商品描述
這是一本從業務和技術雙重視角講解AI大模型如何為供應鏈金融業賦能的著作，
是國內供應鏈金融科技領域的上市企業聯易融的實務經驗總結。
本書立足金融科技前沿，基於供應鏈金融的豐富場景，融合大模型技術的先進概念，創新提出供應鏈金融GPT概念，
旨在為讀者提供一個全新視角，理解AI大模型在供應鏈金融領域的應用機制與工作邏輯。
本書集理論性、技術性、前瞻性和實用性於一體，讀完本書後，讀者能瞭解並掌握以下知識：
(1)AIGC與大模型的基礎知識，以及面臨的挑戰
(2)大模型產業的發展現狀，以及中國的大模型佈局
(3)大模型的原理、架構、訓練與微調等
(4)企業落地大模型的方法，如提示工程、RAG、知識庫與AI Agent等
(5)主流的大模型應用開發工具的原理與使用方法
(6)大模型的監管技術與策略
(7)大模型的評測系統與框架
(8)大模型在金融業的應用場景，以及國內外金融業的大模型佈局
(9)大類型的供應鏈金融場景的大模型解決方案
(10)供應鏈金融大模型的建構過程與評估方法
本書不僅能幫助金融業從業人員深度洞察AI大模型帶來的改變與機會，看清AI時代的發展方向；
而且能引導供應鏈金融企業如何建構自己的大模型，並將大模型應用到不同類別的供應鏈金融場景。
目錄大綱
CONTENTS
目 錄
序言 AI重塑供應鏈金融科技
前言 供應鏈金融新紀元
第1章 進化、協同與創新1
1.1 語言和文字是人類社會的協同工具2
1.2 金融是人類社會生產中的資源協同工具3
1.3 傳統金融：對人不對事5
1.4 供應鏈金融：對事不對人6
1.5 GPT模型：讓機器能夠理解非結構化資料6
1.6 業務場景中連結越長，AI提升的空間越大7
1.7 量變引起質變：金融交易的新時代8
第2章 全面認識AIGC與大模型9
2.1 ChatGPT橫空出世10
2.2 AIGC的發展歷史13
2.3 大模型的能力15
2.3.1 超強的語言組織能力16
2.3.2 垂直領域的能力16
2.3.3 邏輯推理能力18
2.3.4 多模態內容的理解能力19
2.4 大模型的現況20
2.5 國內科技巨頭的大模型佈局23
2.5.1 百度「文心一言」大模型24
2.5.2 阿裡「通義千問」大模型24
2.5.3 騰訊「混元」大模型25
2.5.4 華為「盤古」大模型26
2.5.5 科大訊飛「訊飛星火」大模型26
2.5.6 網易「玉言」大模型27
2.5.7 「360智腦」大模型28
2.5.8 京東「言犀」大模型29
2.5.9 百川智能大模型29
2.5.10 智譜AI ChatGLM大模型30
2.6 開源大模型介紹31
2.7 AIGC未來展望34
第3章 大模型技術解析39
3.1 ChatGPT的工作原理：AI成語接龍40
3.2 早期的自然語言處理技術架構41
3.3 Transformer架構43
3.4 GPT模型的原理與應用45
3.4.1 GPT模型：利用無標籤資料進行預訓練45
3.4.2 GPT模型的建構與訓練過程47
3.5 技術的突破：量變引起質變49
3.5.1 大模型的湧現49
3.5.2 思維鏈52
3.5.3 訓練大模型的軟硬件基礎54
第4章 企業落地大模型的方法59
4.1 AI 原生應用與AI應用落地的選擇60
4.1.1 AI原生應用的特徵60
4.1.2 向AI原生企業轉型的五個階段61
4.1.3 企業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 提示類型66
4.2.3 提示工程的最佳實務69
4.3 RAG與知識庫76
4.3.1 RAG的基本原理 77
4.3.2 RAG架構的演進過程79
4.3.3 RAG的挑戰與未來發展方向81
4.3.4 知識庫的概念82
4.3.5 向量數據庫85
4.3.6 知識圖譜90
4.4 AI Agent99
4.4.1 AI Agent的哲學意義102
4.4.2 AI Agent的架構體系104
