封面
前折页
书名页
版权
本书顾问
本书作者
序言 AI重塑供应链金融科技
前言 供应链金融新纪元
第1章 进化、协同与创新
 1.1 语言和文字是人类社会的协同工具
 1.2 金融是人类社会生产中的资源协同工具
 1.3 传统金融：对人不对事
 1.4 供应链金融：对事不对人
 1.5 GPT模型：让机器能够理解非结构化数据
 1.6 业务场景中链路越长，AI提升的空间越大
 1.7 量变引起质变：金融交易的新时代
第2章 全面认识AIGC与大模型
 2.1 ChatGPT横空出世
 2.2 AIGC的发展历史
 2.3 大模型的能力
  2.3.1 超强的语言组织能力
  2.3.2 垂直领域的能力
  2.3.3 逻辑推理能力
  2.3.4 多模态内容的理解能力
 2.4 大模型的现状
 2.5 国内科技巨头的大模型布局
  2.5.1 百度“文心一言”大模型
  2.5.2 阿里“通义千问”大模型
  2.5.3 腾讯“混元”大模型
  2.5.4 华为“盘古”大模型
  2.5.5 科大讯飞“讯飞星火”大模型
  2.5.6 网易“玉言”大模型
  2.5.7 “360智脑”大模型
  2.5.8 京东“言犀”大模型
  2.5.9 百川智能大模型
  2.5.10 智谱AI ChatGLM大模型
 2.6 开源大模型介绍
 2.7 AIGC未来展望
第3章 大模型技术解析
 3.1 ChatGPT的工作原理：AI成语接龙
 3.2 早期的自然语言处理技术架构
 3.3 Transformer架构
 3.4 GPT模型的原理与应用
  3.4.1 GPT模型：利用无标签数据进行预训练
  3.4.2 GPT模型的构建与训练过程
 3.5 技术的突破：量变引起质变
  3.5.1 大模型的涌现
  3.5.2 思维链
  3.5.3 训练大模型的软硬件基础
第4章 企业落地大模型的方法
 4.1 AI原生应用和AI应用落地的选择
  4.1.1 AI原生应用的特征
  4.1.2 向AI原生企业转型的五个阶段
  4.1.3 企业落地大模型的常用方法
 4.2 提示工程
  4.2.1 提示工程的作用
  4.2.2 提示类型
  4.2.3 提示工程的最佳实践
 4.3 RAG与知识库
  4.3.1 RAG的基本原理
  4.3.2 RAG架构的演变过程
  4.3.3 RAG的挑战与未来发展方向
  4.3.4 知识库的概念
  4.3.5 向量数据库
  4.3.6 知识图谱
 4.4 AI Agent
  4.4.1 AI Agent的哲学意义
  4.4.2 AI Agent的架构体系
  4.4.3 AI Agent的实际案例
  4.4.4 AI Agent的社会协同模式
  4.4.5 AI Agent的问题和挑战
  4.4.6 AI Agent的落地设想
 4.5 模型微调
  4.5.1 大模型微调的意义
  4.5.2 大模型的微调方法
  4.5.3 大模型微调的实践与挑战
 4.6 重新训练大模型
  4.6.1 基础准备与大模型架构选择
  4.6.2 数据的收集与处理
  4.6.3 训练策略
  4.6.4 模型评估和调优
  4.6.5 大模型训练的案例研究
  4.6.6 模型蒸馏
  4.6.7 挑战与未来展望
第5章 大模型开发工具及应用案例
 5.1 常用的大模型开发工具
  5.1.1 LangChain
  5.1.2 LlamaIndex
  5.1.3 Dify.AI
  5.1.4 OpenAgents
  5.1.5 AgentGPT
  5.1.6 ModelScopeGPT
 5.2 案例：重现ChatGPT的对话聊天功能
  5.2.1 Langchain-Chatchat
  5.2.2 Langchain-Chatchat的工作原理
  5.2.3 Langchain-Chatchat的部署
  5.2.4 Langchain-Chatchat的运行
第6章 大模型的挑战、监管与评测
 6.1 大模型面临的挑战
  6.1.1 大模型输出的不可预测性
  6.1.2 大模型的幻觉现象
  6.1.3 大模型偏见与不公平性
  6.1.4 对抗性攻击
  6.1.5 大模型的可解释性
  6.1.6 超级对齐
 6.2 大模型的监管
  6.2.1 AIGC伪造及检测技术
  6.2.2 大模型隐私和数据泄露
  6.2.3 大模型窃取与知识产权保护
  6.2.4 大模型的监管趋势与应对策略
 6.3 大模型的评测
  6.3.1 大模型的评测体系
  6.3.2 常见的大模型评测体系
  6.3.3 典型的大模型评测框架
  6.3.4 大模型评测的未来方向
第7章 金融行业的大模型
 7.1 金融科技概述
  7.1.1 重要概念
  7.1.2 三个发展阶段
  7.1.3 六大特征
 7.2 国内外发展态势
  7.2.1 国内发展态势
  7.2.2 国外发展态势
 7.3 在金融科技领域应用AIGC的挑战
 7.4 AIGC在金融科技领域的主要应用场景
  7.4.1 FinChat金融聊天机器人
  7.4.2 智能投资顾问
  7.4.3 量化交易
