而提高模型的 训练效果。 最后，为了提高训练效率，可以使用分布式数据处理技术，将 大规模数据集分布在多个节点上进行并行处理。常用的工具包括 Apache Spark、Hadoop 等。对于超大规模数据集，可以采用数 据流水线技术，将数据预处理步骤与模型训练步骤分离，以减少 I/O 等待时间。 数据处理完成后，可以将整理好的数据存储在高性能存储系统 中，如分布式文件系统或云存储服务，以便快速读取和训练。 为提升训练效率，可采用分布式训练策略。数据并行、模型并 行和混合并行是常用的分布式训练方法。数据并行通过将数据分片 到多个设备进行同步计算，适合大规模数据集；模型并行将模型参 数分布到多个设备，适合超大规模模型；混合并行则结合两者优 势，进一步提升训练效率。此外，使用高效的通信库如 NCCL 或 Gloo 可优化设备间数据传输，减少通信开销。 最后，模型训练完成后，需进行全面的测试和验证。测试集用

态扩缩容，参考配置如下： 场景规模 GPU 类型 单节点配置 节点数量 峰值 QPS 中小规模 A100 40GB 2 卡 3-5 200 中大规模 H100 80GB 4 卡 5-8 500 超大规模集 群 H100 SXM 8 卡 10+ 1500 存储资源需同时满足低延迟和高吞吐需求。模型权重文件建议 采用高性能 NAS 存储（如 AWS EFS 或阿里云 NAS），读写延迟需

通过降低客户获取保险服务的门槛，创造良好的客户、员工和分销商体验。公司已经将技 术战略与业务战略紧密结合，以简单、一致的方式深入各个市场。 云基础设施与AI模型：富卫集团与亚马逊云科技（AWS）和微软（Azure）等超大规模云 服务商合作，将其核心业务应用程序托管在云基础设施上。为了降低被单一云服务商锁定 的风险，富卫集团采取了多云战略，将工作负载在Azure和AWS之间均等分配。公司已经部 署了近200个AI模型，涵盖600多个用例。