電力企業(yè)客戶(hù)服務(wù)智能機(jī)器人大模型的構(gòu)建與優(yōu)化

摘 要：本文分析了智能客服系統(tǒng)在不同處理渠道數(shù)量和用戶(hù)規(guī)模下的響應(yīng)時(shí)間與能耗變化。結(jié)果顯示，增加處理渠道數(shù)量顯著提高了系統(tǒng)響應(yīng)效率，但也導(dǎo)致能耗顯著增加。優(yōu)化措施包括提高并行處理效率、動(dòng)態(tài)調(diào)整處理渠道、引入能效優(yōu)化算法等。模型構(gòu)建選擇基于Transformer的架構(gòu)，并采用自組織映射（SOM）模型進(jìn)行訓(xùn)練和優(yōu)化，以提升系統(tǒng)性能和用戶(hù)體驗(yàn)。性能測(cè)試結(jié)果驗(yàn)證，這些優(yōu)化策略能有效提高系統(tǒng)的性能和能效，確保系統(tǒng)在大規(guī)模用戶(hù)請(qǐng)求下保持高效、穩(wěn)定運(yùn)行，提升用戶(hù)整體服務(wù)體驗(yàn)。

關(guān)鍵詞：電力企業(yè)；客戶(hù)服務(wù)；智能機(jī)器人；大模型

中圖分類(lèi)號(hào)：TM 727 文獻(xiàn)標(biāo)志碼：A

隨著信息技術(shù)迅猛發(fā)展，智能機(jī)器人在各個(gè)領(lǐng)域的應(yīng)用逐漸成為可能。特別是在電力企業(yè)客戶(hù)服務(wù)領(lǐng)域，智能機(jī)器人的引入可以提升服務(wù)效率和客戶(hù)滿(mǎn)意度。馮小桓[1]分析了ChatGPT在上下文理解、模糊查詢(xún)處理、對(duì)抗攻擊和多語(yǔ)言支持等方面的應(yīng)用潛力，為圖書(shū)館智能客服提供參考思路。宋首文[2]探討了大語(yǔ)言模型在商業(yè)銀行的應(yīng)用。大語(yǔ)言模型為銀行轉(zhuǎn)變管理模式、提升服務(wù)質(zhì)效提供助力，同時(shí)需要注意數(shù)據(jù)風(fēng)險(xiǎn)等潛在風(fēng)險(xiǎn)因素。杜慶賢[3]進(jìn)行了類(lèi)ChatGPT人工智能水平對(duì)比測(cè)試，并探索其在財(cái)會(huì)領(lǐng)域的真實(shí)表現(xiàn)及應(yīng)用前景。束開(kāi)等[4]探析了ChatGPT在財(cái)務(wù)領(lǐng)域可能扮演的全新角色，并分析其推動(dòng)財(cái)務(wù)轉(zhuǎn)型發(fā)展中的潛在價(jià)值。吳曉如[5]深度剖析認(rèn)知大模型等人工智能新技術(shù)對(duì)金融服務(wù)帶來(lái)機(jī)遇與挑戰(zhàn)，在確保安全合規(guī)的前提下，優(yōu)先從相對(duì)穩(wěn)定的高價(jià)值場(chǎng)景切入，為金融機(jī)構(gòu)數(shù)智化轉(zhuǎn)型戰(zhàn)略安排落地路徑提供經(jīng)驗(yàn)。邱冬陽(yáng)等[6]介紹并討論了ChatGPT類(lèi)人工智能給金融行業(yè)帶來(lái)的機(jī)遇和挑戰(zhàn)以及存在的主要問(wèn)題和解決方法。

1 智能機(jī)器人大模型客戶(hù)服務(wù)

1.1 故障報(bào)修與處理

在電力企業(yè)中，故障報(bào)修與處理是客戶(hù)服務(wù)的核心環(huán)節(jié)。以往，客戶(hù)需要撥打服務(wù)熱線(xiàn)，詳細(xì)描述故障情況，然后等待客服人員記錄、分析并派遣維修人員。這個(gè)過(guò)程往往耗時(shí)較長(zhǎng)，且易出現(xiàn)信息傳遞不準(zhǔn)確的問(wèn)題。