4.4.3 AI Agent的實際案例114
4.4.4 AI Agent的社會協同模式116
4.4.5 AI Agent的問題與挑戰118
4.4.6 AI Agent的落地設想121
4.5 模型微調123
4.5.1 大模型微調的意義123
4.5.2 大模型的微調方法126
4.5.3 大模型微調的實踐與挑戰138
4.6 重新訓練大模型145
4.6.1 基礎準備與大模型架構選擇145
4.6.2 資料的收集與處理148
4.6.3 訓練策略154
4.6.4 模型評估與調優156
4.6.5 大模型訓練的案例研究157
4.6.6 模型蒸餾158
4.6.7 挑戰與未來展望159
第5章 大模型開發工具及應用案例161
5.1 常用的大模型開發工具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：重現ChatGPT的對話聊天功能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的運行176
第6章 大模型的挑戰、監理與評測181
6.1 大模型面臨的挑戰182
6.1.1 大模型輸出的不可預測性182
6.1.2 大模型的幻覺現象183
6.1.3 大模型偏見與不公平性185
6.1.4 對抗性攻擊187
6.1.5 大模型的可解釋性188
6.1.6 超級對齊193
6.2 大模型的監理194
6.2.1 AIGC偽造及檢測技術194
6.2.2 大模型隱私與資料外洩195
6.2.3 大模型竊取與智慧財產權保護198
6.2.4 大模型的監理趨勢與因應策略202
6.3 大模型的評測204
6.3.1 大模式的評測體系204
6.3.2 常見的大模型評測體系205
6.3.3 典型的大模型評測架構206
6.3.4 大模式評測的未來方向208
第7章 金融業的大模型209
7.1 金融科技概述210
7.1.1 重要概念210
7.1.2 三個發展階段210
7.1.3 六大特徵212
7.2 國內外發展態勢214
7.2.1 國內發展態勢214
7.2.2 國外發展態勢216
7.3 在金融科技領域應用AIGC的挑戰217
7.4 AIGC在金融科技領域的主要應用情境218
7.4.1 FinChat金融聊天機器人219
7.4.2 智能投資顧問220
7.4.3 量化交易221
7.5 金融業的大模型佈局223
7.5.1 BloombergGPT223
7.5.2 金融機構大模型應用案例224
7.6 開源的金融大模型228
7.7 金融科技大模型的發展與展望235
第8章 供應鏈金融的演進與創新237
8.1 從傳統金融到供應鏈金融的變革238
8.2 供應鏈金融解析239
8.2.1 供應鏈金融的特徵239
8.2.2 供應鏈金融的技術重點240
8.2.3 供應鏈金融的創新242
8.3 供應鏈金融的業務形態243
8.3.1 招標階段243
8.3.2 得標階段245
8.3.3 備貨階段245
8.3.4 到貨階段246
8.3.5 應收階段248
8.3.6 下游顧客經銷商訂貨階段249
8.4 數碼債權憑證254
第9章 AI驅動的供應鏈金融革命257
9.1 大模型誕生前供應鏈金融產業的AI實務258
9.1.1 國外供應鏈金融AI實務258
9.1.2 國內供應鏈金融AI實務260
9.1.3 過於超前的供應鏈金融AI實務267
9.2 大模型誕生前AI的限制270
9.3 AI大模型賦能供應鏈金融273
9.3.1 AI大模型協助行銷與銷售275
9.3.2 AI大模型協助客戶服務與營運支援278
9.3.3 AI大模型輔助軟件開發281
9.3.4 AI大模式助力風控、合規與融資決策284
9.3.5 AI大模型助力企業管理290
9.3.6 AI大模型協助解決產業鏈數碼化斷點292
第10章 供應鏈金融場景及大模型應用展望299
