新書推薦：
《
淡水鱼类营养生理与饲料
》
售價：NT$
1520.0
《
人体结构绘画重点
》
售價：NT$
653.0
《
中国妖怪故事（全集·增订版）
》
售價：NT$
1010.0
《
于胥斯原 乡族、风水与地方记忆
》
售價：NT$
806.0
《
以经治国与汉代社会
》
售價：NT$
449.0
《
我真正想要什么？：智慧瑜伽答问/正念系列
》
售價：NT$
265.0
《
元朝理财记 从成吉思汗的崛起到元朝的衰亡
》
售價：NT$
449.0
《
欧洲史：一本书历览欧洲数千年兴衰起伏，理解欧洲文明何以铸就今日世界
》
售價：NT$
1520.0
|
| 編輯推薦： |
|
（1）作者背景资深：本书由国内供应链金融科技领域上市企业联易融（股票代码为09959.HK）官方出品。（2）内容全面系统：从基础理论到技术解析，再到实际应用案例，构建了一个层次分明、逻辑清晰的知识体系。（3）逻辑严密，有理有据：既有严谨的技术分析，又有大量来源翔实的实例和数据支持，语言准确，内容客观。（4）案例丰富，实操性强：有丰富的产品展示，有具体的方法和步骤，有详尽的案例分析，易于理解，便于操作。
|
| 內容簡介： |
|
内容简介这是一部从业务和技术双重视角讲解AI大模型如何为供应链金融行业赋能的著作，是国内供应链金融科技领域的上市企业联易融的实践经验总结。本书立足金融科技前沿，基于供应链金融的丰富场景，融合大模型技术的先进理念，创新性地提出供应链金融GPT概念，旨在为读者提供一个全新视角，理解AI大模型在供应链金融领域的应用机制和工作逻辑。本书集理论性、技术性、前瞻性和实用性于一体，读完本书后，读者能了解和掌握以下知识：?AIGC与大模型的基础知识，以及面临的挑战?大模型行业的发展现状，以及中国的大模型布局?大模型的原理、架构、训练与微调等?企业落地大模型的方法，如提示工程、RAG、知识库与AI Agent等?主流的大模型应用开发工具的原理和使用方法?大模型的监管技术与策略?大模型的评测体系与框架?大模型在金融行业的应用场景，以及国内外金融行业的大模型布局?9大类型的供应链金融场景的大模型解决方案?供应链金融大模型的构建过程和评估方法本书不仅能帮助金融行业从业者深度洞察AI大模型带来的变革与机会，看清AI时代的发展方向；而且能指导供应链金融企业如何构建自己的大模型，并将大模型应用到不同类别的供应链金融场景中。
|
| 關於作者： |
联易融课题组
联易融致力于通过科技和创新来重新定义和改造供应链金融，成为全球领先的供应链金融科技解决方案提供商。联易融于2016年2月在深圳成立，主要股东包括腾讯、中信资本、新加坡政府投资（GIC）及渣打银行等国内外大型企业及金融机构；公司在2021年4月于港交所主板正式挂牌（股票代码：09959.HK）。联易融曾入选“全球金融科技百强公司”、“福布斯中国金融科技影响力企业TOP50 ”，并荣获《亚洲银行家》AI技术奖项、“全球中小微企业金融奖”、《财资》供应链金融大奖等多项殊荣。
截至2024年上半年，联易融累计服务的供应链资产规模超过1.2万亿元，已经与超过2000家核心
企业及金融机构达成合作，覆盖中国百强企业中的51家及全部中国前20大商业银行；客户覆盖全国29个省及行政区，服务了超过29万家中小微企业，连续四年在中国第三方供应链金融科技解决方案提供商中领先于其他同行。
联易融课题组是由联易融市场与公关部牵头，汇聚了公司内部顶尖核心AI技术专家和产品团队精英的跨部门协作团队。联易融课题组聚焦于大模型技术在供应链生态的应用，并结合联易融的实战成果和深刻洞见，打造供应链金融AI大模型的最新范式，推动行业往更高效、更透明、更智能的方向发展。
|
| 目錄：
|
CONTENTS
目 录
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
1.1 语言和文字是人类社会的协同工具2
1.2 金融是人类社会生产中的资源协同工具3
1.3 传统金融：对人不对事5
1.4 供应链金融：对事不对人6
1.5 GPT模型：让机器能够理解非结构化数据6
1.6 业务场景中链路越长，AI提升的空间越大7
1.7 量变引起质变：金融交易的新时代8
