不可否认使用公有大模型能够非常有效的减轻开发部署成本,但是金融行业的特殊敏感性可能不能在任何场景下都使用公有大模型。我认为应该在不同的环境中选择不同的应用,如果是离线环境,确保没有任何隐私数据的环境,可使用大
大模型微调的过程,如果能够蒸馏出一个较小的模型,灾难性遗忘的影响能够缓解。同时在特定场景数据集上表现也会更好。此外,回顾之前的样本也能够有效避免灾难性遗忘。
金融行业经常会面临一些长尾风险,往往长尾风险会导致很大的损失。自然语言大模型作为泛化能力很强的模型,在长尾场景的表现却往往不尽人意。但是金融行业作为对长尾非常敏感的行业,不能忽视长尾带来的巨大风险。我认为,在
如果此问题的关键点在于是否要自研‘训练’大模型,我个人认为是不必要的。但是如果是指自研‘微调’大模型我认为很有必要。目前各种语言类大模型能够胜任各种自然语言处理的任务,但是训练成本非常高昂,尤其是各个银行如
结合提问者的的问题,我个人认为金融行业中的数据应该进行严格的隔离,不管在大模型应用过程中还是整个数据建设的过程中,数据安全应该放在核心。对相关数据进行脱敏和隔离是很有必要的。可从数据加密、身份验证与授权、安
我个人认为应该结合大模型实际带来的业务效果来进行评估,具体问题应该分析,比如,大模型在项目中提高的效率,节约的成本等,在进行优化的过程中应该更多聚焦于业务的优化。
关于TWT使用指南社区专家合作厂商入驻社区企业招聘投诉建议版权与免责声明联系我们 © 2024 talkwithtrend — talk with trend,talk with technologist京ICP备09031017号-30