引言其实最开始推荐系统根本就没召回，直接基于物料池进行排序就行，但是如果物料池变得超大，为了技术和业务发展，每个样本的特征越来越复杂，如果直接精排是没法工程的，所以增加召回，即用更简单的模型更少的特征或者直接规则对候选集快速筛选，减少排序阶段的耗时；同时召回的加入也能...(more)

在当前人工智能的浪潮中，大型语言模型(LLM)无疑已成为炙手可热的焦点。凭借其惊人的语言生成能力，LLM正在为各行各业带来前所未有的创新机遇。无论是自动问答、内容生成、机器翻译，还是文本摘要和分析等领域，LLM都展现出了令人兴奋的应用前景。然而，伴随着LLM日益广泛的应用，如...(more)

智能化应用如人脸识别、语音识别、文本识别、智能推荐、智能客服、智能风控等已广泛应用于各行各业，这些应用被称为判定式AI的范畴，通常和特定的业务场景相绑定，因此在使用GPU（GraphicsProcessingUnit）卡的时候也通常各自独立，未考虑业务间GPU共享能力，至多实现vGPU虚拟化切分，从...(more)

议题说明：随着大型模型的发展，企业在人力、财力、物力等方面的资源投入变得尤为重要。这些资源的合理分配和支持对于大型模型的建设至关重要。本议题旨在探讨如何构建高效的资源配置策略以支持大型模型项目，帮助企业在有限的资源条件下优化资源配置，从而最大化项目的效益。议...(more)

 1、引言在自然语言处理领域中，预训练模型通常指代的是预训练语言模型。广义上的预训练语言模型可以泛指提前经过大规模数据训练的语言模型，包括早期的以Word2vec、GloVe为代表的静态词向量模型，以及基于上下文建模的CoVe、ELMo等动态词向量模型。在2018年，以GPT和BERT为代...(more)

上篇：自然语言处理——NLP之预训练语言模型BERT（上）5.2 BertModel实现创建一个文件名称为Bert.pyimporttorchfromtorch.nn.initimportnormal_from.BertEmbeddingimportBertEmbeddingsfrom.MyTransformerimportMyMultiheadAttentionimporttorch.nnasnnimportosimportlogging...(more)

下篇：自然语言处理——NLP之预训练语言模型BERT（下）1、引言通常来说，在NLP领域的很多场景中模型最后所做的基本上都是一个分类任务，虽然表面上看起来不是。例如：文本蕴含任务其实就是将两个序列拼接在一起，然后预测其所属的类别；基于神经网络的序列生成模型（翻译、文本生成等）本质...(more)

议题说明：随着数字金融的加速发展，数据安全与隐私保护已经成为金融行业的关键话题。金融行业数据规模大、数据类型多、数字化基础强、市场规模大、客户付费能力强，是大模型应用落地的最优场景之一。在大模型的加持下，金融行业的智能化更强迎来新一轮的创新和加速。对金融机构...(more)

议题说明：本议题旨在探讨大模型在信用评估、欺诈检测和客户服务场景中的微调策略，分析其共性与差异，以优化模型性能。对于企业而言，理解这些策略有助于更有效地利用大模型解决实际问题，提升业务效率。**议题主持人：苟志龙    某股份制银行    高级工程师主持导语：在本次...(more)

在LLM（大型语言模型)新时代的到来之前，我们通常会通过简单的微调来使用新数据扩展模型的能力。然而，如今我们使用的模型规模越来越大，训练所使用的数据量也随之增加，仅仅依赖微调已经无法满足大部分场景的需求。微调虽然在调整模型的语气和风格方面表现出色，但在向模型添加大量...(more)