第2章 全面认识AIGC与大模型9
2.1 ChatGPT横空出世10
2.2 AIGC的发展历史13
2.3 大模型的能力15
2.3.1 超强的语言组织能力16
2.3.2 垂直领域的能力16
2.3.3 逻辑推理能力18
2.3.4 多模态内容的理解能力19
2.4 大模型的现状20
2.5 国内科技巨头的大模型布局23
2.5.1 百度“文心一言”大模型24
2.5.2 阿里“通义千问”大模型24
2.5.3 腾讯“混元”大模型25
2.5.4 华为“盘古”大模型26
2.5.5 科大讯飞“讯飞星火”大模型26
2.5.6 网易“玉言”大模型27
2.5.7 “360智脑”大模型28
2.5.8 京东“言犀”大模型29
2.5.9 百川智能大模型29
2.5.10 智谱AI ChatGLM大模型30
2.6 开源大模型介绍31
2.7 AIGC未来展望34
第3章 大模型技术解析39
3.1 ChatGPT的工作原理：AI成语接龙40
3.2 早期的自然语言处理技术架构41
3.3 Transformer架构43
3.4 GPT模型的原理与应用45
3.4.1 GPT模型：利用无标签数据进行预训练45
3.4.2 GPT模型的构建与训练过程47
3.5 技术的突破：量变引起质变49
3.5.1 大模型的涌现49
3.5.2 思维链52
3.5.3 训练大模型的软硬件基础54
第4章 企业落地大模型的方法59
4.1 AI 原生应用和AI应用落地的选择60
4.1.1 AI原生应用的特征60
4.1.2 向AI原生企业转型的五个阶段61
4.1.3 企业落地大模型的常用方法63
4.2 提示工程64
4.2.1 提示工程的作用65
4.2.2 提示类型66
4.2.3 提示工程的最佳实践69
4.3 RAG与知识库76
4.3.1 RAG的基本原理 77
4.3.2 RAG架构的演变过程79
4.3.3 RAG的挑战与未来发展方向81
4.3.4 知识库的概念82
4.3.5 向量数据库85
4.3.6 知识图谱90
4.4 AI Agent99
4.4.1 AI Agent的哲学意义102
4.4.2 AI Agent的架构体系104
4.4.3 AI Agent的实际案例114
4.4.4 AI Agent的社会协同模式116
4.4.5 AI Agent的问题和挑战118
4.4.6 AI Agent的落地设想121
4.5 模型微调123
4.5.1 大模型微调的意义123
4.5.2 大模型的微调方法126
4.5.3 大模型微调的实践与挑战138
4.6 重新训练大模型145
4.6.1 基础准备与大模型架构选择145
4.6.2 数据的收集与处理148
4.6.3 训练策略154
4.6.4 模型评估和调优156
4.6.5 大模型训练的案例研究157
4.6.6 模型蒸馏158
4.6.7 挑战与未来展望159
第5章 大模型开发工具及应用案例161
5.1 常用的大模型开发工具162
5.1.1 LangChain164
5.1.2 LlamaIndex166
5.1.3 Dify.AI167
5.1.4 OpenAgents168
5.1.5 AgentGPT168
5.1.6 ModelScopeGPT170
5.2 案例：重现ChatGPT的对话聊天功能171
5.2.1 Langchain-Chatchat171
5.2.2 Langchain-Chatchat的工作原理172
5.2.3 Langchain-Chatchat的部署174
5.2.4 Langchain-Chatchat的运行176
第6章 大模型的挑战、监管与评测181
6.1 大模型面临的挑战182
6.1.1 大模型输出的不可预测性182
6.1.2 大模型的幻觉现象183
6.1.3 大模型偏见与不公平性185
6.1.4 对抗性攻击187
6.1.5 大模型的可解释性188
6.1.6 超级对齐193
6.2 大模型的监管194
6.2.1 AIGC伪造及检测技术194
6.2.2 大模型隐私和数据泄露195
6.2.3 大模型窃取与知识产权保护198
6.2.4 大模型的监管趋势与应对策略202
6.3 大模型的评测204
