LLM Agent之数据库应用设计

已于 2024-01-25 20:43:26 修改
阅读量1.1k 收藏 21
点赞数 30
文章标签： 数据库 oracle 人工智能 深度学习 机器学习 大模型
于 2024-01-04 09:15:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81888214/article/details/135369223
版权

上一章我们主要讲搜索引擎和LLM的应用设计，这一章我们来唠唠大模型和DB数据库之间的交互方案。有很多数据平台已经接入，可以先去玩玩再来看下面的实现方案，推荐

  • sql translate：简单，文本到SQL，SQL到文本双向翻译，新手体验

  • ai2sql：功能更全，包括语法检查，格式化等

  • chat2query：可处理复杂query和实时数据

  • OuterBase：加入电子表格的交互和可视化模块

本章会提到的前置知识点有Chain-of-thought，Least-to-Most Prompt，Self-Consistency Prompt，建议不熟悉的同学先看下解密Prompt系列9. 模型复杂推理-思维链基础和进阶玩法

DB Agent设计

和数据库进行交互的应用设计，主要涉及以下几个子模块

  • Decomposition：把SQL生成任务，拆分成先定位表，再定位表字段，最后基于以上信息生成SQL的多个子问题，降低每一步的任务难度，和上文输入的长度

  • Schema Linking：数据表较多的数据库，不能一次性把所有表schema都作为上文输入，需要先针对问题筛选相关的数据表和相关字段

  • Schema description：如何描述Table和Column让模型更好理解每张表是做什么的，每个字段有哪些含义。以及在真实世界中庞大数据库中的表字段往往存在很多噪音，甚至需要领域知识，和详细字段描述才能明确每张表每个字段究竟是做什么的。

  • self-correction：对SQL执行结果，或者代码本身进行自我修正，提高SQL语句准确率

下面我们分别基于C3, DIN-SQL, SQL-PALM，BIRD这四篇论文了解DB应用中可以提升SQL生成效果的各个子模块，前三篇都是基于传统的Spider数据集，BIRD则提出了全新的难度更高更符合真实世界应用的新基准A Big Bench for Large-Scale Database Grounded Text-to-SQLs

DIN-SQL

>

img

DIN-SQL是当前Spider榜单上的榜一大哥。走的是子问题拆解的方案，把SQL生成的任务像思维链一样拆解成几个固定的任务，串联执行，主要包含以下4个模块

1. Schema Linking

方案是用10-Shot Prompt + zero-shot COT的引导词(Let's think Step by Step)，让模型逐步思考给出针对用户问题，应该查询的表，以及表中需要查询的字段，过滤条件字段，和Join条件字段。

Schema Link的输出会作为后续SQL生成任务的输入，帮助模型先定位字段，再编写SQL。Prompt如下

img

2. Classification

把用户的提问按查询的难易程度分成以下3类

  • easy：单表查询

  • medium：允许多表Join，但是没有嵌套查询

  • hard：多表Join + 嵌套查询

之所以要进行难易程度划分，其实是后面sql生成部分，每种难度使用了不同的In-Context Few-shot和prompt指令。

3. SQL Generation

对应以上的3种分类，论文采用的3种few-shot-prompt如下

  1. easy：直接使用指令+表结构+ schema Link + few-shot

img

  1. Medium：表结构和schema Link同上，指令加入了zero-shot的思维链激活，思维链每一步对应SQL sub query。But这里有些奇怪的是论文中Medium部分的few-shot很多也是单表查询不需要join的，困惑脸......

img

  1. Hard: few-shot是加入多表查询和嵌套结构的样例

img

4. Self Correction

论文的自修正并未引入SQL执行，只针对SQL本身，修复一些小的语法错误，例如缺少DESC，DISTINCT等，通过zero-shot指令来让模型对生成的SQL直接进行修正。指令如下

instruction = """#### For the given question, use the provided tables, columns, foreign keys, and primary keys to fix the given SQLite SQL QUERY for any issues. If there are any problems, fix them. If there are no issues, return the SQLite SQL QUERY as is.
#### Use the following instructions for fixing the SQL QUERY:
1) Use the database values that are explicitly mentioned in the question.
2) Pay attention to the columns that are used for the JOIN by using the Foreign_keys.
3) Use DESC and DISTINCT when needed.
4) Pay attention to the columns that are used for the GROUP BY statement.
5) Pay attention to the columns that are used for the SELECT statement.
6) Only change the GROUP BY clause when necessary (Avoid redundant columns in GROUP BY).
7) Use GROUP BY on one column only.
"""

