在当前的银行系统中,业务部门获取数据的方式确实存在一定的困难和门槛。为了降低业务部门对技术的关注度并增加对数据的关注度和分析,利用大模型实现类似于ChatGPT的问答方法是一个有前景的方向。这种方法可以使业务人员通过自然语言提问,然后由模型返回可执行的SQL查询,从而更直观、高效地获取所需数据。
实现这种功能的技术痛点主要集中在以下几个方面:
- 模型选型:选择一个既强大又适合金融场景的大模型是关键。模型需要具备强大的自然语言处理能力,同时对金融领域的知识有一定的了解和理解。
- 语料规模:为了训练一个高效准确的模型,需要有一个足够大的、涵盖各种金融场景的语料库。这样的语料库可能难以收集和整理。
- 提示词选择:选择合适的提示词可以帮助模型更好地理解用户的问题并生成准确的SQL查询。这需要对金融领域的专业术语和常见查询有深入的了解。
尽管存在上述技术挑战,但类似的应用场景已经在其他领域得到实现。例如,埋点管理平台的上线改变了数据获取的方式,业务人员可以通过搜索目标数据所发生的页面,确认位置便可以快速获取对应入口或资源位的流量数据。这表明,通过技术创新,可以有效地降低业务部门的数据获取门槛。