6.3.1 大模型的评测体系204
6.3.2 常见的大模型评测体系205
6.3.3 典型的大模型评测框架206
6.3.4 大模型评测的未来方向208
第7章 金融行业的大模型209
7.1 金融科技概述210
7.1.1 重要概念210
7.1.2 三个发展阶段210
7.1.3 六大特征212
7.2 国内外发展态势214
7.2.1 国内发展态势214
7.2.2 国外发展态势216
7.3 在金融科技领域应用AIGC的挑战217
7.4 AIGC在金融科技领域的主要应用场景218
7.4.1 FinChat金融聊天机器人219
7.4.2 智能投资顾问220
7.4.3 量化交易221
7.5 金融行业的大模型布局223
7.5.1 BloombergGPT223
7.5.2 金融机构大模型应用案例224
7.6 开源的金融大模型228
7.7 金融科技大模型的发展与展望235
第8章 供应链金融的演进与创新237
8.1 从传统金融到供应链金融的变革238
8.2 供应链金融解析239
8.2.1 供应链金融的特点239
8.2.2 供应链金融的技术侧重点240
8.2.3 供应链金融的创新242
8.3 供应链金融的业务形态243
8.3.1 招标阶段243
8.3.2 中标阶段245
8.3.3 备货阶段245
8.3.4 到货阶段246
8.3.5 应收阶段248
8.3.6 下游客户经销商订货阶段249
8.4 数字债权凭证254
第9章 AI驱动的供应链金融革命257
9.1 大模型诞生之前供应链金融行业的AI实践258
9.1.1 国外供应链金融AI实践258
9.1.2 国内供应链金融AI实践260
9.1.3 过于超前的供应链金融AI实践267
9.2 大模型诞生之前AI的限制270
9.3 AI大模型赋能供应链金融273
9.3.1 AI大模型助力市场营销与销售275
9.3.2 AI大模型助力客户服务与运营支持278
9.3.3 AI大模型助力软件开发281
9.3.4 AI大模型助力风控、合规和融资决策284
9.3.5 AI大模型助力企业管理290
9.3.6 AI大模型助力解决产业链数字化断点292
第10章 供应链金融场景及大模型应用展望299
10.1 核心企业主导的供应链金融场景300
10.1.1 定义300
10.1.2 运作模式301
10.1.3 核心功能302
10.1.4 面临的挑战及大模型解决方案303
10.2 商业银行主导的供应链金融场景306
10.2.1 商业银行开展供应链金融的特点306
10.2.2 商业银行主导的供应链金融案例308
10.2.3 商业银行主导的供应链金融的挑战和机遇310
10.2.4 商业银行主导的供应链金融的大模型解决方案312
10.3 第三方金融科技平台主导的供应链金融场景313
10.3.1 第三方金融科技平台的应用场景314
10.3.2 第三方金融科技平台主导的供应链金融案例315
10.3.3 第三方金融科技平台主导的供应链金融的特点317
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318
10.4 物流企业主导的供应链金融场景320
10.4.1 物流企业主导的供应链金融的特点320
10.4.2 物流企业主导的供应链金融案例：UPS和顺丰集团321
10.4.3 物流企业主导的供应链金融的发展瓶颈324
10.4.4 物流企业主导的供应链金融的大模型解决方案326
10.5 建筑工程行业的供应链金融场景327
10.5.1 建筑工程行业的发展特征327
10.5.2 建筑工程行业供应链金融的核心需求328
10.5.3 建筑工程行业供应链金融案例332
10.5.4 建筑工程行业供应链金融的大模型解决方案333
10.6 医疗行业的供应链金融场景336
10.6.1 医疗行业供应链金融简介336
10.6.2 医疗行业供应链金融案例337
10.6.3 医疗行业供应链金融的发展瓶颈及挑战339
10.6.4 医疗行业供应链金融的大模型解决方案341
10.7 农业的供应链金融场景342
10.7.1 农业供应链金融的当前发展路径342
