可以尝试一下PowerAI 深度学习平台来尝试,该平台自带了很多模型,都是源码提供的,客户可以利用这些模型做一些预研Voila_Capture1558.jpg
关于要用到哪些数据,这些完全是业务需求所决定的。至于技术上,我觉得如果要做实体与账户实体的关系,这最好用到知识图谱,如果不做知识图谱,纯做实体画像,就要把账号信息挂靠在实体属性中,这样的做法不太灵活,具体实现还是要看您的业务需求而定。如果用到知识图谱,我觉得最好使用图...
智能投顾是一个复杂的应用场景,牵扯的模型很多,没办法说他严格意义上划分成语音识别或者自然语言处理等等,因为它涉及到客户画像模型、产品画像模型、资产配置模型,而每个模型的实现也不一定归属到语音识别、自然语言处理、图像识别,它应该就是一个独立的应用领域,与语音识别、...
优势有:提供稳定的编译好的最新framework包提供加速比高的并行训练框架,例如DDL和Fabric提供Large Model Support功能,支持GPU显存和CPU内存统一寻址,利用CPU和GPU之间的NVLink高速带宽,实现更多的训练场景PowerAI中的Power GPU服务器提供更为优化的深度学习计算架构提供一整...
现在正在在尝试进行智能投顾、精准营销、客户画像、风控等方面的应用落地,基本上都是2C的应用。
咨询质量的高低是人对咨询的评价,包括咨询的来源的权威性、咨询的及时性、咨询的信息量(超预期)等多个方面进行评价。模型构建可以考虑咨询的多个维度的情况构建,首先可以通过人工标注,之后可以通过机器学习和训练的方法,最后通过训练的模型判断咨询的质量。对市场的影响分为各...
这个没有标准答案,还是要看您怎么看待这些影响因子的,所以说模型很难建立,每个人心中的模型也可能是不一样的。如果是我的话我会将政策划分等级,比如1到5,每个等级有个评判标准,这样,就可以对政策的颁布信息进行量化了,美国市场加息政策也是如此,为什么我们会提到美国加息,就是因为...
目前Deep Learning的开源框架很多都是基于x86平台,这个没错,客户可是用作开发、测试等场景,但作为生产环境,如果遇到bug或者性能问题,解决起来会比较的困难;PowerAI中的framework是IBM团队取自开源社区,但经过了优化和编译,用户使用起来简单、方便,PowerAI中的framework版本更新紧...
现在比较流行的是基于spark的机器学习,深度学习这块用得比较多的是tensorflow,MxNet,框架以开源为主,建议辅以商用管理软件,自研也可以,但是会有一定的建设成本。金融领域的应用比较多,现在很多券商都在实践量化交易,量化投资,智能风控,信用评级等等应用...
客户直接参与模型计算的场景可能不会多,更多的场景应该还是模型把结果计算好存储起来,应用系统有针对性的把结果推送给客户或客户经理,比如智能投顾用于推荐产品信息,在这种场景下,高并发的场景会出现在结果库中,但是由于结果已经形成,已经无需复杂计算,这种情况下,数据库就可以支...