本企业培训是TsingtaoAI技术团队专们为某商业银行分行IT团队开发的LLM大模型技术课程。课程深入分析大模型在金融行业中的发展趋势、底层技术及应用场景，重点提升学员在大模型应用中的实际操作能力与业务场景适应力。通过对全球商用 LLM 产品及国内外技术生态的深度对比，学员将了解大模型在不同企业中的发展路径，掌握如 GPT 系列、Claude 系列、文心一言等大模型的前沿技术。针对金融行业的业务需求，学员将学会如何结合多模态技术改进用户体验、数据分析等服务流程，并掌握大模型训练与工具链的实操技术，尤其是模型的微调、迁移学习与压缩技术。课程将帮助学员提升 Prompt 工程设计及调优能力，解决在智能客服、风险评估、合规审查等场景中的实际问题，同时通过真实案例和项目实践，学员将具备在金融场景中进行 LLM 部署与优化的能力，实现业务流程的智能化与自动化。

培训对象

• 产品经理
• 研发工程师
• 算法工程师

培训时长及形式

2天，每天6小时，一共12小时。线上或线下培训均可支持。

课程大纲

第一部分：大模型发展方向与金融行业的应用趋势

1. 大模型概述与发展方向
   1. 全球商用 LLM 发展现状
      1. 对比 OpenAI、Anthropic、Google DeepMind 等企业最新发布的 LLM 产品。
      2. OpenAI GPT 系列（GPT-4、GPT-4 Turbo、GPT-5 预期发展）与 Claude 系列（Claude 3）的比较与发展方向。
      3. Google DeepMind Gemini 系列大模型的发展趋势。
      4. 国内外大模型生态圈的差异与发展路径：重点分析国内如百度文心一言、阿里通义千问等商用大模型的技术演进与实践。
   2. 多模态大模型的兴起
      1. DALLE3、Suno、Sora、GPT-4V 等多模态大模型的应用场景及技术创新。
      2. 如何结合多模态技术改进金融服务中的用户体验、数据分析、以及金融产品设计。
   3. 大模型的最新技术突破与研究前沿
      1. 面向未来的大模型技术挑战：推理能力优化、能耗控制与计算成本问题。
      2. 当前前沿研究中的方向：例如 Self-supervised Learning 和 Multitask Learning 在大模型中的应用。
2. LLM 在金融行业的场景化应用趋势
   1. 金融领域的 AI 应用场景概览
      1. 基于 LLM 的智能客服、风险评估、欺诈检测、合规审查等金融场景中的应用。
      2. 如何结合分行和总行的金融业务模式进行大模型 AI 的定制开发与落地。
   2. 国内外领先银行的 LLM 实践
      1. 通过案例剖析国内外领先大型银行如何应用 LLM 优化业务流程。
      2. 不同金融机构如何通过大模型提升精准营销、投资分析、贷款风险评估等具体场景的效率。

第二部分：大模型的底层技术与模型训练

1. 大模型的技术原理与架构设计
   1. LLM 架构与传统 NLP 技术的比较
      1. 大模型架构（Transformer、Attention 机制）与传统 NLP 模型的对比。
      2. 如何优化金融行业中大模型的推理速度与精度。
   2. 大模型的多模态扩展
      1. 介绍如何在金融行业中利用文本、图像、语音数据的多模态融合提升智能决策能力。
   3. 分层架构与模块化设计在 LLM 中的应用
      1. 探讨如何在金融领域通过模块化设计优化模型的训练与推理效率。
2. 从 0 到 1 构建 LLM 全流程解析
   1. 大模型的训练框架与方法
      1. 介绍深度学习框架 PyTorch、TensorFlow 在大模型训练中的应用。
      2. 微调与迁移学习在金融领域中的应用场景与优势。
      3. 基于金融领域特殊需求的大模型训练策略：数据标注、数据清洗、特征选择等核心技术流程。
   2. LLM 模型的工具链
      1. Hugging Face、LangChain 等工具链的深入讲解与使用方法。
      2. Agent 框架、React 和 Cot 在大模型中的应用，如何提升金融场景中的任务执行效率。
   3. 小模型与大模型协同工作的实践
      1. 如何结合意图识别等小模型技术，提升大模型在银行业务场景中的效率与精度。