10.1 核心企業主導的供應鏈金融場景300
10.1.1 定義300
10.1.2 運作模式301
10.1.3 核心功能302
10.1.4 面臨的挑戰及大模型解決方案303
10.2 商業銀行主導的供應鏈金融場景306
10.2.1 商業銀行開展供應鏈金融的特性306
10.2.2 商業銀行主導的供應鏈金融案例308
10.2.3 商業銀行主導的供應鏈金融的挑戰與機會310
10.2.4 商業銀行主導的供應鏈金融的大模型解決方案312
10.3 第三方金融科技平臺主導的供應鏈金融場景313
10.3.1 第三方金融科技平臺的應用情境314
10.3.2 第三方金融科技平臺主導的供應鏈金融案例315
10.3.3 第三方金融科技平臺主導的供應鏈金融的特徵317
10.3.4 第三方金融科技平臺主導的供應鏈金融的大模型解決方案318
10.4 物流企業主導的供應鏈金融場景320
10.4.1 物流企業主導的供應鏈金融的特性320
10.4.2 物流企業主導的供應鏈金融案例：UPS與順豐集團321
10.4.3 物流企業主導的供應鏈金融的發展瓶頸324
10.4.4 物流企業主導的供應鏈金融的大模型解決方案326
10.5 建築工程行業的供應鏈金融場景327
10.5.1 建築工程產業的發展特徵327
10.5.2 建築工程產業供應鏈金融的核心需求328
10.5.3 建築工程產業供應鏈金融案例332
10.5.4 建築工程產業供應鏈金融的大模型解決方案333
10.6 醫療產業的供應鏈金融場景336
10.6.1 醫療產業供應鏈金融簡介336
10.6.2 醫療產業供應鏈金融案例337
10.6.3 醫療產業供應鏈金融的發展瓶頸及挑戰339
10.6.4 醫療產業供應鏈金融的大模型解決方案341
10.7 農業的供應鏈金融場景342
10.7.1 農業供應鏈金融的當前發展路徑342
10.7.2 農業供應鏈金融案例：延川四蘋果343
10.7.3 農業供應鏈金融的發展瓶頸及挑戰345
10.7.4 農業供應鏈金融的大模型解決方案347
10.8 直播電商的供應鏈金融場景348
10.8.1 直播電商供應鏈金融的商業模式349
10.8.2 直播電商供應鏈金融案例350
10.8.3 直播電商供應鏈金融的特性352
10.8.4 直播電商供應鏈金融的大模型解決方案353
10.9 基於數據和交易關係的供應鏈金融場景354
10.9.1 基於數據和交易關係的供應鏈金融的特徵354
10.9.2 基於交易關係的供應鏈金融案例356
10.9.3 基於數據和交易信用的供應鏈金融的業務痛點358
10.9.4 基於數據和交易信用的供應鏈金融的大模型解決方案359
第11章 供應鏈金融大模型的建構與評估361
11.1 供應鏈金融大模型的設想與架構設計362
11.1.1 資料、資訊、知識與智慧362
11.1.2 AI時代的學習革命364
11.1.3 大模型時代的軟件架構366
11.1.4 當下的供應鏈金融平臺架構374
11.1.5 In-Chat App平臺+供應鏈金融大模型376
11.2 供應鏈金融大模型的開發訓練流程390
11.2.1 SCF-GPT模型訓練的規劃390
11.2.2 SCF-GPT模型訓練三階段的設想392
11.2.3 SCF-GPT 1.0：對話訓練394
11.2.4 SCF-GPT 2.0：多模態資料訓練397
11.2.5 SCF-GPT 3.0：數碼孿生訓練400
11.3 供應鏈金融大模型實務：AI智慧審單專案405
11.3.1 專案背景與挑戰406
11.3.2 大模型技術在文件處理的潛力407
11.3.3 LDP框架407
11.3.4 LDP 架構面臨的挑戰與解決方案411
11.3.5 大模型效能最佳化措施416
11.3.6 總結417
11.4 供應鏈金融大模式評測體系417
11.4.1 標準問題集的評估418
11.4.2 結合實際業務的評估423
11.4.3 總結424
