智能对话系统中的个性化 胡一川 来也联合创始人 &CTO . 2000-2007 ：清华大学本硕 . 2008-2011 ：宾夕法尼亚大学博 士 . 2011-2012 ：今晚看啥联合创 始人 . 2013-2015 ：百度资深架构 师 . 2015 至今：来也联合创始人 &CTO 个人简介 胡—川 让每个人拥有助理 六百万用户正在使用的对话式在线个人助理服务 • 理解 2 基于分类模型的问答系统 分类器 分类 1 分类 3 训练分类器 分类结果 用户问题 • 检索 • 以知识库中的问题为粒度建立索引，每 个 问题都对应一个知识点 • 对用户问题进行分词、去停用词、同义 词 扩展等操作 • 返回知识库中若干个相关性最高的问题 对 应的知识点 • 排序 • 通过一个语义匹配模型计算用户问题和 检 索返回问题的语义相似度，选择语义 Input NLU Dialog State User Dialog Act DM 任务型对话系统中的 NLU 和 DM System Dialog Act User Dialog Act • 每一个状态都对应一个系统动作 • 状态之间的跳转以用户当前输入为条件 • 通过有限状态机将

深度学习在智能助理产品中的应用 胡一川 结束语 . 提升智能助理产品的可靠性 . 智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s (million) 2015 2021 843 390 155 秘书服务 母婴用品 教育 旅游度假 护肤彩妆 汽车服务 租房售房 法律咨询 珠宝配饰 在重视在线交互的场景中，智能助理能够提升沟通效 率和用户体验，创造商业价值 在 场景示例 线 （非穷尽） 交 互 需 求 度 鞋类箱包 日用百货 食品 家电数码 物业服务 ■ 深度学习的应用 ：实体抽 取 l 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合

随着人工智能技术的迅猛发展，生成式大模型在诸多领域展现 出卓越的潜力，特别是在医疗行业。这些模型通过对大量医疗数据 的学习与应用，不仅能够提高医疗服务的效率，还能够助力医生进 行更为精准的诊断和治疗。因此，在医疗场景中应用生成式大模 型，具有极高的现实意义与可行性。 当前，面对全球医疗资源紧张、临床决策复杂化等挑战，传统 医疗模式已无法满足日益增长的患者需求。医务人员需要在短时间 内处理海量的信息并做出决策，这无疑增加了医疗风险。生成式大 生成初步的诊断 建议。这不仅提高了诊断的准确性，还可以减少医生的工作负担。 基于以往的病例数据，模型能够识别趋势和模式，从而为疾病的早 期发现和预防提供数据支持。 其次，在治疗方案的制定过程中，生成式大模型同样具有重要 的作用。模型能够整合各类医疗信息，包括患者的病史、当前病情 及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 对肿瘤治疗，可以通过模型生成多种治疗方案，并对每种方案的有 健康监测与预警系统，实现对慢性病患者的实时跟踪 在实际应用过程中，还需强调数据安全与隐私保护。医疗行业 涉及大量的个人健康信息，如何确保这些数据在被模型处理时不被 泄露，是实现这些应用的前提。此外，对模型进行持续的监测与评 估，确保生成结果的科学性与可靠性，也是医疗应用成功的重要因 素。 综上所述，生成式大模型在医疗场景中的应用，不仅是可能 的，而且是切实可行的。随着技术的成熟和数据的积累，这些模型

.........................................................................10 1.3 DeepSeek 技术简介及其在审计中的潜力................................................................................................. 海量 结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 中，审计团队平均需要耗费 42%的工作时间用于数据清洗和基础分 析，而高风险领域的识别准确率仅为 68%。这种现状迫切需要通过 智能化工具实现效率突破。 DeepSeek 等大语言模型技术的成熟为审计变革提供了新的可 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断， 但资深审计师资源稀缺，全球四大会计师事务所的专家顾问供需缺 口达 37%。最后，实时审计需求与滞后分析能力的矛盾突出，特别 是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 以下数据直观反映了审计效能瓶颈的关键指标： 指标维度 行业平均值 监管期望值 差距率 异常交易识别时效 72 小时 ≤24 小时 200% 全量数据分析覆盖率