第三部分：Prompt 工程与大模型调优

1. Prompt 工程的核心技术与应用实践
   1. Prompt 工程的原理与发展
      1. 大模型的 Prompt 原理：如何通过设计 Prompt 优化大模型的输出质量。
      2. 针对不同金融场景的 Prompt 设计方法：客户服务、风险预测、市场分析等场景。
   2. Prompt 设计的高级技巧
      1. 基于金融数据的复杂 Prompt 构建方法与实践技巧。
      2. 如何通过多轮 Prompt 增强金融分析模型的深度与准确性。
   3. Prompt 工程中的常见问题与优化策略
      1. 针对金融领域中常见的 Prompt 设计误区与解决方案。
2. LLM 模型的调优与性能优化
   1. 金融场景下的大模型性能调优策略
      1. 如何在银行业务中针对高并发、低延迟的需求进行大模型的性能优化。
      2. 大模型的压缩技术：量化、蒸馏、剪枝等方法在金融领域的应用。
   2. 大模型的可解释性与透明度
      1. 如何提升大模型在金融决策中的可解释性，以满足合规要求和客户信任。
      2. 针对 LLM 在银行业中应用的模型透明化技术，如 SHAP、LIME 等可解释性框架的应用。

第四部分：大模型的金融应用与案例分析

1. LLM 在金融行业的应用实战
   1. 基于 LLM 的智能客服与客户管理
      1. 如何利用 LLM 处理客户咨询、投诉与反馈，实现精准的客户管理。
      2. 基于真实项目的代码示例：如何通过大模型提升客户满意度与业务效率。
   2. 金融场景中的 LLM 结合 RPA（机器人流程自动化）
      1. LLM 与 RPA 的集成：如何通过自动化流程管理优化银行的后台运营。
      2. 银行业务中的 RPA 应用实例：账户管理、风险监控、资金流动分析等。
   3. 金融决策支持系统的 AI 应用
      1. LLM 如何结合历史数据进行决策支持，提升市场预测与风险管理能力。
      2. 如何通过知识图谱与 LLM 结合，提升决策系统的智能化水平。
2. 金融分析模型与具体案例剖析
   1. 金融风险评估模型的开发与优化
      1. 大模型在金融风险控制中的应用：如何通过 LLM 提升欺诈检测与风险评估的准确率。
      2. 案例：构建一个基于 LLM 的贷款风险评估系统。
   2. 金融市场趋势分析与投资组合优化
      1. 如何利用 LLM 结合大数据分析进行市场趋势预测与投资策略优化。
      2. 案例：基于 LLM 的股票市场分析与投资组合管理策略的开发与优化。

讲师介绍

赵老师 资深大模型算法专家

北京邮电大学本硕连读，拥有扎实的人工智能理论知识和丰富的项目实践经验。在字节跳动和中国银行担任算法工程师，现在在AI科技公司负责大语言模型（LLM）落地项目。已构建自研训练框架，可适配ChatGLM1&2、Baichuan1&2、Qwen14B等主流开源模型的全参/lora/Qlora微调，支持各种训练指标可视化，方便对比实验；已构建训练数据生成流程，基于不同业务需求进行训练数据处理；已构建推理服务，基于自训模型及推理服务成功在APP上线与用户交互。

过往授课课程

• Python编程与大数据应用
• ChatGLM与其他LLM的部署、训练与微调
• LangChain框架深度解析与实践
• 多模态处理与多模态大语言模型实践
• 知识图谱技术在大数据中的应用
• 大模型（LLM）数据预处理与特征工程

LLM培训案例

1. 中信银行：LLM Driving课程
   1. 课程内容：讲解LLM的基础原理、部署策略以及微调技巧，帮助学生在实际项目中应用LLM。
   2. 培训效果：提高了学员对LLM的理解和实际操作能力，促进了项目的顺利进行。
2. 广汽如祺：AIGC大模型应用开发技能培训
   1. 课程内容：为技术团队提供LLM模型与多模态AIGC联合应用，利用LLM能力助力多模态生成。
   2. 培训效果：提升了团队的多模态生成技术水平，增强了企业在AIGC领域的竞争力。