通過(guò)應(yīng)用大模型參與客戶(hù)服務(wù)，可以大幅提升故障報(bào)修與處理的效率和準(zhǔn)確性?？蛻?hù)可以通過(guò)語(yǔ)音或文字向智能機(jī)器人描述故障，大模型能夠快速解析客戶(hù)的描述，識(shí)別關(guān)鍵問(wèn)題，并提供初步的解決方案。例如，客戶(hù)描述電力中斷，大模型可以根據(jù)描述迅速判斷可能的原因（例如線(xiàn)路故障、設(shè)備損壞等故障），協(xié)助進(jìn)行故障定位的同時(shí)為客戶(hù)提供具有專(zhuān)業(yè)水準(zhǔn)的緊急處理建議。這能夠幫助客戶(hù)自行解決簡(jiǎn)單問(wèn)題，如果需要維修人員到現(xiàn)場(chǎng)處理，大模型可以自動(dòng)生成工單，并實(shí)時(shí)通知相關(guān)部門(mén)和人員。這一過(guò)程不僅縮短了客戶(hù)等待時(shí)間，還提高了故障處理的準(zhǔn)確性。智能機(jī)器人可以24/7全天候工作，也能夠進(jìn)一步確?？蛻?hù)在任何時(shí)間都能得到及時(shí)響應(yīng)和處理。

1.2 賬單查詢(xún)與解釋

賬單查詢(xún)與解釋是電力企業(yè)客戶(hù)服務(wù)的另一重要領(lǐng)域?？蛻?hù)經(jīng)常對(duì)賬單內(nèi)容、費(fèi)用構(gòu)成等問(wèn)題有疑問(wèn)，需要咨詢(xún)客服人員。傳統(tǒng)方式中，客服人員需要逐一解答，不僅費(fèi)時(shí)費(fèi)力，還可能因?yàn)榻忉尣磺鍖?dǎo)致客戶(hù)不滿(mǎn)意。

大模型可以通過(guò)自然語(yǔ)言處理技術(shù)，智能查詢(xún)客戶(hù)的賬單信息，并詳細(xì)解釋費(fèi)用的構(gòu)成。例如，客戶(hù)可以通過(guò)智能機(jī)器人查詢(xún)某個(gè)月的電費(fèi)賬單，大模型會(huì)提供詳細(xì)的費(fèi)用明細(xì)，包括基本電費(fèi)、峰谷電費(fèi)、各類(lèi)附加費(fèi)等，并解釋各項(xiàng)費(fèi)用的計(jì)算方式和標(biāo)準(zhǔn)。這不僅幫助客戶(hù)更好地理解賬單內(nèi)容，還減少了由信息不清晰引發(fā)的疑問(wèn)和投訴。此外，大模型還能基于客戶(hù)的用電習(xí)慣和歷史數(shù)據(jù)，提供節(jié)能建議和費(fèi)用預(yù)測(cè)，幫助客戶(hù)優(yōu)化用電，降低電費(fèi)開(kāi)支。

1.3 服務(wù)投訴處理

服務(wù)投訴處理是客戶(hù)服務(wù)中不可避免的重要環(huán)節(jié)。傳統(tǒng)上，投訴處理流程復(fù)雜，涉及多個(gè)部門(mén)協(xié)調(diào)，效率較低，容易引發(fā)客戶(hù)不滿(mǎn)。

通過(guò)應(yīng)用大模型，服務(wù)投訴處理可以變得更高效、更智能化。智能機(jī)器人可以通過(guò)語(yǔ)音或文字與客戶(hù)互動(dòng)，快速收集投訴信息。大模型可以根據(jù)客戶(hù)的描述，自動(dòng)分類(lèi)投訴類(lèi)型，例如電力中斷、服務(wù)態(tài)度、賬單問(wèn)題等，并根據(jù)問(wèn)題的緊急程度和類(lèi)型給出初步解決方案。例如，客戶(hù)投訴電力中斷，大模型可以立即查詢(xún)相關(guān)區(qū)域的電力狀況，判斷是否是區(qū)域性問(wèn)題，并告知客戶(hù)預(yù)計(jì)恢復(fù)時(shí)間；如果是個(gè)別問(wèn)題，就可以快速安排維修人員處理。此外，大模型可以自動(dòng)生成投訴記錄，并通知相關(guān)部門(mén)跟進(jìn)，確保投訴問(wèn)題得到及時(shí)處理和反饋。這種智能化的處理方式不僅提高了投訴處理的效率，還增強(qiáng)了客戶(hù)滿(mǎn)意度，降低了因投訴未及時(shí)處理引發(fā)的負(fù)面情緒和后續(xù)問(wèn)題。