后面的C3和SQL-PALM都是用DIN-SQL作为基准进行评估，所以DIN的效果指标我们直接放到后面的部分。

C3

在DIN-SQL提出的Few-shot方案的基础上，C3使用chatgpt作为基座模型，探索了zero-shot的方案，这样可以进一步降低推理成本。并且在生成效果上和DIN-SQL不相上下。

img

论文实现有很多细节，个人感觉比较重要的是以下两个部分，其他细节不做赘述

Clear Prompting

C3也通过Schema Linking先定位问题相关的数据表和查询字段。不过在指令构建上，论文认为在编写指令时，简洁的文本格式(clear layout)，以及不引入不相关的表结构(clear context)，会降低模型理解难度，对模型效果有很大提升。下面我们分别看下这两个部分

Clear Layout

后面的SQL-Palm也进行了类似的消融实验，对比符合人类自然语言描述的Table Schema，使用符号表征的prompt效果显著更好，在执行准确率上有7%左右的提升。

img

img

Clear Context

把整个数据库的全部表结构放入schema linking Context，一方面增加了推理长度，一方面会使得模型有更大概率定位到无关的查询字段。因此C3通过以下两步先召回相关的数据表和表字段，再进行schema linking

  1. 数据表召回

C3使用以下zero-shot指令，让大模型基于数据表schema，召回问题相关的数据表。这一步作者采用了self-consistency来投票得到概率最高的Top4数据表。当前的一些开源方案例如ChatSQL等，也有采用相似度召回的方案，更适合低延时，面向超大数据库的场景。不过需要先人工先对每张表生成一段表描述，描述该表是用来干啥的，然后通过Query*Description的Embedding相似度来筛选TopK数据表。

instruction = """Given the database schema and question, perform the following actions: 
1 - Rank all the tables based on the possibility of being used in the SQL according to the question from the most relevant to the least relevant, Table or its column that matches more with the question words is highly relevant and must be placed ahead.
2 - Check whether you consider all the tables.
3 - Output a list object in the order of step 2, Your output should contain all the tables. The format should be like: 
["table_1", "table_2", ...]
"""

  1. 表字段召回

在以上得到问题相关的数据表之后，会继续执行表字段召回的操作，同样使用了Self-Consistency多路推理投票得到概率最高的Top5字段。这一步同样可以使用相似度召回，尤其在中文场景，以及垂直领域的数据表场景，直接使用字段名并不足够，也需要对表字段名称生成对应的描述，然后使用相似度进行召回。

instruction = '''Given the database tables and question, perform the following actions: 
    1 - Rank the columns in each table based on the possibility of being used in the SQL, Column that matches more with the question words or the foreign key is highly relevant and must be placed ahead. You should output them in the order of the most relevant to the least relevant.
    Explain why you choose each column.
    2 - Output a JSON object that contains all the columns in each table according to your explanation. The format should be like: 
    {
        "table_1": ["column_1", "column_2", ......], 
        "table_2": ["column_1", "column_2", ......],
        "table_3": ["column_1", "column_2", ......],
         ......
}

self-consistency

Schema Linking之后，c3没有像DIN一样去判断问题的难度，而是用统一的zero-Prompt来对所有问题进行推理。不过在推理部分引入了Self-Consistency的多路投票方案。

针对每个问题会随机生成多个SQL，然后去数据库进行执行，过滤无法执行的sql，对剩余sql的执行结果进行分组，从答案出现次数最多的分组随机选一个sql作为最终的答案，也就是基于sql执行结果的major vote方案。

