金融智能化变革：大模型与知识工程的进化

340 0 0

文章摘要

在FCon全球金融科技大会上，文因互联董事长兼创始人鲍捷博士发表了题为《精益地打造金融专家智能体》的演讲，探讨了精益思想和提示工程在金融领域大模型应用的重要性。鲍捷指出，精益思想强调以更少的资源解决问题，而人工智能领域的核心问题在于如何经济高效地实现目标。他回顾了知识工程的历史，强调降低成本始终是其核心问题，并提到了机器学习、深度学习等技术的发展都是为了降低从数据中提取知识的成本。

鲍捷通过Aura项目的例子，说明了20年前人工智能实践的复杂性和高成本。他指出，当时的人工智能项目依赖于将知识手动转化为规则语言，并使用推理机进行复杂逻辑和计算。然而，这些方法的成本极高，且准确率有限。他比较了过去和现在的技术，强调大模型时代的到来如何改变了知识系统构建的方法，包括扩展性、数据处理能力、自然语言的使用、外部数据的利用、多种方法的结合、综合成本的降低、问答系统的发展、知识图谱的必要性、知识建模的手工方法、以及平衡颗粒度和成本等方面。

鲍捷认为，AI的落地关键在于工程实践和基础建设，而非单纯的科学或技术。他强调了工程的本质在于处理细节和解决实际问题，并提到了软件工程也需要遵循工程原则，包括严格的质量控制和精细的工艺流程。他还提到，数据清理是解决大模型问题的关键。

在讨论大模型时，鲍捷提到了“小数据”的概念，强调了数据的价值、真实性和多能性。他认为，大模型是一种知识模型，代表了数据的高级形式，并强调了从基础做起，务实地处理运维、数据库和数据清洗等基础工作的重要性。

鲍捷还探讨了提示工程在知识建模中的应用，将其视为一种革命性的进步。他提到，提示工程为知识建模提供了一种自然语言的表达方式，使得非传统意义上的工程师也能参与到优化工作中来。他还介绍了S2PI方法论，这是一种系统化的提示词设计方法，包括结构、补充、属性和输入四个要点。

最后，鲍捷通过两个案例展示了基于提示工程的文本抽取和业务建模的应用。他强调了JIT数据生成的重要性，并提到了在招股书等文档类型中使用大模型技术进行文本抽取的复杂性。他还提到了通过改变提示词来提高准确率的技巧，以及提示工程实验室的年轻成员如何通过编写中文和具备逻辑思维能力来实现显著的成果。

鲍捷的演讲总结了大模型时代下金融领域智能化的关键驱动力，并展示了新技术如何帮助金融企业实现降本增效，推动行业进入智能决策的新时代。