- 综合排序
- 最热优先
- 最新优先
- 来自专栏音视频技术
AV夜话#10 于昕：聊聊GPT与智能问答
当然还重点交流了音频技术的新的应用场景或行业，我们聊到了车载或者叫智能座舱，助听设备，音频质量评价，以及国内重点城市的生态，甚至国内外大家对技术的投入差别等等，信息量非常大。 今晚，AV夜话#10邀请到了 青岛洞听智能科技有限公司（联信集团子公司） 总经理于昕，聊聊GPT在智能问答这个非常热门的场景下的探索，晚上见。
61930编辑于 2023-05-12 - 来自专栏编程
10. Redis 面试常见问答
Redis 面试常见问答 什么是缓存雪崩？怎么解决？ 通常，我们会使用缓存用于缓冲对 DB 的冲击，如果缓存宕机，所有请求将直接打在 DB，造成 DB 宕机——从而导致整个系统宕机。 如何解决呢？
25410编辑于 2024-10-28 - 来自专栏活动
智能问答：视觉问答系统在客户服务中的创新
对于智能问答系统的部署过程和创新应用，这里将展示详细的部署步骤，并结合实际示例和代码解释。智能问答系统的应用在客户服务中具有重要意义，可以提高服务效率和用户体验，下面是部署过程的详细说明：I. 项目介绍和发展智能问答系统是一种结合了自然语言处理（NLP）和计算机视觉（CV）技术的人工智能系统，能够理解和回答用户提出的问题，其中视觉问答系统则通过分析图像内容来回答问题。 在客户服务领域，智能问答系统可以用于自动化客户支持、提供实时帮助和解决问题，为用户提供更高效和个性化的服务体验。 智能问答系统的发展历史可追溯到基于规则的系统，发展到统计机器学习方法和深度学习技术，尤其是近年来深度学习的发展使得问答系统在语义理解和问题解答方面取得了显著进展。 视觉问答系统则结合了计算机视觉和自然语言处理，使得系统能够根据图像内容回答问题，逐渐成为智能客服和虚拟助手领域的研究热点。II. 智能问答系统部署过程1.
1.2K10编辑于 2024-04-28 - 来自专栏数据科学与人工智能
【问答】什么是人工智能？
人工智能（Artificial Intelligence, AI）: 人工智能（Artificial Intelligence, AI）亦称机器智能，是指由人制造出来的机器所表现出来的智能。 通常人工智能是指通过普通计算机程序的手段实现的类人智能技术。该词也指出研究这样的智能系统是否能够实现，以及如何实现的科学领域。同时如此，人类数量亦开始收敛。 一般教材中的定义领域是“智能主体（intelligent agent）的研究与设计”[1]，智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。 [6]强人工智能目前仍然是该领域的长远目标。 AI完成任务，与人类的处理能力相同，但达到具备思考能力的统合强人工智能还需要时间研究，比较流行的方法包括统计方法，计算智能和传统意义的AI。
1.4K70发布于 2018-03-27 - 来自专栏产品笔记
RAG智能问答评测工具调研
大语言模型在企业内部知识问答中可能会出现幻觉等问题， 检索增强生成（RAG）是减轻大语言模型幻觉的一种有效手段，那如何评估检索增强生成的结果是否准确？ RAG智能问答系统介绍： 如何基于向量数据库+LLM（大语言模型）打造企业专属Chatbot？ 因此对RAG目前可以使用的评测工具或方法进行调研，从业务角度出发选择合适的评估框架。 10 分； 与问题描述完全相关的答案应得到 9 或 10 分； 与问题描述大部分相关的答案应得到 5-8 分，分数越高表示相关性越强； 与问题描述部分相关的答案应得到 2、3 或 4 分，分数越高表示相关性越强 表示最不相关，10 表示最相关； Groundtruth ：用于 response 准确性评估，使用已有的测试集标准答案进行对比评估，并打分。 打分标准：根据与正确答案的接近程度，回答只能使用 1 到 10 之间的整数。
1.5K10编辑于 2024-03-06 - 来自专栏腾讯云大数据
语言智能： 情感、知识与问答
