大模型在金融领域落地时会遇到哪些坑？

此之外我们在倡导全过程当中也详见了零售业资深大哥关于等价海量应用于的论述，很有用，引用如下：

首先，向分析方法就不是唯一由此可知，也不是正因如此片当中均值由此可知。

**第一，向分析方法最简单是有并能上限的。**关键字引擎付诸语义关键字已经是好几年的事情了，为什么以前未上线，自然有他的最简单精确度瓶颈缺陷。

第二，本质是最简单缺陷(即找寻语义相似方)，NLP领都从当初也有来得雄伟，来得极高效的建议书，只是这波狂潮里，很多以前不用接触过AI的好朋友对之不感兴趣罢了。

**第三，甚至不用AI应用，用精确MVSOL、用作法规则也是一种由此可知法，其至是不可忽视由此可知法。**旧AI时代的的产品同学亦会非常感兴趣这种“用规则/作法/的产品设计”来太少AI并能赢弱的缺陷通通现在是因为零售业早期，大家被LLM的并能遗漏误以为，并且以往的产品老板的音调还不用发出来而已。

**其次，在引入之外部方这个事情上，如果是比如说专业人士的领都从，纯粹依赖等价、NLP、作法/规则在某些片当中即使如此不扭转局势。**因为静态首先只能借助那个领都从的专业人士方，才能在这样一个系统化并能的加持下，用向分析方法等行为来快速地彻底由此可知决之外部方引入缺陷。

当在静态在基本方当中缺乏、或有遗漏地深造到某些背景方，即使他有之外部海量加持也是在先的最终，免得管有不用有90%亦会被彻底由此可知决，对于某个具体情况经营范围而言，不用有90%，只有100%和0%；

用等价海量的补丁作法，这个认知很有必要。

1、**把摘要都从细化，**给检索评注界定，打关键字处理，以变大改派目标都从，强化之之外性。

2、降低摘要演算。如缺陷与句子应该之之外，句子应该可以问到其他用户缺陷的确认演算，拒答演算。

3、多种不同种类摘要的分流演算。打个比方，问辞典，问医药，问证券市场，前行多种不同的问到演算。

4、用作多重改派演算。基于等价，基于领都从等价，基于es，基于编辑距离等，前行投票作法。

5、**降低转化成前确认，转化成后确认演算。**前者确认适合应该该问到，应该该拒答，后者确认应该对自己问到有置信。

海量的关键字互动改进：借助于GIO透过道德上数据资料观测，P@3、P@5前面的准确度指标

大静态的热度已经极高了很喜了，但我们和各位同行的老师谈天，注意到在证券市场零售业经营范围凌空的应用于还是在透过时，比如说是在是要能显现出经营范围效益的凌空当中还是亦会巧遇各种缺陷，因此希望倾听我们巧遇的缺陷和探险的充分努力也在想到此类项目的好朋友避坑，当然我们的原理未必是均值由此可知，如大家有来得快的原理和应用于方向，期望很难交流！

本文由 @蛋糕 Tina 原创刊发于人人都是的产品老板，私自所写许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文论者极少代表所写本人，人人都是的产品老板平台极少提供信息存储空间零售商服务。