 7.5 金融行业的大模型布局
  7.5.1 BloombergGPT
  7.5.2 金融机构大模型应用案例
 7.6 开源的金融大模型
 7.7 金融科技大模型的发展与展望
第8章 供应链金融的演进与创新
 8.1 从传统金融到供应链金融的变革
 8.2 供应链金融解析
  8.2.1 供应链金融的特点
  8.2.2 供应链金融的技术侧重点
  8.2.3 供应链金融的创新
 8.3 供应链金融的业务形态
  8.3.1 招标阶段
  8.3.2 中标阶段
  8.3.3 备货阶段
  8.3.4 到货阶段
  8.3.5 应收阶段
  8.3.6 下游客户经销商订货阶段
 8.4 数字债权凭证
第9章 AI驱动的供应链金融革命
 9.1 大模型诞生之前供应链金融行业的AI实践
  9.1.1 国外供应链金融AI实践
  9.1.2 国内供应链金融AI实践
  9.1.3 过于超前的供应链金融AI实践
 9.2 大模型诞生之前AI的限制
 9.3 AI大模型赋能供应链金融
  9.3.1 AI大模型助力市场营销与销售
  9.3.2 AI大模型助力客户服务与运营支持
  9.3.3 AI大模型助力软件开发
  9.3.4 AI大模型助力风控、合规和融资决策
  9.3.5 AI大模型助力企业管理
  9.3.6 AI大模型助力解决产业链数字化断点
第10章 供应链金融场景及大模型应用展望
 10.1 核心企业主导的供应链金融场景
  10.1.1 定义
  10.1.2 运作模式
  10.1.3 核心功能
  10.1.4 面临的挑战及大模型解决方案
 10.2 商业银行主导的供应链金融场景
  10.2.1 商业银行开展供应链金融的特点
  10.2.2 商业银行主导的供应链金融案例
  10.2.3 商业银行主导的供应链金融的挑战和机遇
  10.2.4 商业银行主导的供应链金融的大模型解决方案
 10.3 第三方金融科技平台主导的供应链金融场景
  10.3.1 第三方金融科技平台的应用场景
  10.3.2 第三方金融科技平台主导的供应链金融案例
  10.3.3 第三方金融科技平台主导的供应链金融的特点
  10.3.4 第三方金融科技平台主导的供应链金融的大模型解决方案
 10.4 物流企业主导的供应链金融场景
  10.4.1 物流企业主导的供应链金融的特点
  10.4.2 物流企业主导的供应链金融案例：UPS和顺丰集团
  10.4.3 物流企业主导的供应链金融的发展瓶颈
  10.4.4 物流企业主导的供应链金融的大模型解决方案
 10.5 建筑工程行业的供应链金融场景
  10.5.1 建筑工程行业的发展特征
  10.5.2 建筑工程行业供应链金融的核心需求
  10.5.3 建筑工程行业供应链金融案例
  10.5.4 建筑工程行业供应链金融的大模型解决方案
 10.6 医疗行业的供应链金融场景
  10.6.1 医疗行业供应链金融简介
  10.6.2 医疗行业供应链金融案例
  10.6.3 医疗行业供应链金融的发展瓶颈及挑战
  10.6.4 医疗行业供应链金融的大模型解决方案
 10.7 农业的供应链金融场景
  10.7.1 农业供应链金融的当前发展路径
  10.7.2 农业供应链金融案例：延川四苹果
  10.7.3 农业供应链金融的发展瓶颈及挑战
  10.7.4 农业供应链金融的大模型解决方案
 10.8 直播电商的供应链金融场景
  10.8.1 直播电商供应链金融的商业模式
  10.8.2 直播电商供应链金融案例
  10.8.3 直播电商供应链金融的特点
  10.8.4 直播电商供应链金融的大模型解决方案
 10.9 基于数据和交易关系的供应链金融场景
  10.9.1 基于数据和交易关系的供应链金融的特点
  10.9.2 基于交易关系的供应链金融案例
  10.9.3 基于数据和交易信用的供应链金融的业务痛点
  10.9.4 基于数据和交易信用的供应链金融的大模型解决方案
第11章 供应链金融大模型的构建和评估
 11.1 供应链金融大模型的设想与架构设计
  11.1.1 数据、信息、知识和智慧
  11.1.2 AI时代的学习革命
  11.1.3 大模型时代的软件架构
  11.1.4 当下的供应链金融平台架构
  11.1.5 In-Chat App平台+供应链金融大模型
 11.2 供应链金融大模型的开发训练过程
  11.2.1 SCF-GPT模型训练的规划
  11.2.2 SCF-GPT模型训练三阶段的设想
  11.2.3 SCF-GPT 1.0：对话训练
  11.2.4 SCF-GPT 2.0：多模态数据训练
  11.2.5 SCF-GPT 3.0：数字孪生训练
 11.3 供应链金融大模型实践：AI智能审单项目
  11.3.1 项目背景与挑战
  11.3.2 大模型技术在文档处理方面的潜力
  11.3.3 LDP框架
  11.3.4 LDP框架面临的挑战与解决方案
  11.3.5 大模型性能优化措施
  11.3.6 总结
 11.4 供应链金融大模型评测体系
  11.4.1 标准问题集的评估
  11.4.2 结合实际业务的评估
  11.4.3 总结
后折页
封底