10.7.2 农业供应链金融案例：延川四苹果343
10.7.3 农业供应链金融的发展瓶颈及挑战345
10.7.4 农业供应链金融的大模型解决方案347
10.8 直播电商的供应链金融场景348
10.8.1 直播电商供应链金融的商业模式349
10.8.2 直播电商供应链金融案例350
10.8.3 直播电商供应链金融的特点352
10.8.4 直播电商供应链金融的大模型解决方案353
10.9 基于数据和交易关系的供应链金融场景354
10.9.1 基于数据和交易关系的供应链金融的特点354
10.9.2 基于交易关系的供应链金融案例356
10.9.3 基于数据和交易信用的供应链金融的业务痛点358
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359
第11章 供应链金融大模型的构建和评估361
11.1 供应链金融大模型的设想与架构设计362
11.1.1 数据、信息、知识和智慧362
11.1.2 AI时代的学习革命364
11.1.3 大模型时代的软件架构366
11.1.4 当下的供应链金融平台架构374
11.1.5 In-Chat App平台 供应链金融大模型376
11.2 供应链金融大模型的开发训练过程390
11.2.1 SCF-GPT模型训练的规划390
11.2.2 SCF-GPT模型训练三阶段的设想392
11.2.3 SCF-GPT 1.0：对话训练394
11.2.4 SCF-GPT 2.0：多模态数据训练397
11.2.5 SCF-GPT 3.0：数字孪生训练400
11.3 供应链金融大模型实践：AI智能审单项目405
11.3.1 项目背景与挑战406
11.3.2 大模型技术在文档处理方面的潜力407
11.3.3 LDP框架407
11.3.4 LDP 框架面临的挑战与解决方案411
11.3.5 大模型性能优化措施416
11.3.6 总结417
11.4 供应链金融大模型评测体系417
11.4.1 标准问题集的评估418
11.4.2 结合实际业务的评估423
11.4.3 总结424
|
| 內容試閱：
|
PREFACE
序 言
AI重塑供应链金融科技
在技术发展的历史长河中，每隔数十年就会涌现出足以重塑人类社会结构的创新力量。人工智能（AI）的崛起，不仅是技术范式的迭代升级，更是人类文明的一次深刻转型。大模型改变了人工智能，也即将改变世界。
人工智能的本质在于，通过构建模型来解决特定问题并提供专门服务。ChatGPT解决的主要问题是提升人工智能在开放域对话中的表现，但它在处理某些特定领域或某些需要高度专业化知识的任务时，仍然存在局限。
大语言模型（LLM，简称大模型）从三个层面重新定义了人工智能：第一，重新定义了人机交互；第二，重新定义了营销和客服；第三，催生了AI原生应用。未来，大模型将成为应用开发的基石，各个行业都会有自己的专业大模型。这一趋势预示着云计算领域也会迎来重大变革，用户在选择云服务商时，将越发重视模型的效能与配套技术框架的先进性，而不再仅关注计算资源和存储成本。
在技术领域，竞争不可避免。维持竞争优势的关键在于不断创新。“整合”或许可以让应用更精准，但只有“重做”才能让用户体验发生代际变革，我认为每一个产品都值得用AI重做一遍。以搜索为例，行业内最新落地的搜索AI助手，可以让用户与它发生多轮对话，并使用语音交互，还能通过自然语言直接生成图片，这意味着人工智能的发展已经从“辨别式”走向“生成式”。当然，搜索的重塑只是用大模型重构产品后受益的冰山一角，人工智能对商业世界的重塑远不止于此。
AI的发展堪比微处理器、个人计算机、互联网和手机的问世，它的影响将触达人类社会的每一个角落。例如，部分企业已经开始利用人工智能来创造新的产品和提供新的服务；部分行业将人工智能作为创造力工具来创造视觉艺术、音乐、诗歌等各类作品及编写计算机代码等；制造商通过添加具有深度学习能力的质量控制软件来提高质量控制的速度和准确性；建筑公司、公用事业公司、农场、矿业公司及其他在广阔地理区域运营的实体使用人工智能软件和计算机视觉来监控和识别有问题的行为、危险的情形或商业机会；医生、研究人员使用智能的决策支持系统（DSS）做出决策和判断等。总之，人工智能的商用场景已远远超出现在能预估的范围，大模型对世界的改变势必会渗透到各行各业。
