描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111765080
（1）作者背景资深：本书由国内供应链金融科技领域上市企业联易融（股票代码为09959.HK）官方出品。（2）内容全面系统：从基础理论到技术解析，再到实际应用案例，构建了一个层次分明、逻辑清晰的知识体系。（3）逻辑严密，有理有据：既有严谨的技术分析，又有大量来源翔实的实例和数据支持，语言准确，内容客观。（4）案例丰富，实操性强：有丰富的产品展示，有具体的方法和步骤，有详尽的案例分析，易于理解，便于操作。
内容简介这是一部从业务和技术双重视角讲解AI大模型如何为供应链金融行业赋能的著作，是国内供应链金融科技领域的上市企业联易融的实践经验总结。本书立足金融科技前沿，基于供应链金融的丰富场景，融合大模型技术的先进理念，创新性地提出供应链金融GPT概念，旨在为读者提供一个全新视角，理解AI大模型在供应链金融领域的应用机制和工作逻辑。本书集理论性、技术性、前瞻性和实用性于一体，读完本书后，读者能了解和掌握以下知识：?AIGC与大模型的基础知识，以及面临的挑战?大模型行业的发展现状，以及中国的大模型布局?大模型的原理、架构、训练与微调等?企业落地大模型的方法，如提示工程、RAG、知识库与AI Agent等?主流的大模型应用开发工具的原理和使用方法?大模型的监管技术与策略?大模型的评测体系与框架?大模型在金融行业的应用场景，以及国内外金融行业的大模型布局?9大类型的供应链金融场景的大模型解决方案?供应链金融大模型的构建过程和评估方法本书不仅能帮助金融行业从业者深度洞察AI大模型带来的变革与机会，看清AI时代的发展方向；而且能指导供应链金融企业如何构建自己的大模型，并将大模型应用到不同类别的供应链金融场景中。
CONTENTS
目 录
序言 AI重塑供应链金融科技
前言 供应链金融新纪元
第1章 进化、协同与创新1
1.1 语言和文字是人类社会的协同工具2
1.2 金融是人类社会生产中的资源协同工具3
1.3 传统金融：对人不对事5
1.4 供应链金融：对事不对人6
1.5 GPT模型：让机器能够理解非结构化数据6
1.6 业务场景中链路越长，AI提升的空间越大7
1.7 量变引起质变：金融交易的新时代8
第2章 全面认识AIGC与大模型9
2.1 ChatGPT横空出世10
2.2 AIGC的发展历史13
2.3 大模型的能力15
2.3.1 超强的语言组织能力16
2.3.2 垂直领域的能力16
2.3.3 逻辑推理能力18
2.3.4 多模态内容的理解能力19
2.4 大模型的现状20
2.5 国内科技巨头的大模型布局23
2.5.1 百度“文心一言”大模型24
2.5.2 阿里“通义千问”大模型24
2.5.3 腾讯“混元”大模型25
2.5.4 华为“盘古”大模型26
2.5.5 科大讯飞“讯飞星火”大模型26
2.5.6 网易“玉言”大模型27
2.5.7 “360智脑”大模型28
2.5.8 京东“言犀”大模型29
2.5.9 百川智能大模型29
2.5.10 智谱AI ChatGLM大模型30
2.6 开源大模型介绍31
2.7 AIGC未来展望34
第3章 大模型技术解析39
3.1 ChatGPT的工作原理：AI成语接龙40
3.2 早期的自然语言处理技术架构41
3.3 Transformer架构43
3.4 GPT模型的原理与应用45
3.4.1 GPT模型：利用无标签数据进行预训练45
3.4.2 GPT模型的构建与训练过程47
3.5 技术的突破：量变引起质变49
3.5.1 大模型的涌现49
3.5.2 思维链52
3.5.3 训练大模型的软硬件基础54
第4章 企业落地大模型的方法59
4.1 AI 原生应用和AI应用落地的选择60
4.1.1 AI原生应用的特征60
4.1.2 向AI原生企业转型的五个阶段61
4.1.3 企业落地大模型的常用方法63
4.2 提示工程64
4.2.1 提示工程的作用65
4.2.2 提示类型66
4.2.3 提示工程的最佳实践69
4.3 RAG与知识库76
4.3.1 RAG的基本原理 77
4.3.2 RAG架构的演变过程79
4.3.3 RAG的挑战与未来发展方向81
