出品人：张  杰
中关村科金技术副总裁
天津大学计算机专业博士
荣获第十届吴文俊人工智能技术发明一等奖。
工信部重点实验室AI工程化推进委员会“生成式人工智能工作组”专家委员会成员。
自然语言处理、知识工程和知识图谱著名专家，著有《知识中台：数字化转型中的认知技术》、《“新一代人工智能创新平台建设及其关键技术丛书”— 知识图谱》两部技术专著。
主持或参与国家级课题八项，并发表学术论文十余篇、拥有专利一百余项。
主导开发了推荐引擎、知识问答系统、客服机器人、大数据风控平台、行业知识图谱等多项商业化系统，累计产值数亿元。

AI应用开发

大模型的出现开启了强人工智能时代的闸门，多轮对话、写作助手、图片生成等各类ToC场景下的创意应用开始不断涌现，也逐步受到企业的关注和重视。基于大模型的应用可以涉及文书、策划、设计、客户服务、营销等，本专题聚焦高价值场景：企业客户和营销服务，分享在对外服务、对内运营等场景下的落地应用案例和技术实践经验.

信息抽取：从PLM到LLM的变迁
内容简介：
在数字化信息理解问题中，信息抽取是最广泛的应用之一。最近大模型的出现改变了信息抽取领域的研发和应用范式，本场分享主要是介绍在信息抽取方向，我们过去几年面向PLM架构的研究工作，以及在LLM新范式下的一些尝试和思考。                    

演讲提纲：
1. 信息抽取任务背景
2. PLM时代的技术范式
3. 少样本信息抽取技术研究
4. 大模型时代信息抽取探索
        
听众受益：
1. 信息抽取任务的模型建设方案
2. 对于研究者来说，大模型范式下信息抽取任务的挑战
3. 对于技术应用来说，大模型范式下信息抽取产品的机会                                                                       
蒋  勇
阿里巴巴达摩院算法专家
 博士毕业于中国科学院大学和上海科技大学，加州大学伯克利分校访问学者，从事自然语言处理相关的技术研究。目前在国际顶级会议ACL/EMNLP/NAACL/AAAI等发表40多篇论文，获得ACL 2023杰出论文奖、SemEval 2022和SemEval 2023的最佳论文奖，当前研究方向包括行业大模型、面向大模型的检索增强、信息抽取技术等。                                                

大模型应用落地路径探索
内容简介：
大模型在结合企业的业务场景落地过程中有各种实现路径，考虑到成本、人力等因素制约，只有少数大型科技企业或 AI公司可以从零开始预训练大模型，大部分企业会选择使用商用或开源基础模型，同时进行微调/知识库检索等方式实现专属应用，本次分享将结合行业大模型落地各个环节介绍相关方案和路径，提高企业大模型落地效率。                                                                                                                                                           

演讲提纲：    
1. 大模型应用落地挑战
2. 大模型应用路径探索
3. 实践案例和总结

听众受益：
了解大模型应用在算力成本、数据质量、人力投入、安全合规等方面的挑战，以及落地过程中关于模型选择、微调、知识库检索、效果评测、部署优化等环节常用方案和实现路径，让企业找到适合自己的大模型应用方案，提高落地效率。                                                                                                
何海洋
阿里云互联网行业架构师
曾在阿⾥妈妈、搜推⼴智能引擎负责算法⼯ 程技术⽅向，有丰富的AI⼯程落地经验；⽬前任职阿⾥云互联⽹⾏业架构师，协助企业云原 ⽣架构转型，⼤数据AI⼯程落地等。        
LLM推理加速工程实践
内容简介：
当前，大模型技术快速发展，模型在现实应用场景中的表现决定了模型的能否成功。大模型在预训练后，需要对模型的精调，优化，部署、管理等一系列流程进行整合，来加速大模型落地，真正解决现实场景问题。这也是Adlik社区关注的重点方向。本次分享介绍如何加速大模型的应用效率，提升大模型部署服务性能。                                                                                   

演讲提纲：
1. 简介Adlik社区和技术关注点；
2. 介绍大模型LLM-Ops工作流和当前痛点；
3. Adlik一些针对性解决方案；
4. 应用案例。 

听众受益：
1. 了解大模型LLM-Ops的现状和大模型与传统AI模型的差异
2. 了解Adlik社区的工作，以及未来切入大模型工作中的计划；
3. 学习如何使用社区提供的方案和工具，促进大模型研发和应用落地；
4.  大模型工作流的技术特点和未来发展的趋势。                                                               
刘  涛
中兴AI平台首席架构师
中兴通讯资深AI算法专家，主要研究领域为AI模型并行训练，模型推理优化，高性能计算，异构硬件模型部署等技术，在相关领域取得多项专利，也是 Adlik 开源项目首席架构师，为社区多次贡献代码，撰写多篇模型优化部署领域相关的ORAN组织标准提案，近几年在WAIC，百度WaveSummit，CSDN 1024，LF AI 峰会等活动中宣讲模型部署和优化相关技术，促进AI应用生态圈建设。目前担任中兴AI预研项目经理。                                                        
知识管理2.0：大模型下的知识应用新范式
内容简介：
企业内部存在大量非结构化形式的知识资产，传统技术方案难以有效利用。随着大模型的出现，通过领域大模型、多模态文档解析、大数据智能搜索等技术形成的组合式AI能力，使得针对企业知识库提供精准问答和文档分析成为现实，打通了企业知识应用的“最后一公里”，实现知识高效赋能生产力，打造企业知识应用的新范式。                                                                                        

