基于pytorch搭建神经网络，训练医学影像对阿尔茨海默症进行分类 针对小样本数据集，进行设计多模态数据融合方法，使用GCN进行分类，提高可解释性。

语音识别： 基于paddlespeech搭建语音识别模型，识别对话 大语言模型部署： 本地部署大语言模型chatGLM2-6B，给出接口接收语音识别结果，并根据问题给出回答，将输出给到UE 数字人搭建： 使用UE4搭建数字人，在UE中给出端口接受大语言模型输出的文字，在UE中调用语音生成算法，生成相应语音。 唇语算法： 基于facebook唇语算法生成数字人唇形 语音生成： 基于paddlespeech语音生成算法 语音克隆： 基于两百条数据和预训练模型训练个人模型

基于Java语言，使用Spring Boot框架搭建。该架构旨在实现数据库和应用层的分离，以提高系统的可维护性和可扩展性。 数据库层： 数据库层负责存储和管理系统的数据。通过与后端应用层分离，数据库的设计和优化可以独立进行。 应用层： 应用层使用Spring Boot构建，处理业务逻辑和请求响应。这一层将数据库层的数据进行处理，提供对外的服务接口。 智能客服系统： 在应用层基于Rasa核心开发了智能客服系统，该系统使用Python脚本进行训练，实现了多轮对话。 多轮对话训练： 使用Python脚本训练简单数据集，使系统能够理解和处理用户的多轮对话，提高对话的连贯性和智能性。 分流问题处理： 系统通过实现垂域回答，能够有效地分流并回答公司制度相关问题。这使得系统能够专注于处理特定领域的问题，提高问题解决的准确性。 通用知识回答： 结合大语言模型，系统能够回答通用性的知识问题。这拓展了系统的应用范围，使其不仅能够解决特定领域问题，还能够提供更广泛的知识服务。 通过这种分层的设计，系统既实现了对数据库和应用层的清晰划分，又在应用层中集成了智能客服系统，使得整个系统既具备高度可维护性，又能提供智能、高效的客服服务。