大模型开启了第四次工业革命,我们正在拥抱一场前所未有的产业革命。很多大中型企业用户准备借助大模型构筑新的业务竞争屏障。构建如ChatGPT这样的大模型包括两个主要阶段:预训练和微调。根据twt社区2023年11月大模型领域研究报告,当前银行、保险、证券、三甲医院、汽车制造等多个行业将重点都落在了基于商用和开源通用大模型进行微调,以获得大模型助手为目的开始展开了大模型的行业应用落地。
为了帮助更多行业用户加快大模型行业应用落地,twt社区企业IT应用趋势项目创新联盟大模型课题组在12月发起“大模型行业应用”课题,主要围绕帮助行业企业用户获得大模型助手为目的,让行业用户针对大模型应用落地建立系统性认知,并从应用场景、落地模式(私有化部署/采用公有化)、企业微调数据集、计算资源如GPU、算法框架、开发框架、应用管理工具、与原有架构的结合(如数据湖、湖仓一体、数据仓库)、向量数据库、数据存储及优化、推理集群和训练集群的网络难点、以及企业人才培养等由已经实验践行的技术领导者们牵引,展开多各部分的主题讨论,并在同行中取得共识,最终为更多的行业企业大模型应用落地提供一定的决策参考。
社区期望能集结各行业已经在大模型领域有研究、实践、洞察的行业用户专家们通过通过社会化协作的方式,联合识别和攻克难点,形成大模型行业应用共识成果。
本期投票重点是围绕:大模型行业应用场景下的的子议题进行投票, 大家可以投票选出您最关心的探讨议题,每人最多可以选6个关心议题。
最终排名前十的议题,社区会重点进行组织行业专家进行社会化协作探讨,打造共识总结参考。 欢迎您可以投出您最关心的交流议题!
以下子议题原始贡献均出自联盟课题组成员,来自的企业:广发证券、申万宏源证券、建设银行、民生银行、国泰君安证券、秦皇岛银行等。
备注: 如果您关注的议题有不包含在里面,您可以在下面回复您关注的议题,社区也会进行收集整理更新到投票备选议题中。
三个场景都需要基于大量的数据进行分析和预测。通过行业大模型,可以挖掘出数据中的隐藏信息和模式,从而更好地理解和预测欺诈行为、客户行为和信用风险。 且需要随着数据的不断积累和业务的变化,策略也需要不断地更新和调整。
信用评估和欺诈检测的目标是识别和预防风险,而客户服务场景的目标是提高客户满意度和忠诚度。 信用评估和欺诈检测需要大量的历史交易数据和行为数据,而客户服务场景在此之外还需要更多的内容,包括客户基本信息、产品使用情况、已经客户经理主观和APP客观采集的客户偏好等多方面的数据。
在信用评估和欺诈检测中,模型需的精度需要高一些,而在客户服务场景中,模型精度要求相对较低,但需要能够快速响应客户的体验感。
这些场景都特别好,如果可以把这些内容都组织一场专题交流,应该是挺不错的参考,这块再行业都是刚起步和尝试,确实需要很多同业进行交流和学习。应用场景(业务场景,运维场景)都是挺重要的。
收起