效果上c3在spider数据集上，使用干净简洁的zero-shot-prompt+self-consistency，基本打平了Few-shot的DIN-SQL，

img

SQL-Palm

  • SQL-PALM: IMPROVED LARGE LANGUAGE MODEL ADAPTATION FOR TEXT-TO-SQL

  • 尝试了微调方案并显著超越了以上的DIN-SQL

SQL-Palm是谷歌最新的NL2SQL的论文，使用的是他们的Palm2，不过未提供代码。和以上两种方案不同的是，SQL-Palm没有进行问题拆解，而是直接基于few-shot prompt进行sql的推理生成，并且尝试了微调方案，微调后的模型会显著超越DIN-SQL。

指令构建和以上的C3有两点相似

  • Self-consistency: 同样使用了基于执行结果的多路投票来选择sql

  • clean prompt：同样实验对比了偏向于人类自然表达的表结构表述和符号化的简洁表结构描述，结论和以上C3相同。在有few-shot样本时，指令长啥样影响都不大，在zero-shot指令下，符号化的简洁表结构描述效果显著更好。对比如下上图是符号化表结构，下图是自然语言式的表结构描述

img

img

论文同样对模型self-correction做了尝试，尝试方向和DIN不同，不是直接对SQL语句进行校准，而是当SQL执行错误时，基于错误信息让模型进行SQL修正。但是论文提到，并没找到很好的Debug的自修正方案，修正后对效果没有显著提升。

BIRD

  • Can LLM Already Serve as A Database Interface?A BIg Bench for Large-Scale Database Grounded Text-to-SQLs

  • DuSQL: A large-scale and pragmatic Chinese text-to-SQL dataset.

  • BIRD-bench

如果说前三篇还有一丢丢“象牙塔文学”，那BIRD确实一步跨入了纪实文学的领域。论文的核心是推出了新的更贴合实际应用场景的超大规模+存在数据噪声+依赖领域知识的NL2SQL基准数据集。在该数据集上，虽然DIN依旧是SOTA，但是和人工标注的执行准确率对比来看，只能说“前路阻且长”

img

只所以在Spider基准中有85%+执行准确率的SOTA模型，在BIRD里面表现骤降，除了BIRD使用的数据集噪声更多，数据集更大更复杂之外，一个核心原因是现实应用中，只像以上3篇论文那样使用原始表格的schema来描述数据表，是远远不够滴。

img

往往需要引入额外的表/字段描述，以及领域知识才能让模型更好理解每张表每个字段的作用，包括但不限于以下几个方面

  • 表名称/字段缩写(Schema Description)：现实场景的table name和column name，往往业务同学自己使用都不知道是啥意思，因此治理后的数据仓库中往往需要人工维护表描述和字段描述。例如b_fund_stock_bond_industry_share_d数据表的描述是每日全量基金股票债券持仓占比的，sw_classify_one_type_name字段的描述是申万一级行业分类，就这?只给表名称你想让模型自己猜到？

  • 字段取值说明(Value Illustration)：部分表字段的取值是缩写或者专有名词，例如status字段往往会使用代码来指代例如基金申购，赎回等不同状态，这时就需要对字段取值进行说明。

  • 领域知识(Domain Knowledge)

    ：领域数据库往往需要补充领域知识才能理解，以下Ref1-3的论文有更具体的说明

    • 计算类（Numeric Reason）：例如如何基金单位净值 = 基金总净值/基金总份额

    • 指标类(Indicator)：例如询问股票近期波动率，模型需要补充知识说明哪些指标反映波动率

    • 指代类(Synonym)：例如用户询问某ETF基金，模型需要知道指数基金也是ETF基金的另一种说法

BIRD在人工进行数据标注时，对每张表都提供了对应的以上字段描述和补充知识信息，用来帮助标注同学理解表内容。在使用大模型生成SQL时，以上知识会作为prompt输入模型，如下

img

并且论文对比了是否使用External Knowledge在测试集和验证集上的效果，提升十分显著。当然因为论文的重点在数据集构建，因此并未对如何更好的引入知识进行更详尽的讨论，期待后文ing~

img

LLM Agent中间插个队，总结下指令微调、对齐数据相关的方案，已经凑够7篇论文可以召唤神龙啦！论文都是以优化指令样本为核心，Data-Centric的观点比较一致：指令微调也就是对齐阶段的数据质量>>数量，少量+多样+高质量的对齐数据，就能让你快速拥有效果杠杠的模型。注意以上三者是充分必要关系，不是说数据越少越好，是三者的有机统一。

