答等任务中发挥作用。

1. 本方案面向需要留学信息和留学资料的家长；同时给深圳国际高中提供了额外的引流服务，用于夏令营和宣传 2. 相较于以往的简单留学资料整理，加入了AI对话，图像生成等，并提供网页版，适配没有手机的孩子 3. 本产品使用技术 @前端：React/小程序/uniapp @路由：nignx @后端：pring cloud微服务/python向量数据库 @AI：openai对话；画图；搜索总结 @数据库：mysql/redis @支付：微信支付 4. 同时提供了网站页面设计等

1，本方案是个语音模拟应用 2， 基于XTTS开源代码，搭建了一整套WEB应用。用户从网页上传要模拟的声音文件，并输入一段文字，可生成用模拟语音朗读的文字音频。 3， 涉及到通用的前后端开发技术，Python/Flask, JS/Vue/HTML/CSS,和Celery/Redis异步通信，及MongoDB；搭建在Docker系统中。

1.此项目面向对象是公司的客服部门，解决了客服人员每天面对数量庞大的咨询量时的回复不及时、漏回复、错误回复等问题，提高了部门30%的工作效率 2.此项目主要是使用了qwen-1.8b大模型学习训练识别意图信息，提取有效槽位，实现机器人快速、精准的回复 3.本项目使用了spring全家桶、mysql、redis、rq、阿里云sls日志、react等技术

带着5人团队开发，负责任务规划，技术选型，技术方案落地 供应链系统，从采购单，销售单，入库单，分选单，加工单，出库单，包括其中的物流，履约，费用，商品管理，仓库管理，库存流水，库存盘点，供应商管理。渠道管理。

面向律师和普通用户，对不同类型合同进行智能审核，提示合同中不足或存在的问题，大大提高工作效率 首先根据不同合同的类型，专业的律师根据国家相关法律法规，定义了需要校验的schema，及校验规则，通过深度学习bert+pointer抽取合同中相关的内容，做好原文的定位，校验后在原文中标注不足或存在的问题

开发目的：面向宠物医疗行业提供垂直大模型研发、微调和服务 软件的主要功能： 1、账号登录。主要用于用户登录系统。 2、系统管理。主要用于管理系统用户。 3、聊天互动。主要用于与用户进行聊天互动，解决宠物健康相关问题。 4、病历管理。主要用于管理宠物病历。

在最近三周时间里，我分别收集了发布于新浪网站的国内（Domestic News）与国际新闻（International News）。针对每条新闻，我都一一记录了新闻的标题，发布时间，来源及新闻报道的正文，并将相关数据存储于MySQL数据库中，以供后期数据查询与分析。之后依据收集到的新闻数据，进行数据格式清洗，冗余数据剔除等数据预处理步骤。接下来分析了新闻发布日期、发布时刻、新闻来源的分布情况，最后制作了新闻标题的词云分布图。通过对比国内与国际新闻分布情况的差异，分析隐藏在数据背后的统计规律与现象。 

1、使用llm大语言模型控制无人机飞行，包括前进、后退，旋转，角度飞行。 2、使用文字在命令行中输入控制指令，支持中文和英文。 3、实现多机联动，多台无人机组成集群，实现矩阵飞行演示。 4、使用airsim无人机虚拟环境进行试验，无需真机环境。

目的：为企业提供通用的大模型应用平台 功能： 1、账号登录。主要用于企业用户登录系统。 2、系统管理。主要用于管理系统用户。 3、角色管理。主要用于管理AI角色。 4、聊天互动。主要用于与不同的AI角色进行聊天互动，实现企业的业务目标。 技术特点： 1、安全。严格的用户管理和信息安全机制。 2、高效。高速响应的私有化AI模型。 3、优质。持续优化的个性化AI。

新闻文本分类任务在信息检索、舆情检测与分析、信息智能推送等领域发挥着重要的作用。为了解决传统卷积神经网络在新闻文本分类中效果不佳的问题，本文提出了一种改进的BERT-UNet文本分类模型，来增强捕捉长距离文本特征和可视化效果。首先该模型使用BERT预训练文本词向量，然后将其嵌入映射到UNet模型中，提取上下文的关键特征，同时通过Softmax函数实现文本分类，最后利用前端技术对新闻舆情信息文本分类结果进行可视化监控展示。为验证模型在文本分类任务上的优越性，本文进在THUCNews数据集上进行了对比实验，实验结果显示，相较于传统模的TextCNN模型和独立使用BERT的方法，BERT-UNet模型在宏平均F1值上分别提高了3.11%和0.29%。这表明改进的BERT-UNet模型在捕捉文本特征关系方面更有效，在提升分类性能，改善传统新闻文本分类方法及可视化监控提供了新思路。

1. 本方案面向需要英语练习的学生/职场人士，提供了随时随地的AI口语教练 2. 使用了AI对话的方式，多种形象和AI等级评分系统 3. 技术栈【AI】【prounce of goodness 口语评级】

我是一名专注于深度学习和人工智能领域的软件工程师，拥有丰富的实践经验和扎实的技术背景。我擅长使用 Python 进行编程，并在图像处理和自然语言处理领域有着深入的研究和实践。我曾成功应用深度学习模型于新闻文本分类、人体姿态识别项目以及图像分类检测等任务。 项目经验 新闻文本分类系统： 行业应用：媒体、出版、内容分析 功能实现：自动化新闻内容分类，个性化新闻推荐，内容审核 技术亮点：利用预训练模型 BERT 提升分类准确性，支持多类别文本分类 人体姿态识别系统： 行业应用：健康监测、运动分析、安全监控、人机交互 功能实现：运动训练分析，老年人跌倒检测，异常行为识别 技术亮点：实时数据处理，高准确性的姿态识别算法，易于集成的 API 设计

面向群体：全年龄段 主要功能：主要提供优质资料供于学习，缓解教育资源差距带来的问题 项目获奖：该项目在2024 CCF CAT全国智能体开发大赛获得全国三等 作品图片：提交的是获奖证明 详细看提交的文档(我是第一完成人，队友是长春理工大学硕士，目前在我团队） 商业价值：目前开发阶段，前途无量