课程简介

本课程是一门为期三天的、专为金融领域设计的深度培训。课程系统性地从人工智能的基础理论讲起，深入剖析了大型语言模型（LLM）的核心原理、训练与推理策略，并重点聚焦于检索增强生成（RAG）技术在处理海量金融语料、提升知识广度与响应质量方面的应用。课程不仅涵盖前沿的技术理论，还将通过丰富的金融行业实际案例和动手实践环节，指导学员构建一个迷你的金融问答机器人，最终以前沿动态和企业落地策略的研讨收尾，旨在全方位提升学员在金融科技领域的 AI 实战能力。

目标收益

在本课程学习结束后，您应能够：
•系统理解人工智能、机器学习和大型语言模型的核心概念及其在金融行业的变革性作用。
•深入掌握大型语言模型（如 Transformer 架构）的底层原理、训练策略与推理优化技术。
•精通 RAG 技术的核心工作流程，理解其为何能有效解决 LLM 的知识局限性与幻觉问题。
•掌握处理金融领域特有语料（研报、财报、公告等）的方法，并能构建高质量的金融知识库。
•学习高级 RAG 优化策略，如混合检索与重排序，以提升模型响应质量。
•分析大模型与 RAG 在智能投研、智能客服、风控合规等金融场景下的实际应用案例。
•通过动手实践，具备搭建一个基础 RAG 应用原型的能力。
•洞悉 AI 领域的最新研究成果、行业动态及监管政策，为企业规划大模型落地路线图提供决策支持。

培训对象

•金融从业人员：包括投资分析师、研究员、风控经理、量化交易员等，希望利用 AI 技术提升分析能力和工作效率的专业人士。
•金融科技（FinTech）开发者与工程师：负责研发和维护金融系统，希望将大模型与 RAG 技术集成到产品中的技术人员。
•数据科学家与 AI 算法工程师：寻求将 AI 技术应用于金融垂直领域，解决实际业务挑战的专业人士。
•企业 IT 决策者与技术管理者：负责金融机构技术战略规划，希望了解大模型技术潜力和落地路径的管理人员。
•对 AI+金融交叉领域感兴趣的学生与研究者。

课程内容

第一章：人工智能与金融科技导论
•人工智能发展简史及其在金融领域的变革
•机器学习、深度学习与神经网络核心概念
•自然语言处理（NLP）技术演进
•金融科技（FinTech）前沿与 AI 的融合趋势
第二章：大型语言模型（LLM）核心原理解析
•LLM 的崛起：从 Transformer 架构到 GPT 系列
•核心模型架构详解（Encoder-Decoder， Attention 机制）
•预训练与微调：LLM 如何学习和适应特定任务
•主流大型语言模型概览
第三章：大型语言模型训练与推理
•模型训练的关键策略：数据、算力与算法
•提示工程（Prompt Engineering）入门与技巧
•推理优化技术：提高模型响应速度与降低成本
•模型评估与可解释性（XAI）探讨
第四章：检索增强生成（RAG）技术详解
•为什么需要 RAG：LLM 的知识局限性与幻觉问题
•RAG 的核心工作流程：检索、增强、生成
•向量数据库与嵌入（Embeddings）技术原理
•构建一个基础 RAG 系统的关键组件
第五章：金融大规模语料库整合与应用
•金融领域特有语料介绍（研报、财报、公告、新闻）
•数据清洗、预处理与非结构化数据解析
•构建金融知识库的最佳实践
•知识产权与数据安全合规性考量
第六章：提升 RAG 模型响应质量与知识广度
•优化检索策略：Hybrid Search 与重排序（Re-ranking）
•高级 RAG 技术：Query 转换与多路召回
•Fine-tuning 在 RAG 中的应用
•评估 RAG 系统性能的核心指标与方法
第七章：大模型与 RAG 在金融的实际应用案例
•智能投研：自动化报告分析与市场洞察
•智能客服与营销：提升客户体验与转化率
•智能风控与合规：实时交易监控与合规审查
•量化交易策略生成与代码辅助
第八章：动手实践：构建一个迷你问答机器人
•环境准备与工具介绍
•加载并处理小规模文档
•调用 LLM API 与向量数据库
•搭建并测试 RAG 应用原型
•学员成果展示与代码讲解
第九章：最新 AI 研究成果与业界动态
•多模态大模型的发展与应用前景
•AI Agent（智能体）技术及其在金融自动化中的潜力
•行业最新的开源模型与工具分享
•全球 AI 监管政策与伦理探讨
第十章：总结与研讨
•课程核心内容回顾
•企业如何规划自己的大模型落地路线图
•开放式问答（Q&A）与交流
•培训效果评估与反馈