2 模型構(gòu)建

2.1 架構(gòu)設(shè)計(jì)

針對(duì)電力企業(yè)客戶(hù)服務(wù)復(fù)雜多樣的特點(diǎn)，選擇了適用于大規(guī)模數(shù)據(jù)處理和復(fù)雜任務(wù)執(zhí)行的Transformer-based架構(gòu)（例如BERT、GPT等）。這些架構(gòu)具有出色的語(yǔ)義理解、對(duì)話(huà)生成和上下文記憶能力。同時(shí)，當(dāng)考慮擴(kuò)展性和實(shí)時(shí)性需求時(shí)，系統(tǒng)也做出相應(yīng)調(diào)整，通過(guò)持續(xù)優(yōu)化學(xué)習(xí)其客戶(hù)需求。其架構(gòu)設(shè)計(jì)如圖1所示。

圖1展示了所選用的模型架構(gòu)。這一框架基于服務(wù)器連接網(wǎng)絡(luò)、網(wǎng)關(guān)與本地?cái)?shù)據(jù)。該框架將用戶(hù)輸入數(shù)據(jù)傳入Transformer網(wǎng)絡(luò)中，在各個(gè)層級(jí)經(jīng)過(guò)多次處理后輸出響應(yīng)結(jié)果，形成其動(dòng)態(tài)響應(yīng)能力和信息檢索功能?；诖?，模型得以支持實(shí)時(shí)通信功能，并基于網(wǎng)關(guān)保護(hù)支持通信的可靠性。其基本功能包括常見(jiàn)投訴處理等單純文字模型，也可以通過(guò)內(nèi)部網(wǎng)絡(luò)協(xié)同等方式輸出個(gè)人信息與保修信息，從而與運(yùn)維相結(jié)合提供實(shí)時(shí)信息反饋，實(shí)現(xiàn)故障報(bào)修與簡(jiǎn)易問(wèn)題的在線(xiàn)處理。大模型需要專(zhuān)一化元分類(lèi)器的再訓(xùn)練，以便在圖Q學(xué)習(xí)框架下實(shí)現(xiàn)既往賬單信息和相關(guān)個(gè)人信息的挖掘整理，為實(shí)時(shí)反饋的客戶(hù)解答和分析提供支持，并適當(dāng)提升節(jié)電宣傳能力。

總體來(lái)說(shuō)，這種結(jié)合了深度學(xué)習(xí)技術(shù)與自然語(yǔ)言處理領(lǐng)域最新進(jìn)展的框架能夠?yàn)橹悄軝C(jī)器人提供強(qiáng)大功能支持，在客戶(hù)個(gè)人信息和歷史信息的檢索基礎(chǔ)上實(shí)現(xiàn)智能客服對(duì)話(huà)，利用內(nèi)部數(shù)據(jù)網(wǎng)絡(luò)實(shí)現(xiàn)故障報(bào)修和賬單解讀，并兼顧系統(tǒng)內(nèi)部計(jì)算和網(wǎng)絡(luò)資源調(diào)度功能等其他協(xié)調(diào)需求。

2.2 訓(xùn)練與優(yōu)化

其用戶(hù)數(shù)據(jù)采用自組織映射（Self-Organizing Maps，SOM）模型來(lái)處理大規(guī)模數(shù)據(jù)的訓(xùn)練和優(yōu)化。每個(gè)節(jié)點(diǎn)與輸入數(shù)據(jù)空間中的一個(gè)向量關(guān)聯(lián)。這一過(guò)程中，用戶(hù)數(shù)據(jù)與項(xiàng)目間發(fā)生交互，構(gòu)建了用戶(hù)數(shù)據(jù)網(wǎng)絡(luò)結(jié)構(gòu)并隨機(jī)賦予權(quán)重，如公式（1）所示。

D={x1，x2，…，xm} （1）

接著進(jìn)行競(jìng)爭(zhēng)學(xué)習(xí)。來(lái)自客戶(hù)實(shí)時(shí)交互信息的輸入數(shù)據(jù)被送入網(wǎng)絡(luò)，每個(gè)輸入向量與節(jié)點(diǎn)的權(quán)重進(jìn)行比較，從而評(píng)估新增客戶(hù)信息的價(jià)值，競(jìng)爭(zhēng)過(guò)程中，輸入向量x 與節(jié)點(diǎn)j的距離如公式（2）所示。

