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

口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理 链 条 人工 构 建 知识库 家系统转向了自我学习与适应的智能体系。 1997 年深蓝战胜人类国际象棋冠军 这一阶段的人工智能主要依赖于预先设定的规则和 逻辑推理，强调专用算法设计实现特定任务。 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 24/30 口重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系 ! Al 智 力 工业 4.0 人、机、物 互联互通 服务的互联网 门车 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 25/30 口 未 来 Al 计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 2024 年 11 月 27 日，王坚《无尽的计算： Al 和研究范式变革》的演讲： “ 我们目前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力， 我们可以利用 Al 扩展人类的创造力，进一步探索世界。

此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 其一，打破职能孤岛。自主决策需要在各职能 部门、流程及上下游协同关系中实现前所未有的 透明度。若缺乏端到端的可视性，即使是最先进 的AI系统也难以创造真正的价值。对于诸如自主 化AI（agentic AI）这类新兴系统而言，这一点尤为 关键，因为它们并非简单遵循固定指令，而是需要 关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 自主智能供应链正是价值创造的新高地。近三分 之二的受访企业计划在未来十年内大幅提升供应 增长5%，已动用资本回报率则有望提高7%。在运 营层面，企业有望将订单交付周期大幅缩短27%， 生产力提升25%，碳排放量降低16%，同时，从运 营中断事件中恢复所需的时间也能缩短约60%。 在打造自主智能供应链的进程中，领军企业 通过三项关键举措脱颖而出。首先，通过安全的数 字核心构建坚实的数据基础，并以此为依托实现 平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入

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....................................

.............................................................................27 4.2 DeepSeek 在量化交易中的应用场景............................................................................................... 近年来，量化交易在金融市场中的应用日益广泛，其通过数学 模型和计算机算法实现的自动化交易方式，显著提高了交易效率和 准确性。然而，随着市场环境日益复杂，传统量化策略在应对高频 数据、非线性关系以及市场噪音方面的局限性逐渐显现。在这一背 景下，深度学习技术的引入为量化交易带来了新的可能 性。DeepSeek 作为一种先进的深度学习框架，凭借其强大的数据 处理能力和灵活的网络结构设计，能够有效捕捉市场中的复杂规 股票量化交易，可以实现对海量市场数据的高效分析，挖掘潜在的 交易信号，并结合风险管理模型，构建更加稳健的交易策略。此 外，DeepSeek 的应用还可以显著提升模型的自适应性，使其能够 更好地应对市场变化，从而在长期交易中实现更稳定的收益。本文 将详细探讨如何将 DeepSeek 框架引入股票量化交易的具体方案， 包括数据预处理、特征工程、模型训练与优化、策略回测及风险控 制等关键环节，为金融机构和投资者提供一套切实可行的应用方