自然语言处理

项目简介: 项目主要是基于ChatGLM2等大模型实现了影视角色的人设问答，这里的人设选型为封神榜中的角色。用户可以设置对应的角色(如: 商纣王)，在和系统进行对话交互时，系统会以商纣王的人设风格对用户输入的信息进行回复。 项目分工: 本人在项目中负责对话整体业务的设计和算法部分业务的实现。主要包括大模型的选型，大模型微调，PEFT, SFT, 模型推理加速和服务部署等。通过对比GPT, 百川，千问，ChatGLM, 书生，Lamma等大模型的效果。针对人设角色的形象设定，做对应Prompt Engineering优化等。 解决问题: 完成了项目整体的开发与部署，对话系统整体上支持了人设大模型生成式对话的业务场景。

目的：为企业提供通用的大模型应用平台 功能： 1、账号登录。主要用于企业用户登录系统。 2、系统管理。主要用于管理系统用户。 3、角色管理。主要用于管理AI角色。 4、聊天互动。主要用于与不同的AI角色进行聊天互动，实现企业的业务目标。 技术特点： 1、安全。严格的用户管理和信息安全机制。 2、高效。高速响应的私有化AI模型。 3、优质。持续优化的个性化AI。

1. 项目解决了什么问题？ 项目名为：rag-best-practices（大语言模型检索增强生成技术最佳实践），针对“大语言模型数据更新不及时，垂直领域问答多幻觉”的问题给出了改善方案。通过垂直领域知识库检索辅助模型生成内容，减少生成幻觉，将通用大模型在一定程度上专业化；通过更新知识库，使得过往预训练的大模型能够回答实时新闻报道中出现的内容，进一步提高通用大模型的回答能力。 2. 项目采用的技术？ - Query Classification：并非所有查询都需要检索增强。 - Sliding Window Chunking：块大小显著影响性能。更大的块提供了更多的上下文，增强了理解，但增加了处理时间。较小的分块提高了检索的召回率，减少了时间，但可能缺乏足够的上下文。使用sliding window技术更加有效，即将文本按照句子进行划分，每个块包含窗口大小个句子。 - Embedding：嵌入模型选择BAAI/big-large-en，并对其在专业数据库中进行微调，提高其检索能力。 - Vector Database：Qdrant支持多种索引类型、十亿规模的向量支持。 - Retrie

本产品面向MCN公司、企业、主播，可以合成声音、音乐、视频。 基于vllm和阿里千问，结合OpenCV，做了微调，更适合音视频特定领域。支持离线部署，可以为企业定制训练模型，也可以接入第三方的NLP模型。

1. 整合目前比较主流ai对话平台的能力 2. 为用户提供一站式服务 这个网站致力于整合当前主流的AI对话平台功能，为用户提供一个便捷高效的一站式服务体验。通过汇集各种优秀的AI技术和对话平台的优势，该网站让用户无需在多个平台间切换，就能享受到多样化的智能对话服务。不论是聊天机器人、客服助手还是智能问答应用，用户都可以在这里找到适合的解决方案。同时，平台还注重用户体验，力求以直观的界面和简易的操作帮助用户更好地与AI互动，从而提升效率并满足多元化需求。

1，本方案是个语音模拟应用 2， 基于XTTS开源代码，搭建了一整套WEB应用。用户从网页上传要模拟的声音文件，并输入一段文字，可生成用模拟语音朗读的文字音频。 3， 涉及到通用的前后端开发技术，Python/Flask, JS/Vue/HTML/CSS,和Celery/Redis异步通信，及MongoDB；搭建在Docker系统中。

1.此项目面向对象是公司的客服部门，解决了客服人员每天面对数量庞大的咨询量时的回复不及时、漏回复、错误回复等问题，提高了部门30%的工作效率 2.此项目主要是使用了qwen-1.8b大模型学习训练识别意图信息，提取有效槽位，实现机器人快速、精准的回复 3.本项目使用了spring全家桶、mysql、redis、rq、阿里云sls日志、react等技术

项目介绍: 虚拟人电商直播主要是提供一个虚拟人作为主播，像用户介绍相关的产品信息，回复用户的问答，业务上包括直播商品介绍，基于商品的信息抽取问答，虚拟人口型驱动，语音渲染等等。 职责: 负责完成对话模块整理的业务架构设计和工程化落地，覆盖多个直播业务场景。完成业界前沿底座大模型的效果对比和评测。基于BaiChuan等大模型完成相关的微调和优化，推理加速优化，一站式服务部署等等。

深度学习框架：TensorFlow, PyTorch, Keras 编程语言：Python, C++, Java 自然语言处理技术：文本分类、情感分析、机器翻译 大规模数据处理：Spark, Hadoop 模型优化：分布式训练、模型剪枝、量化

我是一名专注于深度学习和人工智能领域的软件工程师，拥有丰富的实践经验和扎实的技术背景。我擅长使用 Python 进行编程，并在图像处理和自然语言处理领域有着深入的研究和实践。我曾成功应用深度学习模型于新闻文本分类、人体姿态识别项目以及图像分类检测等任务。 项目经验 新闻文本分类系统： 行业应用：媒体、出版、内容分析 功能实现：自动化新闻内容分类，个性化新闻推荐，内容审核 技术亮点：利用预训练模型 BERT 提升分类准确性，支持多类别文本分类 人体姿态识别系统： 行业应用：健康监测、运动分析、安全监控、人机交互 功能实现：运动训练分析，老年人跌倒检测，异常行为识别 技术亮点：实时数据处理，高准确性的姿态识别算法，易于集成的 API 设计

