一、议题说明在人工智能技术不断进步的今天，大语言模型在各行各业的应用愈发广泛。然而，面对众多的大语言模型，如何科学、合理地选择最适合企业和开发者需求的模型，成为了一个关键问题。本议题的目标是深入探讨构建科学的大语言模型选型评估框架，以及应包含哪些评选维度，旨在帮...(more)

一、议题说明随着人工智能技术的不断突破，大模型在众多领域开始显现其巨大潜力。在运维领域，我们看到一些领先的企业正在运用大模型赋能稳定性保障工作，比如利用大模型赋能IT服务台与知识库管理的服务质量、辅助编写脚本、与ChatOps结合打造高效的协同效率、辅助进行故障定...(more)

一、引言在实际搭建日志中心的过程中，对于架构选项有很多疑惑，甚至技术栈不清楚用哪些，由于本身是日志模块，属于系统的侧面，该场景下，大部分用户对于日志数据的专业性要求并不是很多，故而会一昧的使用传统的ELK（Elasticsearch+logstash+kibana）的架构模式，来构建日志模块或简易的日...(more)

一、议题说明：在过去数年间的数字化、数智化浪潮下，银行等金融机构对于智能风控、模型算法早已不再陌生。在风控领域，模型广泛地应用于舆情监测、客户关系挖掘、客户评级、异常预警等场景，也积累了大量的规则和算法，并产生了较大的价值。以商业银行为例，此前，银行数字化转型的本...(more)

引言提及Redis，大多数从事IT工作的都知道它是一种非常快的数据库。如果进一步问它为什么那么快，可能大多数人会回答“它是运行在内存里的数据库，所以快”。其实Redis是因为很多维度的创新才支撑了“快”的评价。如果我们了解了它在数据模型、处理模式等方面的特点，就会更加了...(more)

一、主题说明：该主题探讨了当大型模型产生极端错误回答时，如果得到良好处理，对企业用户有哪些好处。答案涉及到错误处理的重要性，包括及时发现和纠正错误可以提高企业对模型的信任度，确保决策基于准确信息。另外，通过监控模型性能、实施强化学习以及分析错误，企业能够不断改进模...(more)

信息化时代，我们通过线上系统将传统线下工作重新做了一遍；互联网时代，用连接打破了交流的界限；数字化时代以数据驱动重塑商业模式。那么，在稳定性保障领域，大模型如何破局，打破那张“看起来惊艳，又使不上力”的纱，用全新方式引领我们重塑稳定性保障呢？一、AIOps的演进在Gartner还没...(more)

一、议题说明：随着新技术的革新，大模型从感知智能向认知智能跃迁,具备了一定的推理能力，在金融服务领域拥有良好的应用前景。基于大模型技术，金融机构可以更好地理解和响应用户需求，让产品和用户需求更精准地匹配。利用深度学习、强化学习、迁移学习等技术，融合金融行业的知识...(more)

LLM（LargeLanguageModel）大模型的可观测性是指对模型内部运行过程的理解和监控能力。由于LLM大模型通常具有庞大的参数量和复杂的网络结构，因此对其内部状态和运行过程的理解和监控是一个重要的问题。什么是LangChain？LangChain是一个开源的应用开发框架，旨在将大型语言模型（LL...(more)

自然语言处理（NLP）是人工智能领域中一项重要的研究方向，涉及机器对人类语言进行理解和生成。然而，语言的复杂性和多样性使得处理自然语言任务成为一项极具挑战性的任务。在这个领域中，LLMTraining扮演着至关重要的角色。LLMTraining可以被看作是一次模型的深度学习之旅，通过高...(more)