Dj=||x-xj||2 （2）

式中：Dj為輸入向量x與節(jié)點(diǎn)j的距離；wj為節(jié)點(diǎn)j的權(quán)重向量。

這一權(quán)重更新公式如公式（3）所示。

wj（t+1）=wj（t）+η（t）?hjj（t）?（x（t）-wj（t）） （3）

式中：η（t）為學(xué)習(xí)率；hjj（t）為鄰域函數(shù)，控制節(jié)點(diǎn)權(quán)重更新的幅度和范圍。

在權(quán)重更新階段，勝出節(jié)點(diǎn)及其鄰近節(jié)點(diǎn)的權(quán)重根據(jù)輸入向量的特征進(jìn)行調(diào)整，使它們更接近輸入向量的特征。這個(gè)過(guò)程通過(guò)學(xué)習(xí)率控制，逐步調(diào)整節(jié)點(diǎn)權(quán)重。然后，重復(fù)以上步驟進(jìn)行迭代訓(xùn)練，逐漸調(diào)整節(jié)點(diǎn)的權(quán)重，直到網(wǎng)絡(luò)收斂于穩(wěn)定狀態(tài)。這確保了模型能夠捕捉輸入數(shù)據(jù)的特征和分布，構(gòu)成立足于客戶(hù)數(shù)據(jù)的客服模型。

通過(guò)SOM模型的訓(xùn)練和優(yōu)化過(guò)程，智能客服系統(tǒng)能夠充分利用大數(shù)據(jù)，實(shí)現(xiàn)高效的數(shù)據(jù)處理和分析能力。這不僅提升了系統(tǒng)的響應(yīng)速度和用戶(hù)體驗(yàn)，還為電力企業(yè)客戶(hù)服務(wù)的智能化發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。

3 性能測(cè)試

3.1 測(cè)試環(huán)境

本文基于所描述的架構(gòu)設(shè)計(jì)和訓(xùn)練優(yōu)化過(guò)程進(jìn)行性能測(cè)試，針對(duì)所選的模型架構(gòu)評(píng)估模型在不同規(guī)模和不同渠道數(shù)量下的響應(yīng)耗時(shí)與耗能情況，從而針對(duì)系統(tǒng)的實(shí)時(shí)性需求，測(cè)試模型在實(shí)時(shí)環(huán)境下的性能表現(xiàn)。這包括評(píng)估模型處理實(shí)時(shí)交互信息時(shí)的響應(yīng)速度和性能穩(wěn)定性，需要通過(guò)模擬實(shí)際用戶(hù)交互場(chǎng)景，測(cè)試系統(tǒng)在不同負(fù)載下的表現(xiàn)。模型也需要測(cè)試模型在處理大規(guī)模數(shù)據(jù)時(shí)的擴(kuò)展性能力，通過(guò)逐步增加數(shù)據(jù)量和并發(fā)用戶(hù)數(shù)，評(píng)估系統(tǒng)在不同規(guī)模下的性能表現(xiàn)。這有助于確定系統(tǒng)在面對(duì)未來(lái)業(yè)務(wù)增長(zhǎng)時(shí)的可擴(kuò)展性。

智能客服系統(tǒng)的性能測(cè)試中，將系統(tǒng)部署在阿里云服務(wù)器上，以確保測(cè)試環(huán)境的穩(wěn)定性和可靠性。服務(wù)器的具體配置參數(shù)為4核CPU、16G內(nèi)存、40G硬盤(pán)和CentOS7.2操作系統(tǒng)。為了全面評(píng)估智能客服系統(tǒng)的性能，在試驗(yàn)中使用了多種移動(dòng)終端設(shè)備進(jìn)行交互，作為客戶(hù)端訪(fǎng)問(wèn)系統(tǒng)測(cè)試大模型的響應(yīng)耗時(shí)。測(cè)試中所用的終端設(shè)備包括三款智能手機(jī)：iPhone 7、iPhone X和小米9。其中，iPhone 7配備A10 CPU、2G內(nèi)存，iPhone X配備A11 CPU、3G內(nèi)存，兩者均運(yùn)行iOS 13操作系統(tǒng)，并使用Safari瀏覽器進(jìn)行測(cè)試。小米9配備驍龍855 CPU、6G內(nèi)存，運(yùn)行Android 9操作系統(tǒng)，并使用Chrome 76瀏覽器進(jìn)行測(cè)試。所有終端設(shè)備均通過(guò)瀏覽器在移動(dòng)蜂窩網(wǎng)絡(luò)環(huán)境下進(jìn)行遠(yuǎn)程異地測(cè)試，以模擬用戶(hù)在不同網(wǎng)絡(luò)條件下的實(shí)際使用情況。

