培訓(xùn)對象:證券行業(yè)戰(zhàn)略規(guī)劃、技術(shù)研發(fā)、投資研究、風(fēng)控合規(guī)、客戶服務(wù)等業(yè)務(wù)部門的管理及技術(shù)人員;
課程背景:
本課程結(jié)合AI大模型技術(shù)革命與證券行業(yè)數(shù)字化轉(zhuǎn)型的雙重背景,聚焦DeepSeek的核心技術(shù)突破及其在證券行業(yè)的應(yīng)用潛力,解析指令模型與推理模型的技術(shù)差異,探討低成本、高性能AI對證券業(yè)務(wù)模式的重構(gòu)邏輯,幫助學(xué)員從技術(shù)認(rèn)知、應(yīng)用場景到戰(zhàn)略布局全面掌握AI驅(qū)動的行業(yè)變革趨勢。
課程收益:
培訓(xùn)完結(jié)后,學(xué)員能夠:
1. **理解DeepSeek的技術(shù)特性**:掌握其低成本、高效率的核心優(yōu)勢及技術(shù)實現(xiàn)路徑。
2. **區(qū)分指令模型與推理模型**:明確兩類模型的技術(shù)差異及在證券業(yè)務(wù)中的應(yīng)用場景。
3. **預(yù)判AI技術(shù)趨勢**:分析推理模型未來可能具備的復(fù)雜決策、動態(tài)交互能力及其對金融智能化的推動。
4. **評估行業(yè)影響**:識別DeepSeek對投資研究、客戶服務(wù)、風(fēng)險管理等核心業(yè)務(wù)的效率提升路徑。
5. **規(guī)劃成本與算力策略**:掌握AI大模型成本優(yōu)化方法及算力需求變化趨勢。
6. **制定應(yīng)對策略**:結(jié)合開源生態(tài)與行業(yè)競爭格局,設(shè)計證券機(jī)構(gòu)的AI技術(shù)應(yīng)用路線圖。
兩天培訓(xùn)課程大綱:
單元 | 大綱 | 內(nèi)容 |
單元一 | DeepSeek的核心技術(shù)突破與行業(yè)意義 | 1. DeepSeek的技術(shù)架構(gòu)解析* 1.1) MOE(專家混合模型)與MLA(多頭潛在注意力)算法的創(chuàng)新。 1.2) 參數(shù)規(guī)模與算力效率:V3模型6710億參數(shù)中僅激活370億,訓(xùn)練成本557萬美元的顛覆性意義。 **案例**:對比Meta Llama3與DeepSeek-V3的算力需求差異(H800 GPU數(shù)量減少87.5%)。 **討論課題**:證券機(jī)構(gòu)如何通過低成本AI模型降低技術(shù)投入門檻? 2. 性能評測與商業(yè)化潛力 2.1) 在MMLU、DROP等評測中超越GPT-4o的關(guān)鍵表現(xiàn)。 2.2) 開源模式對OpenAI閉源壟斷的挑戰(zhàn):技術(shù)民主化與生態(tài)共建。 |
單元二 | 指令模型與推理模型的差異 | 1. 指令模型的核心邏輯 1.1) 基于用戶指令生成結(jié)果,強(qiáng)調(diào)任務(wù)執(zhí)行的準(zhǔn)確性(如傳統(tǒng)GPT系列)。 1.2) 局限性:缺乏動態(tài)推理過程,依賴大量監(jiān)督微調(diào)數(shù)據(jù)。 2. 推理模型的范式革新 2.1) DeepSeek-R1的強(qiáng)化學(xué)習(xí)訓(xùn)練:跳過監(jiān)督微調(diào),直接通過邏輯鏈生成解決方案。 2.2) 關(guān)鍵能力:文檔分析、數(shù)學(xué)推理、代碼生成(AIME2024測試成績79.8% vs. OpenAI-o1的96.7%)。 **案例**:某券商測試中利用DeepSeek-R1優(yōu)化量化交易策略的回測效率。 |
單元三 | 證券行業(yè)的AI應(yīng)用場景重構(gòu) | 1. 投資研究與資產(chǎn)管理 1.1) 自動化研報生成與多因子模型優(yōu)化。 1.2) 實時市場情緒分析與事件驅(qū)動策略。 2. 客戶服務(wù)與合規(guī)風(fēng)控 2.1) 智能投顧的交互式?jīng)Q策支持(如“思考過程”可視化)。 2.2) 反洗錢與異常交易識別的動態(tài)推理能力提升。 **案例**:奇安信利用DeepSeek-R1實現(xiàn)安全威脅研判效率提升30%。 |
單元四 | AI成本優(yōu)化與算力需求演變 | 1. DeepSeek對算力生態(tài)的影響 1.1) 訓(xùn)練成本降低20%-40%對資本支出的釋放效應(yīng)。 1.2) 推理算力需求增長:從訓(xùn)練密集型向應(yīng)用密集型的轉(zhuǎn)變。 2. 證券行業(yè)的算力策略 2.1) 混合云部署與國產(chǎn)算力替代(如海光信息、浪潮信息)。 **討論課題**:如何平衡推理算力需求與GPU供應(yīng)鏈風(fēng)險? |
單元五 | 行業(yè)競爭格局與開源生態(tài)的機(jī)遇 | 1. OpenAI與DeepSeek的路線之爭 1.1) 閉源收費(fèi) vs. 開源生態(tài):技術(shù)壁壘與商業(yè)化閉環(huán)的博弈。 2. 證券機(jī)構(gòu)的開源策略** 2.1) 參與社區(qū)共建 vs. 自主模型微調(diào)的路徑選擇。 **案例**:阿里云、騰訊云快速集成DeepSeek模型的開源實踐。 3、企業(yè)部署模型和使用模型的成本將大大降低。 |
單元六 | 推理模型的未來趨勢與高階能力預(yù)測 | 1. 復(fù)雜決策與動態(tài)交互能力 1.1) 多模態(tài)融合:文本、數(shù)據(jù)、圖表聯(lián)動的投資決策支持。 1.2) 實時自適應(yīng)學(xué)習(xí):基于市場波動的策略動態(tài)調(diào)整。 2. 倫理與風(fēng)險挑戰(zhàn) 2.1) 模型幻覺的進(jìn)一步降低與可解釋性提升。 2.2) 監(jiān)管科技(RegTech)與AI合規(guī)框架的協(xié)同演進(jìn)。 |
單元七 | AI的這種變化下,企業(yè)和職員該如何應(yīng)對 | AI大模型的時代下復(fù)合型人才需求的持續(xù)攀升 要求學(xué)習(xí)能力越來越強(qiáng),尤其是對技術(shù)邏輯、 業(yè)務(wù)理解和技術(shù)工具的使用能力。 3、某些工作流程的重塑可能性 |
公司核心業(yè)務(wù)包括旅行式團(tuán)建、培訓(xùn)式團(tuán)建、主題式團(tuán)建、策劃式團(tuán)建、體育式團(tuán)建、戶外式團(tuán)建。起贏培訓(xùn)不斷追求團(tuán)建產(chǎn)品創(chuàng)新與服務(wù)超越,致力于打造成為中國最具影響力與創(chuàng)新力的團(tuán)隊建設(shè)品牌。
查看更多