如果你对指令微调还不甚了解，建议先看看下解密Prompt系列4. 升级Instruction Tuning。

当前对指令微调部分的普遍认知有两个思路

  • 抽象派：把模型输出和人类偏好进行对齐

  • 务实派：赋予模型任务指令的理解和完成能力

两个思路其实殊途同归，重心落在任务+对齐，既基于用户指令应该召回模型预训练学习的哪些知识，以及把这些知识用什么样的格式和风格进行输出，类似于把预训练学习的知识重新排列组合并输出。可以类比探测Bert Finetune对向量空间的影响，只不过指令微调调整的高维空间更加细分多样。

于是才有本章的讨论，那我们构建质量更高，覆盖范围更广的数据，是否比随机造大量的指令数据效果要更好。毕竟你抖音刷1000条杂七杂八的中医养生小知识，可能比不上精读黄帝内经+神农本草不是~

   在线教程

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

请添加图片描述

人工智能书籍

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

在这里插入图片描述

人工智能小豪
关注
  • 30
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
AAAI 2021 | 基于动态混合关系网络的对话式语义解析方法
Paper weekly
05-26 702
作者｜惠彬原，耿瑞莹，黎槟华，李永彬，孙健单位｜阿里巴巴达摩院Conversational AI团队引言机器可以自己写 SQL 语句吗？当然可以~只需要用自然语言描述你的想法即可，甚至还能...
私人ChatGPT/LLM Web 应用程序
01-14
支持一键免费部署您的私人 ChatGPT/LLM Web 应用程序，支持 docker镜像，一键部署，1分钟内完成，无需任何复杂的配置。支持具有视觉识别功能的 OpenAI 最新gpt-4-vision模型， 可以感知视觉的多模态智能。支持文本转...
C3:ChatGPT的零样本文本到SQL
UnifiedUser的博客
02-07 890
Text-to-SQL旨在将自然语言问题转换为可执行的SQL查询，可用于为关系数据库提供用户友好的界面。它可以在数据管理的各个方面带来好处，例如数据库的可访问性、网站设计的灵活性等。传统的Text-to-SQL方法（Li等，2023a）通常使用大量训练数据对解码器-编码器模型进行微调，以实现适当的Text-to-SQL性能。这些基于微调的方法需要一个包含大量文本-SQL对的训练集。然而，在实践中，获取文本-SQL对是非常昂贵的。此外，这种微调范式可能导致对训练集的过度拟合，降低模型的可传递性。
ShadowGNN: Graph Projection Neural Network for Text-to-SQL Parser 论文笔记
weixin_43829169的博客
11-30 1333
文章目录摘要1.Introduction 摘要 给定一个数据库模式，Text-to-SQL旨在将一个自然语言问题翻译成相应的SQL查询。在跨领域（意思是，如果模型在数据库a，比如说地理信息的数据库上训练，当把模型放在数据库b，比如说企业信息的数据库上测试）的设置下，传统的语义解析模型很难适应未见过的数据库模式。 为了提高模型对罕见和未见过的模式的泛化能力，我们提出了一个新的架构，即ShadowGNN，它在抽象和语义层面上处理模式。通过忽略数据库中语义项的名称，把抽象的数据库模式投影到一个图神经网络上并
【论文阅读】让数据库听懂人话（Text-to-SQL）
热门推荐
一只热爱奔跑的程序猿
12-30 1万+
论文标题: 在跨领域数据库中引入中间表示来实现复杂Text2SQL 英文标题: Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation 论文下载链接: https://arxiv.org/abs/1905.08205 论文项目代码: GitHub@IRNet 摘要 本文提出一种名为IRNet的神经方法解决复杂的, 跨领域的(cross-domain) Text-to-SQL任务; IR
论文笔记：RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers
u011426236的博客
08-08 2169