4.3.4 知识库的概念82
4.3.5 向量数据库85
4.3.6 知识图谱90
4.4 AI Agent99
4.4.1 AI Agent的哲学意义102
4.4.2 AI Agent的架构体系104
4.4.3 AI Agent的实际案例114
4.4.4 AI Agent的社会协同模式116
4.4.5 AI Agent的问题和挑战118
4.4.6 AI Agent的落地设想121
4.5 模型微调123
4.5.1 大模型微调的意义123
4.5.2 大模型的微调方法126
4.5.3 大模型微调的实践与挑战138
4.6 重新训练大模型145
4.6.1 基础准备与大模型架构选择145
4.6.2 数据的收集与处理148
4.6.3 训练策略154
4.6.4 模型评估和调优156
4.6.5 大模型训练的案例研究157
4.6.6 模型蒸馏158
4.6.7 挑战与未来展望159
第5章 大模型开发工具及应用案例161
5.1 常用的大模型开发工具162
5.1.1 LangChain164
5.1.2 LlamaIndex166
5.1.3 Dify.AI167
5.1.4 OpenAgents168
5.1.5 AgentGPT168
5.1.6 ModelScopeGPT170
5.2 案例：重现ChatGPT的对话聊天功能171
5.2.1 Langchain-Chatchat171
5.2.2 Langchain-Chatchat的工作原理172
5.2.3 Langchain-Chatchat的部署174
5.2.4 Langchain-Chatchat的运行176
第6章 大模型的挑战、监管与评测181
6.1 大模型面临的挑战182
6.1.1 大模型输出的不可预测性182
6.1.2 大模型的幻觉现象183
6.1.3 大模型偏见与不公平性185
6.1.4 对抗性攻击187
6.1.5 大模型的可解释性188
6.1.6 超级对齐193
6.2 大模型的监管194
6.2.1 AIGC伪造及检测技术194
6.2.2 大模型隐私和数据泄露195
6.2.3 大模型窃取与知识产权保护198
6.2.4 大模型的监管趋势与应对策略202
6.3 大模型的评测204
6.3.1 大模型的评测体系204
6.3.2 常见的大模型评测体系205
6.3.3 典型的大模型评测框架206
6.3.4 大模型评测的未来方向208
第7章 金融行业的大模型209
7.1 金融科技概述210
7.1.1 重要概念210
7.1.2 三个发展阶段210
7.1.3 六大特征212
7.2 国内外发展态势214
7.2.1 国内发展态势214
7.2.2 国外发展态势216
7.3 在金融科技领域应用AIGC的挑战217
7.4 AIGC在金融科技领域的主要应用场景218
7.4.1 FinChat金融聊天机器人219
7.4.2 智能投资顾问220
7.4.3 量化交易221
7.5 金融行业的大模型布局223
7.5.1 BloombergGPT223
7.5.2 金融机构大模型应用案例224
7.6 开源的金融大模型228
7.7 金融科技大模型的发展与展望235
第8章 供应链金融的演进与创新237
8.1 从传统金融到供应链金融的变革238
8.2 供应链金融解析239
8.2.1 供应链金融的特点239
8.2.2 供应链金融的技术侧重点240
8.2.3 供应链金融的创新242
8.3 供应链金融的业务形态243
8.3.1 招标阶段243
8.3.2 中标阶段245
8.3.3 备货阶段245
8.3.4 到货阶段246
8.3.5 应收阶段248
8.3.6 下游客户经销商订货阶段249
8.4 数字债权凭证254
第9章 AI驱动的供应链金融革命257
9.1 大模型诞生之前供应链金融行业的AI实践258
9.1.1 国外供应链金融AI实践258
9.1.2 国内供应链金融AI实践260
9.1.3 过于超前的供应链金融AI实践267
9.2 大模型诞生之前AI的限制270
9.3 AI大模型赋能供应链金融273
9.3.1 AI大模型助力市场营销与销售275
9.3.2 AI大模型助力客户服务与运营支持278
9.3.3 AI大模型助力软件开发281