在金融领域，AI大模型凭借其在内容生成、逻辑推理、快速迭代乃至辅助决策等方面的卓越能力，有望重塑金融机构的基础架构及管理体系，大幅拓展金融数智化变革的空间。
在当下声势浩大的AI浪潮中，国内金融领域大模型次第涌现。大模型通过学习金融行业特有的概念、术语和逻辑关系，在知识密集型场景中，提供自然语言理解和生成、知识检索与问答、信息总结摘要等能力。在全链路数字化应用中，大模型扮演了重要角色：在客户关怀方面，它可以提升用户体验；在风险管理与信贷评估方面，它可以进行欺诈检测和风险评估；在精准营销与客户洞察方面，它可以设计个性化营销策略；在投资咨询与资产管理方面，它可以提供复杂的财务模型分析和投资策略优化，生成研究报告；在运营优化和自动化方面，它可以处理交易结算、合规审查、文档管理等工作，提升运营效率并降低成本。同时，通过风控多代理体系，大模型可以缩短风险决策周期，提升风控人效。在多模态数字化应用方面，它可以基于企业外呼、客服、推荐、运营等多模态业务场景，将丰富的多模态技术和灵活的AI服务进行结合，快速实现业务目标。AI正成为新质生产力，推动金融机构的服务模式不断出新。
AI大模型和金融正史无前例地相互需要着。但在具体实践层面，二者的结合，依然有很多问题需要解决。从理论到可商用，看似不远，实则有很多待跨越的障碍，大模型如何高效地转化出商业价值，则是更复杂的问题。从市场来看，大模型在生成类场景中落地应用较多，但在涉及决策的金融场景中落地应用较少。也就是说，大模型距离深度融入金融业务的各个端点，进而重塑金融行业的生产关系，还有很长的路要走。
与此同时，头部厂商对于金融大模型似乎越来越形成一种共识，即大模型不仅仅要为企业降低成本、提升效率，最终要演进为超级智能体，重构企业的业务流程。也就是说，金融大模型的发展需要向产业纵深处探寻，在保留开放生态和生长空间的同时，专精于推动现有金融场景和应用的更迭和升级，制造新的体验。总而言之，以金融机构的真实需求为导向做精细化开发，也是金融大模型的核心议题。
金融领域有多元化的业务场景和广泛的数字化转型升级需求，是大模型极佳的垂直落地场景，但同时我们也需要关注以下问题。
一是算力。金融机构如何面对“算力资源持续紧俏”“硬件快速更新换代”及“资源兼容优化配置”等复杂局面，如何有效地规划并适应这种动态变化的算力格局，是首要问题。
二是开源模型与商业化模型。数字化转型要求金融机构具备高度的灵活性，不断审视并适时调整策略，综合考量成本、性能、灵活性与支持服务等因素，做出最符合自身实际情况的决策。
三是模型规模。大模型具有更强大的学习能力和更优秀的泛化效果，但它对算力资源消耗巨大。针对不同的业务场景，如何选取与之匹配的模型规模，成为金融机构的另一大课题。
四是通用大模型和专属大模型。金融机构必须基于自身的业务特性、战略导向及资源条件，审慎考虑是采用广泛适用的通用模型，还是投资开发更加契合自身需求的定制化模型。
五是大模型安全风险。一方面是模型本身的安全防护，另一方面是模型应用过程中的安全问题，包括但不限于大数据处理引发的隐私泄露风险、生成内容可能蕴含的偏见与不公等。确保安全是金融机构在推进大模型应用过程中不可忽视的重要环节。
面对上述金融大模型的落地困境，业内的明显趋势是，越来越多的机构相互合作，通过生态共建来实现共赢。而对于大部分中小金融机构以及金融科技公司来说，未来更理想的路径或许是：引入第三方厂商领先的基础大模型，在自身样本基础上微调，构建出自己的专业大模型，快速赋能业务流程，实现弯道超车。
预计随着底层大模型从增量阶段转入存量阶段，拼质量、拼落地会成为竞争焦点，注重模型推理能力的企业的竞争优势会进一步显现。总的来看，未来金融大模型的发展将对目前的行业范式产生深远影响。
联易融科技集团（以下简称联易融）作为领先的供应链金融科技解决方案提供商，正积极拥抱大模型带来的新一轮科技发展机遇，通过在通用大模型基础上的再优化和升级，成功打造了供应链金融垂直领域的专属大模型。以合同智能解析为例，联易融通过自研的LDP算法，解决了开源模型在处理复杂文档场景时的局限性。该算法运用视觉模型的高效图像处理、语言模型的深度文本理解以及信息交互模块的数据整合功能，形成一个综合解决方案，能够处理各种类型的文档，并适应不同的业务需求和应用场景。
