深圳职业技术大学2024届毕业生毕业论文
1. 绪论
1.1 研究背景
1.1.1 大型语言模型技术的进展
- 大型语言模型技术在推理能力、记忆力以及语言理解能力上取得了实质性进展。
- 大型语言模型技术被广泛应用于化工、金融、医药和法律等行业，以提高工作效率。
1.1.2 不良资产处置行业的特点
- 不良资产处置是一门金融与法律专业知识要求极高的行业，以办案难度高、成案收益高的特点在金融界与法律界闻名。
- 不良资产处置业务分为三大阶段：工商内档整备阶段、债权线索分析阶段、执行优化项目阶段。
1.1.3 不良资产处置行业的挑战
- 大型语言模型在不良资产处置领域面临语义模糊和幻觉等问题。
- 通用性强的大型语言模型难以满足从业者的具体业务需求。
1.2 研究介绍
1.2.1 研究目的
- 提高不良资产处置的办案效率。
- 提出一个不良资产处置领域的大语言模型方案：OmeGa Law。
1.2.2 研究内容
- 测试大语言模型在面对不良资产处置项目时的性能和表现。
- 确保大型语言模型在不良资产处置领域的专业性。
1.3 论文结构
1.3.1 章节安排
- 绪论
- 文本类生成式人工智能的概述
- OmeGa Law
- 以化工行业项目处置为例实验
- 结论
文本类生成式人工智能的概述
2. 生成式人工智能的定义
2. 生成式人工智能的定义
####2.1.1 生成式人工智能
- 生成式人工智能是一种涉及机器学习算法的人工智能技术，专注于生成或合成新的数据样本。
- 生成式人工智能依赖于复杂的神经网络架构，如生成对抗网络（GANs）、变分自编码器（VAEs）和自回归模型（Autoregressive Models）。
2.1.2 文本类生成式人工智能
2.1.2 文本类生成式人工智能
- 文本类生成式人工智能技术能够模拟和生成自然语言文本。
- 文本类生成式人工智能通常采用如循环神经网络（RNN）、长短期记忆网络（LSTM）或Transformer架构。
2.1.3 举例：GPT-3
- GPT-3是一个著名的文本类生成式人工智能产品，由OpenAI开发。
- GPT-3的能力包括但不限于生成文章、故事、邮件、代码，以及完成问答和语言翻译等任务。
2.2 生成式人工智能的开发
2.2 生成式人工智能的开发
####2.2.1 开发过程
- 生成式人工智能的开发是一个不断迭代且系统化的过程，涉及数据收集、模型设计、训练、评估和部署。
- 开发人员通过持续集成和持续部署（CI/CD）流程，实现模型的迭代更新和性能提升。
OmeGa Law
3. OmeGa Law的工作机理
3. OmeGa Law的工作机理
####3.1 OmeGa Law的提出背景
- 通用大型模型在不良资产处置领域存在语义模糊和幻觉等问题。
- 需要为不良资产处置领域定制工程与算法开发的大模型。
3.2 OmeGa Law的工作原理
- OmeGa Law利用专业的不良资产处置团队定制的本地数据库检索框架。
- OmeGa Law利用特定领域的外部工具组，降低大模型在不良资产处置的专业问题上的语义模糊与幻觉现象。
以化工行业项目处置为例实验
4. 实验介绍
4. 实验介绍
####4.1 项目前置
- 选择化工行业的不良资产项目作为实验对象。
- 收集和整理相关的数据和信息。
4.2 离线结果
- 利用OmeGa Law进行不良资产处置问题的离线处理。
- 分析离线处理结果，评估OmeGa Law的性能。
4.3 案例研究
- 选取具体的化工行业不良资产项目进行案例研究。
- 分析案例研究结果，验证OmeGa Law在不良资产处置领域的优越性。
结论
5. 结论
- OmeGa Law是业内第一个面向中国不良资产处置领域进行工程与算法开发的生成式人工智能项目。
- OmeGa Law利用专业的不良资产处置团队定制的本地数据库检索框架，对基本模型进行在线调整。
- 实验以化工行业的不良资产项目处置为例，检验表明了OmeGa Law相比通用大模型在不良资产处置领域里输出结果的精确性和稳定性。
- OmeGa Law的成功应用为不良资产处置领域提供了新的解决方案，有望提高从业人员的办案效率。
