一、项目简介
思通舆情是一款开源免费的舆情系统,支持本地化部署一键安装。支持对海量的舆情数据进行交叉分析和深度挖掘,为用户提供全面的舆情数据,专业的舆情分析,快速的舆情处理等服务,提升企业品牌价值和风控能力。
二、开源协议
依照 GPL-3.0 协议开源。
三、功能说明
思通舆情的功能:
舆情监测:通过全文搜索、来源搜索、热搜监测等多重功能实现对全网文本、图片、视频舆情实时发现;
舆情预警:根据用户设置预警条件,判别舆情信息,并第一时间通过多渠道告知用户;
舆情分析:全网事件分析、事件分析、传播分析、竞品分析、评论分析、热度指数,6类大数据分析;
舆情报告:一键快速生成日、周、月、季度报告,自带行业舆情案例库,为舆情应对提供参考。
智写报告:提供了丰富的写作模板和样式,用户只需根据模板填充相应内容,后端基于AI技术即可快速生成报告。
思通舆情 的优势:
开源开放:零门槛,线上快速获取和安装;快速获取用户反馈、按月发布新版本;
简单易用:极易上手,通过鼠标点击和拖拽即可完成分析;
秒级响应:超大数据量下秒级查询返回延时;
思通舆情 的数据:
新闻媒体:新闻、app、电子报、境外新闻;
网络自媒体:搜狐、百家号、今日头条、博客、企鹅号、微信公众号、微博;
境外社交媒体:twitter、facebook、及其他境外社交媒体;
论坛:贴吧、论坛、问答、知乎;
短视频:抖音、快手,等众多平台。
四、演示展示
五、技术架构
**
功能架构
六、技术栈
数据采集
开发平台:Java J2EE & SpringBoot
采集框架:Spider-flow & WebMagic & HttpClient
APP采集:Xposed框架
URL仓库:布隆过滤器 + Redis
网页渲染解析:Jvppeteer & Playwright(微软开源) & Selenium
web应用服务器:Nginx & Tomcat
储存任务发送:Kafka & Zookeeper
抓取任务发送:RabbitMQ
配置管理:MySQL
前端展示:Bootstrap & VUE
数据处理
开发框架:SpringBoot
开发语言:Java J2EE
数据暂存:MySQL
数据索引:Redis
深度学习:PaddlePaddle
自然语言处理:HaNLP & THUCTC
数据处理和储存任务发送:Kafka & Zookeeper
数据中台:自研 & DataEase
数据初始化:集成FlyWay,自动初始化MySQL
数据总线:RocketAPI (进行了二次开发)
数据分析
数据库:MySQL
数据检索:Elasticsearch
中文分词器:IK分词
相似度计算:Clickhouse
数据同步:DataX
文章储存:Mongodb
数据缓存:Redis
消息队列:Kafka & RabbitMQ
开发框架:SpringBoot
开发语言:Java J2EE
图表展示:Apache Echarts & AnyCharts
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。