自然语言处理

本案列推向小型企业，利用向量化数据库，ollama本地部署，chatollama提供了友好的交互界面。比较其他储存数据的知识库，本项目可以完全私有化，知识库也不上传到云端。可以将公司内部的数据放在本地主机，保证了数据的安全性，私有性。

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。 

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。

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。

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。

带着5人团队开发，负责任务规划，技术选型，技术方案落地 供应链系统，从采购单，销售单，入库单，分选单，加工单，出库单，包括其中的物流，履约，费用，商品管理，仓库管理，库存流水，库存盘点，供应商管理。渠道管理。

面向律师和普通用户，对不同类型合同进行智能审核，提示合同中不足或存在的问题，大大提高工作效率 首先根据不同合同的类型，专业的律师根据国家相关法律法规，定义了需要校验的schema，及校验规则，通过深度学习bert+pointer抽取合同中相关的内容，做好原文的定位，校验后在原文中标注不足或存在的问题

新闻文本分类任务在信息检索、舆情检测与分析、信息智能推送等领域发挥着重要的作用。为了解决传统卷积神经网络在新闻文本分类中效果不佳的问题，本文提出了一种改进的BERT-UNet文本分类模型，来增强捕捉长距离文本特征和可视化效果。首先该模型使用BERT预训练文本词向量，然后将其嵌入映射到UNet模型中，提取上下文的关键特征，同时通过Softmax函数实现文本分类，最后利用前端技术对新闻舆情信息文本分类结果进行可视化监控展示。为验证模型在文本分类任务上的优越性，本文进在THUCNews数据集上进行了对比实验，实验结果显示，相较于传统模的TextCNN模型和独立使用BERT的方法，BERT-UNet模型在宏平均F1值上分别提高了3.11%和0.29%。这表明改进的BERT-UNet模型在捕捉文本特征关系方面更有效，在提升分类性能，改善传统新闻文本分类方法及可视化监控提供了新思路。

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。

应用场景：某开发者平台上有大量的API开发文档，代码仓库，学习实验室等资源，根据用户的喜好以及在平台上的浏览历史，推荐该用户可能感兴趣的内容 技术特点：基于LLM Embedding的内容相似度计算，基于DLRM的用户点击概率预测

煤矿调度室音频的自动分析 通过本系统，调度员和相关人员可以方便地查询和利用电话内容，及时发现问题隐患，并自动报告给有关领导，避免了人工操作环节中记录和汇报所带来的延误问题处理时间的风险。因此，这个系统能够实现煤矿生产安全问题的早期识别、发现、干预和处置，为生产安全保驾护航。 本项目旨在研究煤矿生产调度语音的智能识别、智能分析和预警等关键技术。我们采集调度员和井下工作人员的交流语音，并进行智能识别和分析，将其转换为文本信息，提取关键词和动作路径，自动生成生产管理日志。此系统能够识别特定工况下的危险操作和隐患问题，并自动通知相关领导及时处理。

1.面向相关农业科技化，解决了根据耕地数据进行种植推荐和产量预测问题 2.方案中有如下特点：ML实现作物推荐、DL产量预测、千帆语言模型多轮对话、爬虫新闻信息 3.基于python 的django框架实现

项目简介: 项目的目标是根据用户的输入query，结合大模型配置信息中的多个表的schema信息，返回对应的标准化的SQL语句。 如假设有以下几张表和对应的列: Table advisor, columns = [*,s_ID,i_ID] Table classroom, columns = [*,building,room_number,capacity] Table course, columns = [*,course_id,title,dept_name,credits] Table department, columns = [*,dept_name,building,budget] Table instructor, columns = [*,ID,name,dept_name,salary] Table prereq, columns = [*,course_id,prereq_id] Table section, columns

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，这里的人设选型为一人之下中的角色-武当王也。在和系统进行对话交互时，系统会以王也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。

1. 本方案面向需要英语练习的学生/职场人士，提供了随时随地的AI口语教练 2. 使用了AI对话的方式，多种形象和AI等级评分系统 3. 技术栈【AI】【prounce of goodness 口语评级】

1. 本方案面向需要留学信息和留学资料的家长；同时给深圳国际高中提供了额外的引流服务，用于夏令营和宣传 2. 相较于以往的简单留学资料整理，加入了AI对话，图像生成等，并提供网页版，适配没有手机的孩子 3. 本产品使用技术 @前端：React/小程序/uniapp @路由：nignx @后端：pring cloud微服务/python向量数据库 @AI：openai对话；画图；搜索总结 @数据库：mysql/redis @支付：微信支付 4. 同时提供了网站页面设计等

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。

带着5人团队开发，负责任务规划，技术选型，技术方案落地 供应链系统，从采购单，销售单，入库单，分选单，加工单，出库单，包括其中的物流，履约，费用，商品管理，仓库管理，库存流水，库存盘点，供应商管理。渠道管理。

大模型通常指的是指基于大规模数据训练的深度学习模型，如GPT-3、BERT等。这些模型通常具有数十亿到数百亿个参数，能够对自然语言进行更深入的理解，并在多个自然语言处理任务上取得出色的表现。 RAG代表Retrieval-Augmented Generation，是一种结合了检索和生成的自然语言处理模型。RAG模型结合了检索式问答和生成式问答的优点，能够在生成答案时从大规模的知识库中检索相关信息。这种模型结构使得它在问答任务中能够更好地处理需要深入推理和大规模知识的问题。 总的来说，大模型通常指的是参数规模庞大的深度学习模型，而RAG是一种结合了检索和生成的自然语言处理模型，能够在问答等任务中发挥作用。

本系统面向HR和求职者，解决了用人单位通过职位快速匹配候选人的问题，根据求职者简历和求职职位，快速匹配岗位 本方案相对于常规方式，对简历解析，形成结构化信息，对候选人画像，综合匹配岗位要求和职责，实现快速和准确的匹配 技术：常见简历文档读取和解析（深度学习+行业知识图谱），人才画像，职位描述读取和解析，匹配