项目介绍: 本项目实现了对话系统中的规则引擎服务，可以适配复杂的业务需求，整体时间复杂度为O(n)。整体包括三个部分: 业务适配，业务词典和业务规则模版。通过配置不同业务的词典和模板，可以实现独立的规则引擎匹配。数据和服务实现业务分离，支持数据热更新。 适用场景: 1. 基于规则引擎的语义理解，返回对应的意图信息和槽位对，以及置信度打分。 2. 业务场景下的实时干预，避免服务的高频发版，保障线上服务稳定性。 3. 业务功能黑名单处理。 4. 商业化运营事件配置。

在最近三周时间里，我分别收集了发布于新浪网站的国内（Domestic News）与国际新闻（International News）。针对每条新闻，我都一一记录了新闻的标题，发布时间，来源及新闻报道的正文，并将相关数据存储于MySQL数据库中，以供后期数据查询与分析。之后依据收集到的新闻数据，进行数据格式清洗，冗余数据剔除等数据预处理步骤。接下来分析了新闻发布日期、发布时刻、新闻来源的分布情况，最后制作了新闻标题的词云分布图。通过对比国内与国际新闻分布情况的差异，分析隐藏在数据背后的统计规律与现象。 

面向群体：全年龄段 主要功能：主要提供优质资料供于学习，缓解教育资源差距带来的问题 项目获奖：该项目在2024 CCF CAT全国智能体开发大赛获得全国三等 作品图片：提交的是获奖证明 详细看提交的文档(我是第一完成人，队友是长春理工大学硕士，目前在我团队） 商业价值：目前开发阶段，前途无量

开发目的：面向宠物医疗行业提供垂直大模型研发、微调和服务 软件的主要功能： 1、账号登录。主要用于用户登录系统。 2、系统管理。主要用于管理系统用户。 3、聊天互动。主要用于与用户进行聊天互动，解决宠物健康相关问题。 4、病历管理。主要用于管理宠物病历。

Orange 是中国首个通用人工智能（AGI）系统，旨在通过创新的算法和深度学习技术，推动人工智能的发展。作为一个跨领域的智能平台，Orange 不仅具备强大的数据处理能力，还能够在多种复杂任务中进行自主学习和适应，从而实现超越传统人工智能的智能水平。 Orange 的设计理念是模仿人类思维方式，具备理解、推理和创造的能力。它能够处理各种信息，从语言理解到图像识别，再到复杂的决策制定，为各行各业提供智能解决方案。无论是在教育、医疗、金融还是制造业，Orange 都致力于通过智能化手段提升效率，优化决策，推动业务转型。 随着技术的不断进步，Orange 将持续进化，力求成为推动社会进步和经济发展的重要引擎。它不仅是中国在人工智能领域的一个重要里程碑，更是全球 AGI 研究的先锋，标志着人工智能从单一应用走向全面智能化的新时代。

这个系统主要面向中东市场，提供COD的商品购买服务 系统支持多模板，多语言，多国家，多站点配置，其中语言部分采用AI处理。 不同的模板使用不同的技术路线实现。支持单站点部署，集群部署，Serverless部署。

项目简介: 项目主要是利用大模型实现了法律垂直领域的智能问答，主要是覆盖了法律咨询的业务场景。数据主要由论坛、新闻、法条、司法解释、法律咨询、法考题、判决文书组成。大模型能根据相关的业务场景实现智能问答。 项目分工: 本人在项目中负责对话整体业务的设计和算法部分业务的实现。主要包括大模型的选型，大模型微调，PEFT, SFT, 模型推理加速和服务部署等。通过对比GPT, 百川，千问，ChatGLM, 书生，Lamma等大模型的效果。做对应Prompt Engineering优化等。 解决问题: 完成了项目整体的开发与部署，整体上支持了法律AI场景下的对话业务。

1、本方案面对人脸编辑领域的头发设计问题，解决了联合文本与图像引导头发设计的问题。 2、市面上的头发迁移软件方法落后、效果僵硬、极其不自然。本方案的生成效果真实感强，泛化性强。 3、产品：利用人工智能为产业创能。

1、使用llm大语言模型控制无人机飞行，包括前进、后退，旋转，角度飞行。 2、使用文字在命令行中输入控制指令，支持中文和英文。 3、实现多机联动，多台无人机组成集群，实现矩阵飞行演示。 4、使用airsim无人机虚拟环境进行试验，无需真机环境。

项目介绍:项目整体是针对金融新闻领域的各类子任务做相关的识别和信息抽取任务，包括金融新闻舆情分析，金融事件信息抽取，新闻领域实体识别，金融关系抽取等多个子任务。 工作说明: 利用当前所有开源的大模型(LAMMA2, Falcon, MPT, Bloom, ChatGLM2, Qwen, InternLM)，进行横向的对比实验分析，针对具体的任务，对每个大模型进行fine-turing。然后进行对比实验。