自然语言处理

本产品面向小学、初中的学生，利用llm大模型的对话能力为用户提供心理辅导，避免学生出现心理问题。 主要功能，与用户进行语音或文字对话，发现用户的心理问题。 检测用户的情绪，并及时做出纠正。 多模态输出，不仅可以输出语音文字还可以输出情绪词，增强真实感。

1.通过论坛发言预测政治立场。对语料库进行预处理，设计和实现提取器以从每篇文章中收集特征信息，并使用各种基于机器学习的算法创建分类器以预测用户的隶政治立场 2. 通过Canadian Hansards数据的翻译任务进行Transformer Architecture研究，训练并评估MLP模型，同时研究encoder-decoder，greedy算法和beem search 3.基于声学分类，分辨一段语音的说话者，使用Gaussian mixture models（GMM）和 Dynamic Programming。

针对NLP模型无法识别长文本意图，无法进行多轮次交互意图识别等，进行意图识别增强，并赋能场景，以提升导航意图识别的准确率。客服大模型主要是针对语音导航未识别的对话实时二次识别，进行语义理解能力增强。

应用场景：某开发者平台上有大量的API开发文档，代码仓库，学习实验室等资源，根据用户的喜好以及在平台上的浏览历史，推荐该用户可能感兴趣的内容 技术特点：基于LLM Embedding的内容相似度计算，基于DLRM的用户点击概率预测

给滑雪项目开发了一个3D建模形象的雪怪对话机器人 主要运用了语音识别，情绪判断，gpt对话处理等技术 产品形象生动，上线后取得了比较好的效果

公众号智能回复。 AI+教育领域的AI智能体应用。 可接微信公众号，微信小程序，微信客服，抖音评论区，抖音企业号等平台。 AI+教育领域的AI智能体应用，通过个性化教学、智能辅导和高效管理，提升学习效果，实现教育资源的优化配置，推动教育公平和高质量发展。 可订制任何领域的智能体应用。 可搜索公众号：智聊小伴 测试。

1.面向生物信息学以及临床科研人员的分析爬虫软件。 2.比以往的产品更加简洁直观。 3.方便科研工作者工作。 4.界面直观，可以调整的参数多。 5.有gui模式和命令行模式，方便各个行业人员的使用。 6.进行了很好的封装，是对能力的一次检验。

1.运行文档图像化识别AI模型，抽取文档所需信息（含手写，仅字母与数字），结合RPA，自动录入本地业务系统数据库，用户仅需要将待处理文档放置文件服务器指定目录下即可； 2.识别过程全自动，自动提示用户处理结果，对未识别单据可自动过滤； 3.项目全生命周期管理，包括需求调研分析，文档编写，模型训练，流程开发，部署上线均由一人完成。

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。

由于之前一直在公司工作，很多项目无法截图，这边写上自己个人技能： 独立开发过CV/NLP/机器学习项目，具备独立解决问题的能力。 精通医疗/通用场景图像分类、检测、信息抽取、OCR及一维信号分类。 自学能力强，能够快速学习、掌握新技术和工具，持续跟踪业内最新技术进展（AIGC、LLM）。 熟悉BERT相关预训练模型的使用及其NLU任务定制等通用NLP技术及LLM大模型的微调。 在天池CBLUE医疗信息大数据比赛中排名第27名，KAGGLE毒性评论打分比赛获得银牌。 熟练使用PYTHON开发，熟悉C、MATLAB。

项目搭建了一个智能学术阅读云平台，目的为了帮助需要阅读学术的群体解决信息过载问题，同时填补相关学术阅读领域应用空缺。在具体功能方面， 项目计划运用统计、机器学习界的前沿方法，构建一套高性能的智能学术阅 读系统，为使用群体提供阅读路径规划，阅读历史可视化，个人知识管理， 陌生概念索引等服务，最小化用户在组织、整理、规划阅读资源上所需花费的时间精力，最大化学术阅读效率，为学术阅读提供根本性方案。除以上核心功能，平台还提供阅读资源社区服务，方便用户之间随时交流心得体会或者向平台反应改进意见。