个人资质

• 精通Python、Go语言，具有丰富的后端开发经验，涉及数据库、kafka、高并发处理等。
• 具备深厚的大模型、NLP、RAG、思维链CoT、语音识别（ASR）和语音测评（GOP）技术背景，曾基于kaldi和conformer+transformer框架开发相关服务。
• 熟悉主流开源大语言模型的全参/lora/Qlora微调技术，并能够根据不同业务需求进行定制化训练数据处理。

发表论文与发明专利

• 发表论文：《基于多模态大语言模型的智能客服系统研究》《大模型在金融行业的应用与实践》
• 发明专利：一种用于金融风险预测的多模态大语言模型；基于LLM的智能语音交互系统。

其他项目经验

1. Python&Go语言后端开发
   1. 项目内容：负责后端开发，涉及数据库管理、kafka消息队列、高并发处理等技术。
   2. 项目成果：提高了系统的稳定性和处理效率，满足了高并发需求。
2. 语音测评（GOP）服务
   1. 项目内容：基于kaldi框架训练语音测评模型，实现服务端和手机端本地化推理。
   2. 项目成果：该服务成功应用于用户APP的中英文口语练习，实现了自动化打分评价。
3. 语音识别（ASR）服务
   1. 项目内容：基于conformer+transformer框架训练端到端模型，实现服务端离线识别和流式识别。
   2. 项目成果：该服务成功应用于客服系统和语音审核场景，提高了识别准确率和效率。

客户反馈

部分授课课件

陈老师 AI资深研发专家

大模型算法及应用开发资深专家，超过10年的AI、数据科学、软件开发和系统架构经验，专注于人工智能生成模型（AIGC）、Python、Java语言方向。现任TsingtaoAI研发及算法项目负责人。陈老师以其深厚的AI技术背景和丰富的实践经验，致力于通过高质量的培训课程帮助学员提升专业AI技能。在金融行业大模型技术的研发和实际落地方面拥有广泛的实践经验，并且多次主导和参与了针对金融行业的大模型技术培训和辅导项目。

教育背景

• 2005.09—2008.07 天津大学 计算机科学与技术 硕士
• 2001.09—2005.07 山东大学 计算机科学与技术 学士

过往培训内容

• 大模型（LLM）技术原理与应用
• 大模型在金融行业的具体落地案例分析
• 金融行业数据分析与智能决策
• 金融科技创新与未来发展趋势
• 机器学习与神经网络基础及进阶
• Python及Java编程语言应用

金融行业研发项目

• 金融智能决策系统：带领团队开发基于大模型技术的金融智能决策系统，应用于多家银行的风险管理与客户推荐系统。
• 智能投顾平台：负责开发的智能投顾平台，帮助个人投资者提供个性化投资建议，提高用户满意度和投资收益。

培训案例

• TsingtaoAI：为公司研发团队进行大模型技术培训，内容涵盖大模型的基本原理、开发实践以及在金融科技和营销业务中的应用。
• 苏泊尔：对IT/AI技术团队进行大模型技术培训，提升团队对大模型技术的理解、掌握和应用能力。
• 建设银行：开展关于大模型技术系统的专题培训，分享大模型系统设计、技术实现及实际应用中的经验和挑战。

相关知识产权和论文：一种基于大模型的金融智能决策方法；智能投顾系统及其实现方法；基于神经网络的金融数据分析方法研究。

工作&专业经验

• TsingtaoAI：研发及算法负责人，负责相应的大模型微调及应用开发，开发产品包括：基于数隐产业图谱的数据流通服务平台；基于GLM大模型的智能客服应用平台；基于多模态大模型的动物X光片智能诊断系统；基于LLM的AIGC应用开发实训平台。负责大模型技术在教育培训中的应用与推广
• 360数科：贷前风控模型专家，根据实际业务需求，搭建完善全生命周期的风控模型产品体系，有效识别客群降低风险；对内外部数据进行特征衍生与挖掘，分析与评估，选择最合适，成本优，效果佳的数据源，平衡商业需求的同时，使得模型产品达到效果；负责项目中模型的研究、开发、部署、监控、维护、优化迭代全流程工作训项目负责人。
• 北京正己基业教育科技有限公司：架构师及算法研发，负责公司SaaS平台的技术架构设计与实施。
• 北京运道科技有限公司：技术负责人，主导智能物流及供应链金融平台的研发与应用。