此文为分享主题 “语言智能：情感、知识与问答“ 的PPT摘录版，内容做了少许修改，部分图片引自网络，欢迎交流 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1K130发布于 2018-05-09 - 来自专栏用户9703952的专栏
端到端的智能问答系统
一个完整的端到端智能问答系统应该包含哪些环节？ 一个完整的基于 LLM 的端到端问答系统，应该包括用户输入检验、问题分流、模型响应、回答质量评估、Prompt 迭代、回归测试，随着规模增大，围绕 Prompt 的版本管理、自动化测试和安全防护也是重要的话题 9.522112e-07 self-harm/intent False False 2.334248e-07 self-harm/instructions False False 3.670997e-10 使用更智能的检索机制，而不仅是精确匹配，例如结合知识库的文本 Embedding 实现语义搜索。
93010编辑于 2025-02-06 - 来自专栏机器学习AI算法工程
智能问答：LSTM 句子相似度分析
使用句子中出现单词的Vector加权平均进行文本相似度分析虽然简单，但也有比较明显的缺点：没有考虑词序且词向量区别不明确。如下面两个句子：
1.7K20发布于 2019-10-28 - 来自专栏Soul Joy Hub
解读：【小爱同学】智能问答系统
基于检索匹配的问答 1.1 FAQ问答框架 1.2 检索 检索召回分为以下三种方式： term检索 实体检索 语义检索 1.2.1 语义检索 学习得到每个doc的语义向量： 为每一个问题计算句子的语义向量 基于知识图谱的问答 2.1 基于模板的方法 2.1.1 模板挖掘方法 作者基于结构化词条、问答论坛的数据，来进行模板挖掘的。如上图所示，结构化词条就可以看做是一个知识图谱。 当问答论坛数据中，问题包含实体，答案包含属性值，就可以以此构造解析模板。如： 2.1.2 带约束的问答 上述挖掘的都是比较简单的模型。作者还构建了带约束的问答模板。如“世界之最”的问题。
1.8K21编辑于 2022-05-10 - 来自专栏自然语言处理
STI比赛任务一：【智能问答baseline】
比赛简介 百度搜索首届技术创新挑战赛：赛道一 答案抽取 STI比赛任务一：【比赛数据分析与长尾发现】 STI比赛任务一：【NLP常见优化算法和上分Trick】 STI比赛任务一：【智能问答baseline 对于不包含答案的文档，其答案可看做一个特殊token【无答案】，若模型预测出答案，其F1为0，若模型预测【无答案】，其F1 智能问答Ernie3.0基线 项目地址：https://aistudio.baidu.com 滑动窗口生成InputFeature的过程如下图： [站外图片上传中…(image-10dce0-1668574875215)] from functools import partial max_seq_length
48820编辑于 2023-08-25 - 来自专栏自然语言处理
【GoMate框架案例】讯飞大模型RAG智能问答挑战赛top10 Baseline
本次挑战赛旨在探索RAG技术的极限，鼓励开发者、研究人员和爱好者利用RAG技术解决实际问题，推动人工智能领域的进步。 qwen_chat = QwenChat(llm_model_path) glm4_chat = GLM4Chat(llm_model_path) # ====================检索问答
47610编辑于 2024-11-23 - 来自专栏Tencent Serverless 官方专栏
SCF：搭建智能客服问答机器人
今天本文，就通过简单的方法，在SCF上部署一个问答机器人/智能客服，来为各位有需求的小伙伴，解决实际问题，当然，这篇文章也算是抛砖引玉。 准备阶段 首先，我们要有一个数据库，存储我们的问答系统，我这里在腾讯云购买一个云数据库（MySQL），并建立表和字段等信息： image.png 并且插入几个问题： image.png 然后，通过本地编写代码 总结 本文是通过一个简单的算法，实现了简单的问答机器人工具。
