“看病慢看病难”早已成为当今社会的常见现象，因此随着技术的发展，AI+医疗是目前最有潜力的应用场景之一，其中一个很大的痛点是很多人不清楚应该去哪个科室看病。互联网医生服务可以构建医生与患者之间的桥梁，京东通过智能分诊项目，可以根据用户提供的文字型的病情描述精准识别，并自动帮助用户判断需要去哪个分诊科室，有效减少在线问诊被反复多次转接的情况发生，提高科室分配的准确度，实现降本增效。

这是一个经典的文本多分类项目。通过这个项目，学员可以扎实地掌握文本领域的相关技术如文本预处理、特征工程、词向量、分类模型、评价指标、模型部署等，并且通过完成一个完整的项目走完所有的必要流程。从技术的角度会涉及到tf-idf，word2vec，BERT向量，N-gram，FastText,TextCNN，SkipGram，CBOW，随机森林，XGBoost，Adagrad，Adam等技术和Flask，Docker，Jenkins等部署工具的使用。

在京东零售场景，数百万的写作达人每天为商品创作卖点突出、风格多样的营销文案以促进用户下单，同时达人也会赚取佣金。但达人创业也会导致创作成本高、量产性差、质量参差不齐的问题。目前京东AI营销文案的人工审核通过率超过95%，并覆盖了全品类的商品。模型已成功应用于京东APP-发现好货，对话机器人京小智和搭配购等场景。

这是一个文本生成领域的问题，从技术层面上具有很大的挑战性。作为多模态的项目，学员会既可以拿到商品的描述文字，也可以拿到商品的图片数据，并利用这两部分信息让机器生成一个营销文案，也可以看作是多模态任务。在这个项目中，会涉及到Seq2Seq，Pointer-Generator Network，Beam Search的改进、多模态数据融合等相关技术。另外，很多挑战来自于模型本身的训练和调参，最终需要让模型给出一个合理的结果。

当用户在网上购买商品时经常会试着货比三家，比如某一个京东的商品在苏宁网上的价格是怎样的。 为了便于这种比较，京东开发了一个同类商品搜索模块：给定一个京东商品，它可以根据商品相关的信息去自动找到苏宁等平台上的同类商品。 这里的一个难点在于，每一个商品在不同平台上的标题、描述这些都有一些区别的，所以定位到同一个商品本身具有一定的挑战。

假如我们把商品看作是实体，那这个任务实际上也是实体链接（entity linking）问题。在这个项目中，我们首先根据商品各类属性来搭建商品的图谱（知识图谱），接着再使用图神经网络来得出每一件商品的embedding，并给予这个表示来寻找跟当前商品匹配的另外一个商品。所涉及到的技术包括知识图谱、图神经网络以及基于GAT的一些模型改造，是图神经网络领域一个非常有趣的应用。