论文笔记：RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers 目录论文笔记：RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers笔者按摘要简介相关工作Relation-Aware Self-AttentionRAT-SQL问题定义Relation-Aware Input Encoding 笔者按 RATSQL是A
适用于LLM应用的数据框架
04-18
一个适用于LLM（大型语言模型）应用的数据框架。它为LLM应用提供了数据存储和管理的解决方案，帮助用户更高效地构建和管理LLM应用程序。
Python_AIOS LLM Agent操作系统.zip
最新发布
05-24
Python_AIOS LLM Agent操作系统
《构筑大语言模型应用：应用开发与架构设计》一本关于 LLM 在真实世界应用的开源电子书
11-19
《构筑大语言模型应用：应用开发与架构设计》一本关于 LLM 在真实世界应用的开源电子书，介绍了大语言模型的基础知识和应用，以及如何构建自己的模型。其中包括Prompt的编写、开发和管理，探索最好的大语言模型能...
Chroma嵌入式数据库：Chroma通过为LLM提供可插入的知识、事实和技能，使构建LLM应用
12-16
Chroma是嵌入数据库。Chroma通过为LLM提供可插入的知识、事实和技能，使构建LLM应用程序变得容易
NL2SQL领域：RAT-SQL论文笔记
qingnianxiaoji的博客
05-23 1039
RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers 以关系感知的方法对数据库模式编码和链接的text-to-SQL模型 1.问题聚焦： Schema Encoding：对表结构（表名、列名、列类型、主键、外键等等）进行编码 Schema Linking：把Question中表述的内容与具体的表名和列名对齐 2.主要创新点： 包含“问题-字段关系”的自注意力机制：在Encoder中加入relation-awa
阅读text2sql论文《RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers》
Ashley1101的博客
10-09 856
本人为研一菜鸡，如果博客中有任何错误或疏漏，欢迎路过的大佬们批评指正，也希望能够和同样是这个方向的小伙伴一起交流学习~本文收录于ACL 2020，至今在Spider的leaderboard前列还能看到RAT-SQL的各类变种，可见这个模型确实有不少可取之处。在读本文之前，我还先阅读了文中提到的《Global Reasoning over Database Structures for Text-to-SQL Parsing》(Bogin et al., 2019b) ，有空也会整理出来，便于对比学习。
iOS 深度跳转（scheme、universal link）
zzhongcy的专栏
02-28 8615
网上看到这篇文章，觉得可以，这里转载记录一下。 一、前言 首先，我们先来聊一下深度跳转时什么，有哪些方面可以运用。 点击wap页面按钮，唤起对应APP，并且跳转到了相对于的目标页面。比如：微信里浏览商品，点击打开APP，会自动唤起手机里的对应APP，并且会进入到你刚才浏览的商品详情页。 这就是比较直观的：深度跳转 上面的这种情况我们称之为：一键直达（或者一链拉起等，你怎么称呼你开心就好😊） 如果，手机没有安装京东APP，是会先去下载页面，待用户下载完后，点击打开APP依然会跳转到刚
Text-to-SQL---RAT-SQL模型
weixin_42223207的博客
02-19 2605
RAT-SQL RAT-SQL是微软在2020 ACL发表的论文RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers 提出来的，这个模型在Spider数据集上的结果为65.6%。RAT-SQL代码的地址为https://github.com/Microsoft/rat-sql，笔者尝试了paddle 版本的RAT-SQL代码https://github.com/PaddlePaddle/Research/tre
短网址（短链）实现唤起App
JsonHuang的博客
09-16 7158
