登录社区云,与社区用户共同成长
邀请您加入社区
蚂蚁集团发布大模型开源开发生态全景图2.0,收录114个顶尖开源项目,分析7大技术趋势。AI Coding、Model Serving和LLMOps呈增长态势,中美主导全球贡献。对比1.0版本,35%项目更新,部分项目步入"AI墓园"。开源定义逐渐模糊,许可证出现新变化,反映大模型生态快速迭代与商业化的平衡。
MaxQuant利用Amazon Bedrock Agent Core构建智能金融交易系统,通过AI Agents技术解决传统金融交易透明度低、门槛高等问题。该系统将核心模块开发周期缩短75%,实现高效策略回测与自动化交易决策。借助亚马逊云科技的Serverless架构和事件驱动设计,MaxQuant实现了任务解耦与弹性扩展,同时满足金融合规要求。作为初创企业,MaxQuant还受益于亚马逊云科技
金融大模型在2025年迎来规模化落地,成为金融机构核心竞争力。本文详述金融大模型从技术探索到规模应用的发展路径,解析业务需求驱动的评估体系构建,展示其在投顾、投研场景的实际应用价值,并展望从"功能可用"到"效果可证"再到"生态共生"的未来蓝图,为金融机构提供大模型应用全景指南。
本文系统探讨了大模型落地的关键技术路径,包括微调、提示词工程、多模态应用和企业级部署。微调部分介绍了LoRA、QLoRA等方法,通过代码示例展示LLaMA模型的微调过程。提示词工程详细阐述了Zero-shot、Few-shot等技巧及其应用场景。多模态应用分析了CLIP、GPT-4V等模型的图文处理能力。企业级解决方案则从架构设计、安全部署到成本控制提供了完整框架。最后通过零售业智能客服案例,展示
大模型定制不用愁!6 种主流策略(RAG/Agent/ 微调)从理论到实践拆解
本文是作者基于多年NLP和大模型工作经验整理的系统化学习笔记,共8章,涵盖大模型基础架构、训练与推理、蒸馏微调、评估方法、优化技术、模型家族、分布式训练及面试考点,为读者提供从理论到实践的完整知识体系,适合小白和程序员系统学习AI大模型技术。
本文系统解析了人工智能领域30个核心术语,涵盖机器学习、深度学习、大模型等五大类,每项术语均提供通俗解释与类比说明,帮助读者快速构建AI知识框架。文章还提供了实践理解、可视化学习等入门建议,是小白和程序员学习AI的理想参考。掌握这些基础术语后,可进一步深入AI课程体系,提升解决实际问题的能力。
构建高质量金融RAG知识库的第一步,不是选择向量数据库或大模型,而是对原始文档进行精准的版面解析。使用高精度的文档版面解析系统,是确保大模型获取准确上下文、避免“幻觉”的关键。
2030年目标:政务客服、应急指挥、城市超级三大Agent覆盖全国>300个城市,平均ROI>170%,技术成熟度达“Production-Stable”。“十四五”智能制造规划要求“工艺知识软件化”。2030年目标:害虫、牛羊、光伏三大Agent覆盖全国>1000万亩/牧场/场站,平均ROI>150%,技术成熟度达“Pilot-Stable”。2030年目标:个人助理、全屋智能、虚拟试穿三大Ag
flink技术总结待续。
本文提出了一种基于知识库的AI大模型金融解决方案,旨在解决金融业面临的数据孤岛、关系挖掘困难等问题。方案通过构建图形智能技术架构,整合图形数据库、计算引擎和AI分析,实现多源数据集成和智能决策支持。大模型辅助元数据补充和关系发现,降低地图构建成本。应用层面结合图形神经网络,提升反欺诈、反洗钱等场景的智能化水平,同时增强金融知识库的查询推理能力,为金融业提供高效智能的解决方案。
面对高频交易、反洗钱、个性化投顾等流式场景,市场需要“感知-决策-执行”闭环的Agent形态,实现T+0实时响应与T-0事前干预。2030年,金融大模型智能体将实现“T-0事前干预+T+0实时响应”全域覆盖,平均ROI>190%,年节约成本>1000亿元;2035:全场景生态覆盖,形成“T-0事前干预+T+0实时响应”金融智能体网络,年节约成本>1000亿元。制定《金融大模型智能体成功应用评价标准
金融行业作为数据密集型行业,每天产生海量的客户信息、交易记录和风险评估数据。随着《个人信息保护法》和《数据安全法》的实施,如何在保障数据安全的前提下充分利用数据价值成为金融机构的核心挑战。本文旨在为金融科技从业者提供一套完整的数据脱敏解决方案,涵盖技术原理、实现方法和最佳实践。核心概念与联系:解析金融数据脱敏的基本原理和技术架构核心算法原理:详细介绍各类脱敏算法的实现方式项目实战:通过银行风控系统