遐迩思公司与智能家居厂商联合开发垂直于智能家居领域的生成式人工智能应用-AI销售助理。智能家居行业的销售渠道商存在两个痛点：一是智能家居方案的个性化；二是实施周期长，这导致成本高利润薄。AI销售助理通过多轮会话识别客户需求，自动高效生成全屋智能方案。生成内容包括：自动识别，极速生成设计方案配置清单及报价、户型设备点位图、3D户型灯光效果图、预安装及布线标准、现场安装指导表。并与智能家居厂商物联网系统整合，实现了AI对全屋智能家居设备的参数配置调整，实现了AI自动设置与人声互动设置全屋场景模式。团队自行搜集5000张户型图进行数据打标，基于开源的Qwen-VL大模型微调，实现户型图准确识别。 我们建设了智能家居垂直领域的知识库。针对智能家居门店销售过程（华为80+项SOP）进行拆解，针对各个环节进行提示词工程，并且针对各个场景实现了30+个Function供Agent智能体调用。核心服务基于Langchain AIGC框架+ Faiss向量库+Python实现，前端基于Vue3实现。

本项目主要提供智能翻译功能的引擎。 实现原理是利用Transformer架构通过深度学习进行语言翻译。 和流行的大语言模型翻译的主要区别在于： 1.推理速度快，参数量小，可以在端侧实行推理 2.不像生成式模型大多只用了Transformer的解码器部分。此项目同时使用编码器和解码器，环顾整个句子的前后文字关系进行翻译，提高翻译准确度 本人主要对此项目的神经网络模型进行设计编写和优化。

遵循GSP药品流通管理规范和门诊统筹医保要求。 基于生成式大模型（GPT）技术，实现与顾客自然语言对话过程中，完成症状、疾病信息的采集和整理，对接处方流转平台和互联网医院实现处方开具，提高门店经营效率并合规

本人全面负责客户所需软件工具的需求分析、框架设计，主要包括内容爬取、分析及存储等三个部分。基于开源框架selenium实现指定网站内容的爬取，使用BeautifulSoup对爬取的内容进行解析，并将所需内容存储在csv文件中。

当前越多越多的业务开始使用多模态大模型，尤其是视觉-语言预训练模型。在实际使用中，我们通常需要对预训练模型进行调优来适配实际的业务场景，而这需要大量的资源介入且费时费力，尤其是对视觉基座的调优在资源有限的情形下几乎是不可行的。本项目探索了在不调优视觉基座的前提下，仅通过对语言端进行调优并优化推理过程，实现语言增强的零样本多标签分类任务 (Zero-shot Multi-label Classification)。本项目为国际比赛获奖项目。

一个基于BERT的意图（intent）和槽位（slots）联合预测模块。想法上实际与JoinBERT类似，利用 [CLS] token对应的last hidden state去预测整句话的intent，并利用句子tokens的last hidden states做序列标注，找出包含slot values的tokens。你可以自定义自己的意图和槽位标签，并提供自己的数据，通过下述流程训练自己的模型，并在JointIntentSlotDetector类中加载训练好的模型直接进行意图和槽值预测。

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。

项目概述： 参与开发信人AI客服项目，一个集成了AI大模型和知识库的智能对话系统，旨在通过先进的技术提升AI员工的对话效果和客户互动效率。 技术演进：项目经历了从AIAGENT和RPA技术结合的初步方案，到利用rerank技术和FAQ集成的进阶版本，实现了更精准的意图识别和客户服务。 工作内容： 1. 数据库开发： 利用Milvus和Pinecone进行向量数据库的开发，优化大规模向量检索性能。 - 使用PostgreSQL和MongoDB进行关系型和文档型数据库的开发，确保数据的高效存储和查询。 2. 对话系统框架搭建： 采用LangChain和Flask框架，构建了对话系统的整体架构，支持灵活的插件式服务和API集成。 3. Embedding模型选型与应用： 负责Embedding模型的选型，为RAG系统中的文档检索和重排提供高效的文本向量化表示。 4. LLM集合应用开发： 结合百川、ChatGPT、ChatGLM等多种大型语言模型（LLM），开发了集合应用，增强了对话系统的理解和生成能力。 5. 自动化测试与质量保证： 使用Python编写自动化测试脚本，确保代码

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。