短网址，顾名思义就是相对较短的网址，比如t.cn/abcd,实际是通过abcd来查询对应的源网址（长网址）。 现在短信及微信等都能遇到很多短网址，且点击后能唤起app并调转到对应的功能页面，微信目前可能由于框架屏蔽了唤起app机制，一般微信需要提示用户手动浏览器方式打开， 大家可能会问，短网址唤起app是怎么实现的？其实原理很简单，网上搜索也很多。
LLM预备知识、工具篇——LLM+LangChain+web UI的架构解析
lucky_chaichai的博客
08-24 6651
LLM（fastchat）+Langchain+Gradio/Streamlit各种框架基础点
关于表空间、Schema和用户
weixin_30701575的博客
04-25 254
数据库这个柜子 　　解释数据库、表空间、数据文件、表、数据的最好办法就是想象一个装满东西的柜子。 　　从物理方面来讲：数据库是柜子，柜中的抽屉是表空间，抽屉中的文件夹是数据文件，文件夹中的纸是表，写在纸上的信息就是数据。 　　从对象方面来讲：数据库是柜子，柜中的抽屉是Schema，抽屉中直接就是各种纸，这些纸就是表，写在纸上的信息就是数据。 　　如果从作为数据库实...
h5唤起App两种方式 Schema & Universal Link
IronKee的博客
08-17 1988
https://www.jianshu.com/p/cbef3659bf01http://www.cocoachina.com/articles/13321 总结一下 1.ios9及以上版本，safari只能通过schema-href方式唤起app，其他浏览器如QQ浏览器可以通过href和iframe方式唤起 2.ios的safari可以不弹出打开app弹窗，提升用户体验，需要用Universal Links方式配置apple-app-site-association文件 3.微信环境，不能通过sch
2021你还在手写SQL吗？万字综述Text to SQL技术
iin729的博客
09-02 3511
Text to SQL综述一、背景二、任务介绍三、数据集四、方法4.1 基于模板和规则4.2 基于Seq2Seq框架4.2.1 编码方法4.2.1.1 Table-aware4.2.1.2 Anonymous Encoding4.2.1.3 GNN4.2.1.4 Relation-Aware Self-Attention4.2.1.5 表格预训练4.2.2 解码方法4.2.2.1 pointer network4.2.2.2 Reinforcement Learn4.2.2.3 Sketch and Mul
llm 企业应用案例
11-15
LLM是一家知名企业，为各行各业提供全方位的企业应用解决方案。下面将通过一个实际案例来说明LLM在企业应用方面的成功经验。 某电子制造企业合作了LLM，希望提高生产效率和产品质量。LLM的团队首先进行了全面的企业调研，了解其业务流程和存在的问题。随后，他们根据调研结果设计了一套定制化的企业应用系统。 该企业应用系统包含了以下几个核心模块：生产计划管理、设备维护管理、原材料采购与库存管理、质量检测与追溯、销售订单管理以及绩效评估。每个模块都有相应的功能和流程，能够满足企业的具体需求。 通过该企业应用系统，该电子制造企业实现了很多突破。首先，生产计划管理模块能够根据订单情况自动生成生产计划，有效降低了生产周期和提高了生产效率。设备维护管理模块则帮助企业实现了设备的智能化管理，及时进行维护和保养，减少了停机时间和维修成本。 原材料采购与库存管理模块通过与供应商进行信息对接，实现了快速采购和准确控制库存，避免了原材料不足和过多的情况。质量检测与追溯模块在生产过程中进行多次质量检测，确保产品质量达标，并实现了产品追溯，便于问题溯源和召回。销售订单管理模块则提供了一个便捷的订单管理系统，实现了订单的及时处理和跟踪。绩效评估模块通过对各个部门和员工的工作数据进行分析，帮助企业进行绩效评估和个人提升。 通过LLM的企业应用系统，该电子制造企业的生产效率得到了大幅提升，产品质量得到了有效控制。同时，该系统增加了企业的信息化管理，提高了企业的竞争力和市场份额。 这个案例充分展示了LLM在企业应用方面的成功经验，通过对企业的深入了解和全面的系统设计，能够为企业提供量身定制的解决方案，帮助其实现高效运营和持续发展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值