演讲提纲：
1. 大模型带来的技术变革引爆新范式
2. 知识管理与知识应用行业现状与发展趋势
3. 新范式下的知识创新应用
4. 应用案例  

听众受益：
1. 大模型智能知识应用解决方案
2. 大模型知识应用相比于传统知识应用的差异与优势                                                                 
曹  阳
中关村科金资深产品总监
曹阳先生目前就职于中关村科金技术有限公司，有着10多年产品经验，曾在阿里、京东、字节跳动、shopee供职，主要负责智能客服产品工作，对NLP、智能客服、CRM相关的技术、产品应用、商业化有着丰富经验。                                                                
AIGC金融场景应用与实践展望
内容简介：
通用人工智能具备文本生成、语言理解，知识问答、逻辑推理、数学、代码、多模态等七大维度能力。“AIGC+金融”有望成为大模型率先落地的垂直领域之一，金融高价值量数据对大模型的训练和应用至关重要。应用端，AIGC在银行、保险、资管、信托、财富等正在落地或拥有潜在落地场景。AIGC金融行业应用，业务驱动、实践用例、应用研发、数据规范等四方面将是技术要点。未来，AIGC或将改变金融业务模式，重塑商业形态。
1. 业务驱动：基于金融价值链分析AIGC应用的高频场景与潜在场景
2. 实践用例：目前金融机构AIGC相关具体应用
3. 应用研发：金融机构布局应用AIGC的方式与研发路径 模型本地化是刚需，布局AIGC主要方式包括五种
4. 数据规范：金融数据金融机构如何布局落地AIGC应用
下一步需要：更稳健的技术实践，更科学的试点实验，更多的跨界协同。                                           

演讲提纲：
1. 业务驱动：基于金融价值链分析AIGC应用的高频场景与潜在场景
2. 实践用例：目前金融机构AIGC相关具体应用
3. 应用研发：金融机构布局应用AIGC的方式与研发路径
4. 数据规范：金融数据金融机构如何布局落地AIGC应用

听众受益：
1. “AIGC优势+金融应用场景”的分析明确金融领域的高频需求与潜在需求：初步阐释如果充分利用AIGC的优势，为金融行业在产品、营销、运营、客服等多个领域提供深度技术赋能，同时还可应用于办公、研发等方面。
2. 系统介绍和探讨AIGC目前在金融领域的创新与典型应用实践，为行业数智化转型提供有益的参考和借鉴。  
陶斐斐
中国对外经济贸易信托有限公司首席战略官兼金融科技中心总经理
管理学博士、金融学博士后，现任中国对外经济贸易信托有限公司首席战略官兼金融科技中心总经理，长期聚焦金融数智化、资管转型、信托创新等领域。
大语言模型下的文本数据治理
于  政
北京海致星图研发VP
博士，海致星图研发副总裁，知识平台研发中心负责人，产业大模型研发与解决方案架构师，主要研究方向为自然语言处理、知识图谱、深度学习等，并在金融、能源电力和工业制造等领域拥有丰富的产品研发、解决方案咨询设计与项目落地经验，主持、参与了多项人工智能国家专项项目，近年来在IJCAI、TKDE等顶级期刊会议上发表多篇文章，申请专利十余项，科学出版社“新一代人工智能平台建设及其关键技术”丛书《人机协同》主要作者之一。            

内容简介：
语言大模型在各类场景中的落地效果会十分依赖文本解析、治理和内容召回等技术，本报告将从几类典型的应用场景入手，结合应用需求与特点，分别介绍比如pdf文件解析、内容治理、噪音消除、片段划分、语义召回等NLP技术，尽可能保证语言大模型输入内容质量，从而提高大模型落地效果。  

演讲提纲：
大语言模型下的文本数据治理
1. 大模型视角下的数据治理价值
2. 大模型文本数据治理的关键问题与挑战
3. 大模型文本数据治理的核心技术
4. 大模型应用落地介绍

听众受益：
1. 了解语言大模型在典型场景中的落地技术路径；
2. 了解常用的文本数据治理方法，保证内容召回的高质量。

大模型落地面向企业级客户服务场景的实践
内容简介：
LLM最优先被应用的场景为能够大大地降本增效，同时传统NLP已在使用但是智能化水平不高的场景，比如客户服务场景的客服机器人，坐席助手等。市场上已有不少基于ChatGPT的智能问答助手、基于文档的问答系统，这些应用都是面向ToC的、偏向于通用领域的问答。对于面向ToB客户的、垂直领域的问答和对话，还缺少成熟的落地案例。源大模型在浪潮信息客户服务中心的业务中进行了落地实践，探索在面向企业级客户服务场景下，解决LLM真正理解客户意图，并且更快速、更专业地解决客户问题。                                                        

演讲提纲：
1. 企业级客户服务场景的特点：主要讲述企业级客户服务场景与ToC的个人助手、以及消费场景下的客户服务场景的不同。
2. LLM落地企业级客户服务场景的方案：主要讲述市面上已有的通用解决方案
3. 源大模型落地浪潮信息企业级客户服务场景的具体实践：讲述我们的做法
4. LLM落地企业级客户服务场景待解决的问题

听众受益：
听众能够了解企业级客户服务场景的特点、LLM落地企业级客户服务场景的方案及目前还存在的一些待解决问题                                                                                        
Sunny Zhang
浪潮信息高级产品经理
博士研究生，浪潮信息人工智能与高性能应用软件部高级产品经理，源大模型产品负责人。长期从事高性能计算和人工智能计算的创新与产品化工作；参与国家级自然科学基金3项，省部级科技进步奖6项；发表国内外SCI、EI期刊及会议论文10余篇。                              
京ICP备2020039808号-4
返回顶部