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...