通過(guò)以上性能測(cè)試，可以全面評(píng)估智能客服系統(tǒng)在處理電力企業(yè)客戶(hù)服務(wù)方面的表現(xiàn)，從而發(fā)現(xiàn)潛在問(wèn)題并進(jìn)行優(yōu)化改進(jìn)，進(jìn)而確保系統(tǒng)能夠高效、穩(wěn)定地運(yùn)行，為電力企業(yè)客戶(hù)提供優(yōu)質(zhì)的智能化服務(wù)。

3.2 響應(yīng)耗時(shí)測(cè)試

根據(jù)性能測(cè)試結(jié)果，進(jìn)一步優(yōu)化模型的算法和架構(gòu)，提升系統(tǒng)的整體性能和穩(wěn)定性，確保能夠長(zhǎng)期滿(mǎn)足大規(guī)?？蛻?hù)服務(wù)的需求。

針對(duì)不同用戶(hù)規(guī)模條件的耗時(shí)，其結(jié)果如圖2所示。

響應(yīng)耗時(shí)測(cè)試中，隨著并發(fā)用戶(hù)數(shù)量增加，系統(tǒng)響應(yīng)時(shí)間顯著增長(zhǎng)。舉例來(lái)說(shuō)，針對(duì)10個(gè)用戶(hù)，系統(tǒng)響應(yīng)耗時(shí)為2.12s；針對(duì)1000個(gè)用戶(hù)，響應(yīng)耗時(shí)增至4.98s；針對(duì)20000個(gè)用戶(hù)，響應(yīng)耗時(shí)則達(dá)到6.73s。這顯示系統(tǒng)在處理大規(guī)模用戶(hù)并發(fā)時(shí)，響應(yīng)時(shí)間明顯增加。SOM模型的迭代優(yōu)化也對(duì)系統(tǒng)響應(yīng)時(shí)間產(chǎn)生了顯著影響。在1000個(gè)用戶(hù)的情況下，進(jìn)行1000次迭代時(shí)，系統(tǒng)的響應(yīng)時(shí)間長(zhǎng)達(dá)86.2s，20000萬(wàn)用戶(hù)的2000次迭代更達(dá)到226.16s。這表明當(dāng)前的服務(wù)器配置可能不足以支持大規(guī)模的數(shù)據(jù)流量，因此當(dāng)處理復(fù)雜數(shù)據(jù)計(jì)算時(shí)，系統(tǒng)性能可能受到限制。

基于1000用戶(hù)條件設(shè)置多渠道不同迭代條件的耗時(shí)情況如圖3所示。

隨著渠道數(shù)量增加，耗時(shí)顯著下降，當(dāng)處理6個(gè)渠道時(shí)，平均需要48.65s響應(yīng)耗時(shí)，渠道數(shù)量增至12個(gè)時(shí)，平均需要34.71s。當(dāng)有96個(gè)處理渠道參與時(shí)，僅需18.90s即可完成相同量級(jí)響應(yīng)操作。隨著更多通路被納入并行計(jì)算中，系統(tǒng)更擅長(zhǎng)利用多核心或者并行計(jì)算資源。處理任務(wù)可以更有效地被分配到各個(gè)通路上進(jìn)行分別處理，達(dá)到負(fù)載均衡狀態(tài)，更多通路意味更高概率地命中緩存或者預(yù)取機(jī)制，減少了等待I/O操作消耗。

從當(dāng)前測(cè)試結(jié)果來(lái)看，在此場(chǎng)景內(nèi)逐步增加并發(fā)請(qǐng)求量確實(shí)對(duì)整體服務(wù)質(zhì)量有積極影響；但也需要注意其他方面（例如服務(wù)器配置、SOM模型復(fù)雜度等問(wèn)題）對(duì)服務(wù)性能帶來(lái)的額外壓力，需要綜合考慮調(diào)整相關(guān)設(shè)置，以達(dá)到最佳用戶(hù)體驗(yàn)和服務(wù)穩(wěn)定運(yùn)營(yíng)狀態(tài)。