近日，联易融自研的供应链金融轻量级一站式AI平台—蜂羽AI审单平台荣获国际财经媒体《亚洲银行家》“最佳AI技术”奖项。联易融蜂羽AI审单平台以大模型技术为基石，能对数据、算法和模型等组件进行自由组合，高效、便捷地进行模型开发与服务部署；同时沉淀了多种针对供应链金融领域的场景化智能解决方案，包括智能中登、贸易背景智能核查、跨境单证智能审核等，助力金融机构快速构建高精度AI应用。以联易融与渣打银行的合作为例，通过蜂羽AI审单平台，渣打银行在贸易金融、支付管理等业务中，在审单运营的关键步骤上，降低了时间成本，提升了运营弹性和业务韧性。同时，蜂羽AI审单平台上的大模型技术能够深度应用于供应链金融业务中，实现智能化风险评估，助力渣打银行在运营交付等日常工作中降本增效。
本书旨在深入挖掘并总结联易融创新的实战经验和深刻洞见，为读者描绘一幅未来金融的宏伟蓝图，帮助金融从业者、企业家、科技开发者和学者理解AI大模型在供应链金融中的工作原理，激发行业更多创新思维的碰撞和交流，从而共同创新AI与供应链金融的融合。当然，联易融在供应链金融大模型领域的实践和思考仍处于持续发展和完善的阶段，受过往经验所限，本书还有许多不完善之处，欢迎各位同行批评指正。
宋群
联易融创始人、董事长兼首席执行官
PREFACE
前 言
供应链金融新纪元
随着全球经济的蓬勃发展和国际贸易的日益繁荣，供应链金融作为一种创新的金融模式迅速崭露头角。供应链金融通过将金融服务与供应链管理相结合，为企业提供了更加灵活和高效的资金支持，助力供应链各参与方实现共同繁荣。然而，传统的供应链金融模式面临一些挑战和限制，例如每笔交易规模较小、存在大量复杂的非结构化数据、沟通成本高等。此外，新的应用场景不断涌现，平台和系统的开发却缺乏足够的灵活性。因此，供应链金融行业急需新的技术手段来提升效率和灵活性。
在这个充满机遇和挑战的背景下，人工智能技术的迅猛发展给供应链金融带来了新的可能性。基于金融科技、供应链金融场景、大模型技术理念，也结合实践与洞察，我们引入了供应链金融GPT（Generative Pre-trained Transformer，生成式预训练Transformer）概念，旨在通过机器智能和数据驱动的方式，进一步提升供应链金融的效率、透明度和可靠性。
本书旨在探索供应链金融GPT的发展历程、应用场景以及它对供应链金融领域的影响，同时深入GPT的技术原理、关键功能和落地实践，重点关注其在资金管理、供应商融资、库存融资和供应链可追溯性等方面的作用。我们将对供应链金融的场景和案例进行介绍和分析，并基于此进一步探讨如何构建供应链金融大模型，包括数据和技术基础设施、合作伙伴和生态系统建设、变革管理和组织文化等。此外，我们还将探讨供应链金融GPT的价值与收益，包括降低成本、管理风险和提升创新竞争力。
然而，我们意识到供应链金融GPT的实施将面临一系列的挑战，如数据隐私和安全性、技术可行性和集成性、法律和监管风险等，这些问题需要认真思考和解决。
随着技术的不断创新和演进，数据共享和合作平台的构建、区块链和智能合约的整合、AI和机器学习的进一步应用将为供应链金融AI大模型带来更多的机遇。我们相信，供应链金融AI大模型将持续演化，为企业提供更智能、高效和可持续的供应链金融解决方案。
在撰写本书的过程中，我们深入研究了供应链金融AI大模型的理论基础、技术特点和实际应用案例，并进行了广泛的讨论和交流，以确保内容准确、全面和具有实践价值。但技术日新月异，我们希望通过本书激发读者的更多思考和创新，推动供应链金融GPT的进一步实践和应用。我们相信，供应链金融大模型将成为未来供应链金融领域的重要驱动力，助力企业和社会的可持续发展。让我们一起探索供应链金融大模型的未来，开启一个更加智能、高效和可信赖的供应链金融时代！
特别鸣谢对本书创作给予支持的人员：徐美莹、蒋宛辰、马琰芳、周驿、侯泽赟、叶会杰、荆飞瑶、张正、张军涛、李诗昀、马旋、苏强、李绮霞、周诗倩、许佳、朱浩、姚夏冰等同事。
沈旸
联易融副总裁、联易融国际CTO
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
