课程简介
随着大数据、云计算和人工智能技术的不断革新，金融行业正迎来一场前所未有的智能化变革。在这场变革中，生成式AI以其独特的数据生成与处理能力，逐渐成为金融行业转型升级的重要驱动力。生成式AI通过深度学习等先进技术，能够从大量数据中挖掘出潜在的价值，为金融机构提供精准的风险评估、个性化的客户服务以及高效的业务流程管理。
本课程不仅关注AIGC的基础理论与优势，更侧重于其在金融行业中的实战应用。通过丰富的LLM展示案例，展示了AIGC如何助力金融机构实现业务流程的自动化与智能化。同时深入探讨如何使用AIGC提升Python数据分析能力，以及如何选择与应用大模型进行精准的业务预测与决策。此外，面对大模型使用的挑战与数据安全性问题，本课程也将提供针对性的解决方案与应对策略。帮助学员全面掌握AIGC在金融行业中的应用实战技巧，为金融机构的智能化转型提供有力支持。
课程收益
1、帮助学员了解和掌握生成AI的应用场景，技术实现路径和Show Case；
2、帮助学员学会使用生成式AI对数据进行分析和挖掘；
3、帮助学员学会通过生成式AI进行Python编程辅助
受众人群
有数据分析基础和Python基础学员，或在业务上有数据分析需求，希望通过自然语言进行实现的学员
课程周期
1天（6H）
课程大纲
标题 | 授课内容 |
一、AIGC的超能力 | 1. 为什么AIGC的“超能力”能得到人类的认可 2. AIGC的优势与不足 3. Generative Agent |
二、OpenAI开发者大会的影响 | 1. 升级与降价 2. 打造GPTStore生态 3. 对大语言模型生态的冲击和影响 |
三、LLM Show Case | 1. SQL Copilot（银行） 2. BI Copilot（银行） 3. 用户趋势分析（雀巢） 4. 客服会话小结（马上消金） 5. 客服智能排班（平安） 6. AI识图（晶科） 7. 智能客服（银行） 8. 企业内知识助手（奔驰） 9. 自动化测试 10. Design to Code （UI设计稿到代码） |
四、使用AIGC提升Python数据分析能力 | 1. AIGC如何提升Python数据分析 2. 数据分析方法选择 3. 代码编写，代码理解，代码注释 4. 代码Bug修复，代码优化 |
五、如何选择大模型 | 1. 大模型的评测 2. Chat Model：ChatGLM3, Qwen 3. Code Model: CodeGeex2, SQLCoder, WizardCoder-Python 4. 如何让大模型更准确的进行推理 Prompt Engineering的技巧 |
六、数据建模CASE：信用卡违约预测 | 1. 使用AIGC进行数据探索 2. 使用AIGC进行特征工程 3. 使用AIGC编写信用卡违约预测代码 4. 使用AIGC对模型特征重要性进行洞察 |
七、CASE：SQL Copilot（自然语言生成SQL查询） | 1. 如何使用大模型进行SQL辅助 2. 元数据管理 3. 指标定义 4. 通过RAG进行数据增强 5. SQL评测 |
八、CASE：BI Copilot（自然语言生成报表） | 1. 如何使用大模型进行报表辅助 2. 大模型中的Code Interpreter 3. CASE：搭建用户违约分析看板 4. CASE：搭建用户违约模型 |
九、大模型使用的挑战与应对方案 | 1. LLM的“幻觉” 2. 如何通过Prompt Engineering增强LLM推理，减少幻觉 3. LLM推理中的ReAct机制 |
十、数据安全性问题 | 1. 不同层级的数据安全性解决方法 2. Prompt注入 3. 训练数据投毒 4. 模型窃取 5. 海绵攻击 6. AI对齐 |
十一、Q&A | 7. 答疑 |
京ICP备2022035414号-1