3.3 響應(yīng)耗能測(cè)試

針對(duì)不同用戶(hù)規(guī)模條件的耗能，其結(jié)果如圖4所示。

隨著處理渠道數(shù)量增加，系統(tǒng)響應(yīng)時(shí)間顯著下降。這表明系統(tǒng)的并行處理能力顯著提高。當(dāng)96個(gè)渠道時(shí)，響應(yīng)時(shí)間僅為18.90s，比6個(gè)渠道時(shí)減少了61.1%。這一特征表明，增加處理渠道數(shù)量能夠有效提高系統(tǒng)處理效率。隨著用戶(hù)規(guī)模增加，系統(tǒng)需要處理更多的請(qǐng)求。這意味系統(tǒng)需要更多的計(jì)算和存儲(chǔ)資源來(lái)處理這些請(qǐng)求，處理大量用戶(hù)請(qǐng)求需要更高的計(jì)算能力，這導(dǎo)致系統(tǒng)的處理器、內(nèi)存等硬件資源負(fù)載增加，系統(tǒng)的I/O操作頻率也隨之上升。這增加了磁盤(pán)和網(wǎng)絡(luò)設(shè)備的使用率，進(jìn)一步提高了能耗。

基于1000用戶(hù)條件設(shè)置多渠道不同迭代條件的耗時(shí)情況如圖5所示。

隨著處理渠道數(shù)量增加，系統(tǒng)的并行處理能力提升，響應(yīng)時(shí)間顯著減少。然而，這也導(dǎo)致能耗增加。這種現(xiàn)象表明，當(dāng)系統(tǒng)增加處理渠道數(shù)量時(shí)，雖然提高了響應(yīng)速度，但也消耗了更多的電能，處理渠道的增加雖然提升了系統(tǒng)的處理效率，但也增加了任務(wù)調(diào)度的復(fù)雜性。更多的任務(wù)需要更復(fù)雜的調(diào)度策略來(lái)分配到各個(gè)渠道，增加了處理器的開(kāi)銷(xiāo)。并行處理需要處理器進(jìn)行更多的同步和通信操作，這些操作都會(huì)增加系統(tǒng)的能耗。

4 結(jié)語(yǔ)

本文探討了面向電力企業(yè)客戶(hù)服務(wù)優(yōu)化的智能機(jī)器人大模型構(gòu)建過(guò)程。通過(guò)合理設(shè)計(jì)模型架構(gòu)、有效利用數(shù)據(jù)和持續(xù)優(yōu)化系統(tǒng)性能，智能機(jī)器人在提升電力企業(yè)客戶(hù)服務(wù)效率和質(zhì)量方面具有重要的應(yīng)用潛力。未來(lái)，隨著技術(shù)進(jìn)一步發(fā)展和應(yīng)用場(chǎng)景擴(kuò)展，智能機(jī)器人將在電力行業(yè)中發(fā)揮越來(lái)越重要的作用，為客戶(hù)和企業(yè)帶來(lái)更多的價(jià)值和便利。

參考文獻(xiàn)

[1]馮小桓.挑戰(zhàn)與前景：ChatGPT在圖書(shū)館智能客服系統(tǒng)中的效能和應(yīng)用[J].圖書(shū)館理論與實(shí)踐，2024（3）：111-116.

[2]宋首文.大語(yǔ)言模型在商業(yè)銀行的應(yīng)用[J].清華金融評(píng)論，2024（2）：88-92.

[3]杜慶賢.ChatGPT在財(cái)會(huì)工作中的應(yīng)用探索——基于文心一言、ChatGPT、ChatSonic測(cè)試[J].會(huì)計(jì)之友，2024（4）：130-137.

[4]束開(kāi)，郭奕.ChatGPT在財(cái)務(wù)領(lǐng)域的應(yīng)用探索[J].財(cái)務(wù)與會(huì)計(jì)，2023（22）：56-59.

[5]吳曉如.認(rèn)知大模型新技術(shù)助力金融創(chuàng)新[J].新金融，2023（10）：26-31.

[6]邱冬陽(yáng)，藍(lán)宇.ChatGPT給金融行業(yè)帶來(lái)的機(jī)遇、挑戰(zhàn)及問(wèn)題[J].西南金融，2023（6）：18-29.