2.9K124发布于 2019-06-27 - 来自专栏机器学习AI算法工程
基于知识图谱的智能问答方案
基于知识图谱的相关应用大致可以分为搜索、问答、决策、推荐等几种常见的类别，本文主要就年初规划的xx智能问答建设方案，介绍一下基于知识图谱的智能问答，主要分为如下几个方面： 1、人机对话体系结构 2、问答产品知识结构 3、典型的智能问答产品 4、智能问答的关键技术 5、基于知识图谱的智能问答 1、人机对话体系结构 ? 目前DuerOS已经具备10大类目100多项能力，可以为不同行业的合作伙伴赋能，广泛支持手机、电视、音箱、汽车、机器人等多种硬件设备，实现语音控制、日常聊天、直接提供多种O2O服务等的智能化转变，被国内外同行称为 这里的智能问答助手主要都是通过机器人、虚拟语音助手、音箱等形态来承接，并且具有多模态识别以及服务推荐、引导、聊天等功能，比一般的文本问答都更智能、更方便。 4、智能问答的关键技术 智能问答系统的能力需求 ? 根据AI应用能力框架，对于智能问答系统的能力需求，可以分为基础能力、业务积累以及智能技术三部分。
5.6K32发布于 2020-07-14 - 来自专栏创作特训营
WorkBuddy + MaxKB 搭建个人知识库实战：10 年技术文档 3 小时接入 RAG 智能问答
本文记录我用腾讯云WorkBuddy作为AI编程助手，结合开源项目MaxKB，3小时搭建起属于自己的个人智能知识库的完整过程：Docker一键部署、500+篇文档批量导入、对接腾讯混元大模型、自定义API 保留10轮历史温度0.3问答场景偏严谨5.3向量模型选择文档向量化用bge-large-zh，本地Ollama部署：展开代码语言：BashAI代码解释#拉取向量模型ollamapullbge-large-zh 这需要：前端Vue3组件调用MaxKBAPI后端反代解决跨域和鉴权流式输出（SSE）支持6.2给WorkBuddy的Prompt展开代码语言：TXTAI代码解释帮我实现一个个人博客侧边栏的智能问答组件： Q2：500篇文档导入后，问答准确率只有60%？准确率低通常是分片策略问题。 500篇10年积累的文档第一次有了统一的智能入口——过去找不到的笔记，现在一句话就能调出来。
87841编辑于 2026-07-24 - 来自专栏机器学习入门与实战
平安人寿智能团队：智能问答系统的探索与实践
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1.5K41发布于 2019-11-20 - 来自专栏《活动征集》
智能问答系统的创新与优化：大模型引擎如何彻底改变问答世界？
环境说明：Windows 10 + IntelliJ IDEA 2021.3.2 + Jdk 1.8前言 随着人工智能（AI）技术的飞速发展，智能问答系统也在不断地进化。 大家熟悉的智能助理像Siri、Google Assistant，或者企业客服机器人，正是智能问答系统的一部分。 一、智能问答系统的基本框架与发展历程智能问答系统的发展其实并不复杂，但它的演变历程却充满了惊喜。 二、大模型在智能问答系统中的优势那么，为什么大模型在问答系统中表现得如此卓越？它究竟是如何突破传统问答系统的限制，带来革命性变化的呢？让我们一探究竟。 四、不同领域的定制化问答系统设计根据不同应用场景的需求，智能问答系统的设计也需要进行定制化。让我们看看在企业客服和智能助理领域，基于大模型的问答系统是如何为不同行业提供解决方案的。
1K21编辑于 2025-03-06 - 来自专栏达观数据
技术干货 | 达观数据智能问答技术研究