9.3.4 AI大模型助力风控、合规和融资决策284
9.3.5 AI大模型助力企业管理290
9.3.6 AI大模型助力解决产业链数字化断点292
第10章 供应链金融场景及大模型应用展望299
10.1 核心企业主导的供应链金融场景300
10.1.1 定义300
10.1.2 运作模式301
10.1.3 核心功能302
10.1.4 面临的挑战及大模型解决方案303
10.2 商业银行主导的供应链金融场景306
10.2.1 商业银行开展供应链金融的特点306
10.2.2 商业银行主导的供应链金融案例308
10.2.3 商业银行主导的供应链金融的挑战和机遇310
10.2.4 商业银行主导的供应链金融的大模型解决方案312
10.3 第三方金融科技平台主导的供应链金融场景313
10.3.1 第三方金融科技平台的应用场景314
10.3.2 第三方金融科技平台主导的供应链金融案例315
10.3.3 第三方金融科技平台主导的供应链金融的特点317
10.3.4 第三方金融科技平台主导的供应链金融的大模型解决方案318
10.4 物流企业主导的供应链金融场景320
10.4.1 物流企业主导的供应链金融的特点320
10.4.2 物流企业主导的供应链金融案例：UPS和顺丰集团321
10.4.3 物流企业主导的供应链金融的发展瓶颈324
10.4.4 物流企业主导的供应链金融的大模型解决方案326
10.5 建筑工程行业的供应链金融场景327
10.5.1 建筑工程行业的发展特征327
10.5.2 建筑工程行业供应链金融的核心需求328
10.5.3 建筑工程行业供应链金融案例332
10.5.4 建筑工程行业供应链金融的大模型解决方案333
10.6 医疗行业的供应链金融场景336
10.6.1 医疗行业供应链金融简介336
10.6.2 医疗行业供应链金融案例337
10.6.3 医疗行业供应链金融的发展瓶颈及挑战339
10.6.4 医疗行业供应链金融的大模型解决方案341
10.7 农业的供应链金融场景342
10.7.1 农业供应链金融的当前发展路径342
10.7.2 农业供应链金融案例：延川四苹果343
10.7.3 农业供应链金融的发展瓶颈及挑战345
10.7.4 农业供应链金融的大模型解决方案347
10.8 直播电商的供应链金融场景348
10.8.1 直播电商供应链金融的商业模式349
10.8.2 直播电商供应链金融案例350
10.8.3 直播电商供应链金融的特点352
10.8.4 直播电商供应链金融的大模型解决方案353
10.9 基于数据和交易关系的供应链金融场景354
10.9.1 基于数据和交易关系的供应链金融的特点354
10.9.2 基于交易关系的供应链金融案例356
10.9.3 基于数据和交易信用的供应链金融的业务痛点358
10.9.4 基于数据和交易信用的供应链金融的大模型解决方案359
第11章 供应链金融大模型的构建和评估361
11.1 供应链金融大模型的设想与架构设计362
11.1.1 数据、信息、知识和智慧362
11.1.2 AI时代的学习革命364
11.1.3 大模型时代的软件架构366
11.1.4 当下的供应链金融平台架构374
11.1.5 In-Chat App平台 供应链金融大模型376
11.2 供应链金融大模型的开发训练过程390
11.2.1 SCF-GPT模型训练的规划390
11.2.2 SCF-GPT模型训练三阶段的设想392
11.2.3 SCF-GPT 1.0：对话训练394
11.2.4 SCF-GPT 2.0：多模态数据训练397
11.2.5 SCF-GPT 3.0：数字孪生训练400
11.3 供应链金融大模型实践：AI智能审单项目405
11.3.1 项目背景与挑战406
11.3.2 大模型技术在文档处理方面的潜力407
11.3.3 LDP框架407
11.3.4 LDP 框架面临的挑战与解决方案411
11.3.5 大模型性能优化措施416
11.3.6 总结417
11.4 供应链金融大模型评测体系417
11.4.1 标准问题集的评估418
11.4.2 结合实际业务的评估423
11.4.3 总结424
评论
还没有评论。