人工智能技术在智能投顾中癿应用 神州泰岳 张瑞飞 金融资讯大数据服务 用智慧发现信息价值 Discover information 用智慧发现信息价值 Discover information 金融资讯大数据 利用人工智能分析挖掘技术，针对金融市场信息获取和分类需求，实现金融资讯大数据癿采集、检索、 自定义分类：内容癿筛选分类可从类别库 中自由选择，根据个人喜好自由定制栏目 分类。 订阅推送：对搜索癿分析结果进行订阅推 送，通过邮件癿形式把分析结果发送给用 户。 资讯查看 用智慧发现信息价值 Discover information 自由定义分析专题，生成专业的可分析报 告 分析模块自定义：与题分析癿各个展示模块都可 由用户从提供癿指标模板库中自由组合定义，从 而生成相应癿与题分析栏目。 information 用智慧发现信息价值 Discover information 功能模块—系统配置 观察角度灵活配置，系统配置项自由管理 关注对象配置：用户可以自由配置自己所关 注癿对象。 关注领域配置：用户可以自由配置自己所关 注癿领域。 订阅信息管理：管理自己癿订阅信息，查看 及取消。 推送信息管理：管理推送信息展示及设置。 个人喜好管理：自由定制个人癿喜好，实现 信息癿个性化喜好配置。

LIMO 假说： 在预训练阶段已经充 分 编码领域知识的基础模型中， 复 杂 的推理能力可以通过最少但精 确编 排的认知过程演示来涌现： • 模型具备丰富预训练知识 • 高质量的推理链示范 LIMO 通过 817 个训练样本 （题目难度高，覆盖知识面广， 解题步骤 精 细） ，模型就能在复杂的数学推理任务中取得有益的表现 如何低成本实现推理模型？ 1. 自动化思维链 (CoT) Model based Autonomous Agents, 2023.8 Models ，也就是我们熟悉的 调 用大模型 API 。 Prompt Templates ，在提示 词中 引入变量以适应用户输入 的提 示模版。 Chains ，对模型的链式调用， 以上一个输出为下一个输入的 一部分。 Agent ，能自主执行链式调用， 以及访问外部工具。 系统获得 Hugging Face Space Top 10 ； • 工 业 界 影 响 ： 受 到 Hugging Face 、 Langchain 、 ModelScope 等团队关 注 ， 推出相 应 的 产品和 功能： Transformers Agent 、 Langchain HuggingGPT 和 ModelScope Agent 。 斯坦福大学客座教授吴恩

3.3.1 GIS 数据的获取与整合...............................................................55 3.3.2 GIS 在模型中的应用...................................................................58 4. 三维模型构建................. 物和乘客。在中国这样一个幅员辽阔、人口众多的国家，铁路的角 色愈发凸显，尤其是在推动工业、农业以及城市化进程中，其经济 带动效应显著。 根据国家统计局数据显示，2022 年，中国铁路货运量达到 38.3 亿吨，占全国货物运输总量的约 30%，显示出铁路在货物运 输中的核心地位。此外，铁路客运量同年达到了 34 亿人次，进一 步印证了其在人员流动中的重要性。相比于公路和航空运输，铁路 运输在能耗和成本上往往表现更为优越，为全面提升国家的运输效 碳排放，有助 于实现可持续发展目标。根据相关研究，铁路运输每运输一吨货物 所产生的碳排放量仅为公路运输的五分之一，这无疑为应对全球气 候变化提供了重要支持。 在日益复杂的全球物流和供应链体系中，铁路运输不仅可以满 足国内市场的需求，还可以作为国际贸易的重要运输通道，通过连 “ ” 通各大经济体，推动 一带一路 倡议的实施，使中国与世界其他地 区的经济联系更加紧密。 总结而言，铁路运输的重要性体现在多个方面，包括：

泛，尤其在数据驱动的决策支持、自动化流程优化以及智能分析等 领域表现尤为突出。然而，人工智能系统的性能和效果高度依赖于 其训练数据的质量和模型训练的精准度。在当前的技术实践中，数 据训练的效果评估往往缺乏系统性和标准化的考评机制，这导致了 模型训练过程中的效率低下和成果的不确定性。 为了应对这一挑战，本项目旨在构建一个全面的人工智能数据 训练考评系统，该系统将集成数据预处理、模型训练、效果评估等 关键环 练，提升训练效率。 - 考评分析模块: 基于多维指标的考评体系，结合可视化工具，生成 详细的考评报告。 通过以上设计，本项目将为企业提供一个全面的 AI 数据训练 考评解决方案，帮助企业在人工智能领域的竞争中占据优势地位。 1.3 项目范围与约束 本项目旨在开发一个全面的人工智能数据训练考评系统，该系 统将服务于企业内部的数据科学与人工智能团队，确保数据训练过 程的标准化、高效化以及考评的公正性。项目的核心功能包括数据 需 要支持至少 100 个并发用户的访问，服务器响应时间不超过 2 秒。 此外，系统应具备良好的可扩展性，以适应用户数量和数据量的增 长。在开发过程中，将采用微服务架构，以确保系统模块的高度解 耦与独立部署能力。 在项目实施过程中，还将面临以下主要挑战： - 数据多样性： 处理来自不同源头和格式的数据，确保其兼容性与一致性。 - 技术 集成：整合前沿的机器学习算法与现有的企业