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

.........................................................................172 1. 项目概述 在当前金融科技的迅速发展中，银行系统面临着处理大量复杂 数据和提供高效服务的挑战。为了应对这些挑战，本项目旨在部署 Deepseek 大模型，以提升银行系统的智能化水平和处理效 率。Deepseek 大模型，作为一种先进的 其次，设计和实施数据集成方案，确保模型的训练数据既全面 又具备高质量。  接着，开发并部署 Deepseek 模型，包括模型训练、验证和 优化过程。  最后，进行系统集成和性能测试，确保模型在实际运行中的稳 定性和效率。 在实施过程中，我们将采用最新的技术和方法，如容器化技 术、微服务架构和持续集成/持续部署（CI/CD）流程，以确保部署 的灵活性和可扩展性。此外，项目还将注重数据安全和隐私保护， 遵守相关的法律法规和行业标准。 智能客服、自动化文档处理、风险预测和个性化推荐等。然而，大 模型在银行系统中的部署仍面临诸多挑战，包括数据安全、模型性 能优化、系统集成和合规性等问题。 为应对这些挑战，本项目旨在设计一种切实可行的 Deepseek 大模型部署方案，确保其能够在银行环境中高效、稳定、安全地运 行。该方案将结合银行的实际业务需求和技术架构，从以下几个方 面展开：首先，明确大模型在银行系统中的核心应用场景，包括但 不限于客户服务、风险管理和运营优化；其次，设计高可用、高性

........................................................................34 4. DeepSeek-R1 在工程量清单编制中的应用...............................................36 4.1 自动识别与提取工程量数据.............................. ........................................................................44 5. DeepSeek-R1 在预算编制与审核中的应用...............................................45 5.1 自动化预算编制流程................................. ........................................................................51 6. DeepSeek-R1 在成本控制与分析中的应用...............................................53 6.1 实时成本监控....................................

融合，能够迅速处理和分析海量金融数据，帮助银行机构在风险控 制、客户管理、产品创新等关键领域实现智能化转型。通过引入 DeepSeek，银行不仅能够提升业务处理效率，还能在复杂的市场 环境中做出更为精准的决策，从而显著降低运营成本，增强风险抵 御能力。  风险控制：DeepSeek 通过实时监控和分析交易数据，能够精 准识别异常行为和潜在风险点，为银行提供及时的风险预警和 应对策略。 此外，DeepSeek 还具备高度的可扩展性和灵活性，能够根据 银行的具体需求进行定制化部署，确保与现有系统的无缝集成。通 过引入 DeepSeek，金融银行不仅能够提升自身的核心竞争力，还 能在数字化转型的浪潮中占据先机，实现可持续发展。 1.1 DeepSeek 技术概述 DeepSeek 是一种基于深度学习和自然语言处理（NLP）技术 的先进人工智能平台，旨在通过高效的算法和海量数据训练，提升 金 资策略优化等。例如，通过深度学习和 NLP 技术，DeepSeek 可以 从海量交易数据中识别潜在的风险因素，预测客户的信用违约概 率，从而帮助银行制定更加科学的风控策略。同时，在客户服务方 面，DeepSeek 的智能客服系统能够理解自然语言，提供 7*24 小 时的高效响应，显著提升客户满意度。 为了进一步提升 DeepSeek 技术在金融银行中的应用效果，以 下是一些关键的技术特点：  高精度预测：通过深度神经网络模型，DeepSeek

GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 公司于 2022 年 11 月发布 ChatGPT ，短短三个月内日活跃用 户从 零增长至超过 3000 万 ，标志着对话式 AI 进入大众应用阶段 里程碑： ChatGPT 的成 功 ChatGPT 日活量（ 2022.11- 2023.02 ） 三阶段训练技术构建 多模态生成 相对通用的人工智能 一个大模型解决多个问题 自适应地应对复杂外界环境的挑战 专用人工智能 一事一模型，每个模型完成特定智能任务 解决特定的智能问题 里程碑： ChatGPT 的成 功 AI 1.0 时代 AI 2.0 时代 图像分类 文本分类 信用评估 房价预测 销量预测 客户分群 新闻聚类 广告定向 社区发现 文生图 文生视频 语音与对话 影视与广告 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)

年代，阿兰图灵把“高度 智能有机体”扩展到了人工智能。如今随着大模型的快速发展，这个概念又被重 新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 化进程仍面临成本挑战，特别是在智能体交互过程中出现的错误循环和高 token 消耗问题。另外，中国政府积极推动人工智能的发展，各地相继出台相关政策。 智能 化应用的升级，智能体的商业化将迎来新的突破。  建议关注：AI 算力、模型和应用：寒武纪-U、海光信息、景嘉微、龙芯中科、浪 潮信息、中科曙光、神州数码、软通动力、中国长城、科大讯飞、中控技术、海 康威视、大华股份、商汤-W、赛意信息、宝信软件、万兴科技、虹软科技、新致 软件、新国都  风险提示：1.大模型发展不及预期；2. AI 智能体发展不及预期；3.智能体下游需 求不足。