在AlphaGo大胜李世石、柯洁之后，人工智能越来越火，智能问答也是其中必不可少的一环。 智能问答一般用于解决企业客服、智能资讯等应用场景，实现的方式多种多样，包括简单的规则实现，也可以基于检索实现，还可以通过encoder-decoder框架生成，本文通过几种常见的问答技术，概要介绍了达观数据智能问答相关原理研究 1 基于规则的智能问答 基于规则的智能问答通常是预先设置了一系列的问答规则，在用户输入一个问题时，去规则库里匹配，看是否满足某项规则，如果满足了就返回该规则对应的结果。 2 基于检索的智能问答 基于检索的智能问答很像一个搜索引擎，但又和搜索引擎不同。相比搜索引擎而言，智能问答更侧重于用户意图和语义的理解。 4 小结 本文介绍了智能问答技术的相关原理，讲述了实现智能问答的一般方法。借助于深度学习技术，智能问答效果比传统机器学习提升20%左右。
1.6K110发布于 2018-03-30 - 来自专栏黄成甲
驾驭未来：知识图谱与工业智能问答
中国信息通信研究院联合中国人工智能产业发展联盟对 ChatGPT 进行的测试显示，ChatGPT 在百科检索、数学问答、文学交流、常识问答、知识推理等对话任务上的意图识别率均达到 98% 左右，在生活闲聊上的意图识别率约为 4.知识图谱与智能问答知识图谱与智能问答其实是两个相关的概念，它们都在人工智能领域中扮演着重要的角色。知识图谱是以图形结构表示的知识库，它包含了实体、属性和实体之间的关系。 在智能问答系统的整体基础框架中，包括预处理模块、问句分析、知识检索和答案生成等部分。 基于知识图谱的智能问答系统（KBQA）是一种常见的技术路线，它利用知识图谱中的数据进行问题的解析和查询，从而得到准确的答案。知识图谱与智能问答系统的结合可以提高问答系统的准确性和效率。 通过利用知识图谱中的丰富知识和关系，智能问答系统能够更好地理解用户的问题，并给出更准确的答案。同时，知识图谱也可以为智能问答系统提供更多的背景知识和上下文信息，从而提升系统的智能化水平。
2.1K92编辑于 2023-11-10 KoalaQA —— AI 驱动企业智能问答与知识社区
项目简介 KoalaQA 是一款 AI 大模型驱动的开源智能售后服务产品，提供 AI 客服、AI 洞察、AI 搜索、AI 运营等能力，帮助你快速搭建企业内外部问答平台、开发者社区、用户服务社区，帮助团队显著降低人工运营成本 核心特性 • AI 智能客服全天候实时应答：理解客户意图、自然回答问题，自动处理约 90% 的常见问题，复杂问题智能转接人工客服，为客户提供更高效自然的服务体验。 • AI 知识库智能进化：自动生成问答对智能学习，自动优化回答，智能洞察知识缺口进行补充，实现持续进化的智能响应体系。 • 多板块与权限管理：为不同团队与业务打造独立板块，自由配置访问与可见范围。 适用场景 • 企业产品售后智能客服社区； • 开发者技术支持与 FAQ 平台； • 企业内部知识库与新员工自助问答； • 团队共享文档、高频问题自动应答； • 替代传统论坛、工单系统，降低人力成本。 总结 KoalaQA 以 AI + 社区 + 自动知识进化 为核心，轻量化、私有化、易部署，帮企业用最低成本搭建 7×24 小时智能问答平台，是技术团队、客服部门、运营团队的高效协作神器。
48910编辑于 2026-06-01- 来自专栏铭毅天下
运用 Elasticsearch 8.1.x 实现智能问答系统
序言 图示：一个简单的智能问答系统。 在当前业务系统中，是否感受到越来越多的智能化个性业务诉求，做一个智能化的商品搜索，用于检索商品的相似性；做一个图片搜索，检索相似的图片；做一个语音搜索，检索相似度极高的音频，这种智能化的需求越来越多。 dense_vector 2019年4月，Elasticsearch发布了7.0版本，带来了很多新特性，其中增加了新的字段类型dense_vector，向量字段类型为智能搜索提供了最关键的基石，可广泛应用于文本相似度搜索 _knn_search { "knn": { "field": "image_vector", "query_vector": [0.3, 0.1, 1.2], "k": 10
1.6K30编辑于 2022-05-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号