例如,哈希表被广泛用于快速的特征映射与查询,图结构则完美契合了知识图谱和推荐系统中复杂关系的表示,而矩阵则是所有深度学习框架中进行张量运算的核心内在形式。未来,专为AI芯片(如TPU、NPU)硬件特性设计的定制化数据结构,以及与持久化存储结合更紧密的外存计算模型,将成为重要的研究与优化方向。诸如NumPy、PyTorch和TensorFlow等库其底层高度优化的数值运算库,均依赖于对连续内存的高效
程序员入行AI大模型应用开发必须学算法吗?答案是不一定!以DeepSeek、Qwq等为代表的大模型已经开源,算法不再是唯一的门槛。那么,大模型应用开发的企业招聘情况如何呢?事实上,大部分企业只有20%的岗位是算法岗,而80%的岗位是AI应用开发岗。大模型的开源意味着AI时代更需要的是基于大模型的新生产力工具,而非纯粹的算法研究。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
文章详解大模型时代五大工程体系:算力工程(基础设施)、应用工程(业务展示)、模型工程(核心引擎)、知识工程(企业脑库)和数据工程(血脉系统)。各工程均有完善的指标体系,涵盖规模、效率与价值维度。五大工程相互关联,只有将数据工程有效融入其他工程,才能真正实现智能化体验,构建完整的AI系统。
文章为非技术背景人士提供了一套高效学习大模型的方法,分为"点-线-面"三步:先通过科普内容和面试题积累高频术语;再通过AI解释和生活中的类比串联知识点,建立知识网络;最后通过视频、文献等方式拓展知识面。作者强调明确学习目的的重要性,建议时间有限者聚焦核心知识,避免因贪多求全而偏离目标,提高学习效率。
摘要:本实验基于贵州茅台2005-2025年的股票数据,采用Hadoop+Spark+Matplotlib技术栈进行大数据分析与可视化。通过Spark处理HDFS存储的5000多条股票数据,完成五项核心分析:1)计算年平均交易量;2)分析收盘价波动;3)统计最高/低价;4)月涨跌停次数分析;5)年度涨跌天数统计。最终通过Matplotlib生成交易量柱状图、涨跌停饼图、价格趋势线等可视化结果,发现
本文提出银行金融大数据平台数据治理架构方案,适配各类银行及相关部门。方案采用"组织-系统-模块"框架,首先明确治理目标与原则,搭建双层治理体系;重点聚焦数据标准、元数据、质量、资产、安全五大核心模块;并融合业务场景案例,提供标准框架与实施指引,助力银行构建规范、安全、高效的大数据治理体系。
在平台建设方面,大地保险携手蚂蚁数科打造 AI 中台“灵山界”,该平台集成大模型、数据、算力与开发框架,以“通用大模型+行业小模型”为技术路线,在 AI 底层模型方面接入通义千问、DeepSeek,并支持本地与云端混合部署模式,构建了以感知智能、认知智能和计算智能为核心的 AI 能力体系。同时,招行在2024就开始与通义实验室探讨合作,并与阿里云联合成立了大模型创新实验室,以推动多模态技术、数据双
文章揭示了本地部署大模型的真相:虽然热门但70%用户三个月内会放弃。从技术门槛高、成本投入大、体验与预期差距大、缺乏实际使用场景以及生态支持不足五个维度分析,指出本地部署大模型更适合技术极客。普通用户使用云端AI服务更为实用,未来本地AI应朝轻量化、开箱即用的方向发展,而非笨重的模型部署。
《人工智能的边界》结合案例分析探讨AI应用边界,展望AI时代生活发展。《1938回答2026》通过1938年西南联大学生与2026年当代中学生的时空对话,展现抗战时期文化坚守与当代青少年价值追寻。
本文介绍了一个基于Python和Django框架的股票分析系统项目。系统采用requests和BeautifulSoup实现数据爬取,运用协同过滤算法进行股票推荐,并通过Echarts实现数据可视化。主要功能包括:用户登录注册、个人信息管理、股票收藏、新闻展示等前端功能;股票K线图、走势图、价格分布等可视化分析;以及基于协同过滤的个性化推荐。后台管理模块支持数据爬取和算法处理。项目整合了爬虫技术、
本文介绍了一个基于Python Flask框架的股票数据分析系统,该项目整合了MySQL数据库、Echarts可视化等技术,提供了13个核心功能模块。系统通过词云图分析市场热点,利用多种图表(柱状图、折线图、K线图、热力图等)展示股价走势、排名情况、粉丝占比等数据关系,并包含榜单管理、数据维护等后台功能。技术实现上采用Flask处理后端逻辑,Echarts实现前端可视化,MySQL存储数据,支持用