课程简介
本课程面向零基础大模型应用开发人员，为初学者提供了一份清晰、全面的“可用知识”，带领大家快速了解GPT和OpenAI API的工作原理及优势，并在此基础上使用流行的编程语言构建大模型应用。通过课程，你不仅可以学会如何构建文本生成、问答和内容摘要等初阶大模型应用，还能了解到提示工程、模型微调、插件、LangChain，RAG，Agent等高阶实践技术。课程提供了简单易学的示例，帮你理解并应用在自己的项目中。
目标收益
第一阶段：从基础入手，先来了解大模型基础概念和原理，掌握好提示词技术。同时了解如何使用大模型技术，提升开发效率。学会在工作中如何更好的使用大模型，释放大模型能力，通过大模型相关技术提升个人效率、改造研发流程
第二阶段：深入大模型应用程序的研发，掌握大模型OpenAI API，langchain工具链、大模型微调等技术，开发大模型应用系统，帮助企业、个人提升效率，做企业最懂大模型的那个员工
第三阶段：学习大模型时代超级个体必须掌握的核心技术RAG、构建Agent，学习优秀企业的成功案例。助你在企业内使用大模型改造现有系统。
总之，AI模型全栈工程师是人工智能领域中不可或缺的重要角色。他们具备从算法到应用的全方位能力，能够从全局和整体的角度思考问题并寻求解决方案。随着人工智能技术的广泛应用和发展，AI模型全栈工程师的职业前景将越来越广阔。
培训对象
课程大纲
|
第1章 LLM大模型基本原理 第一部分: LLM大模型核心原理 |
1.大模型基础：理论与技术的演进 2.LLMs大语言模型的概念定义 3.LLMs大语言模型的发展演进 4.LLMs大语言模型的生态体系 5.大语言模型技术发展与演进 6.基于统计机器学习的语言模型 7.基于深度神经网络的语言模型 8.基于 Transformer 的大语言模型 9.LLMs大语言模型的关键技术 10.LLMs大语言模型的核心框架：商业&开源 11.LLMs大语言模型的行业应用 |
| 第二部分: LLM大模型微调 |
1.大模型高效微调技术 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型轻量级高效微调方法 LoRA 5.少样本 PEFT 新方法 IA3 6.统一微调框架 UniPELT 7.其他微调技术 8.基于OpenAI平台的微调实践 9.基于百度平台的微调实践 10.基于智谱平台的微调实践 |
| 第三部分: 国内外大模型研究进展和评测 |
1.国内外大模型研究进展（OpenAI，Claude Gemini Mistral等） 2.百度文心、 3.阿里通义 4.科大讯飞星火大模型 5.0pen API GPT 6.腾讯混元 7.华为大模型 8.大模型评测背景与方法论 9.评测背景 10.通用基础与专业应用能力 11.数理科学，语言能力，道德责任，综合能力，行业能力 12.大模型综合评测结果 13.通用基础能力 14.专业应用能力 15.大模型独立表现解读（Frost & Sullivan）《2024年中国大模型能力评测报告》 16.解读清华发布2024年3月版《SuperBench大模型综合能力评测报告》 |
| 第四部分: 全面理解AI+信创与前沿动态-国产大模型私有化部署策略 |
1.信创建设背景、目标及战略意义 2.信创产业发展概况及相关政策解读 3.国产CPU、操作系统、数据库、中间件等介绍 4.安全保密技术、新一代信息技术概览 5.GPU vs 显卡 6.GPU Core vs AMD CU 7.CUDA Core vs Tensor Core 8.探索AI+信创的未来趋势 9.信创环境下的AI技术部署 10.在信创平台上部署AI模型的挑战与解决方案 11.信创环境下AI项目的实施与管理经验分享 |
|
第2章 开发工程师的AI思维 第五部分: 开发工程师的AI思维 |
1.深入理解AI和AI产品 2.开发工程师的AI思维 3.AI产品产业化和标准化 4.AI产品落地的价值与难题 5.AI产品经理 6.AI产品的知识体系 7.所有应用都值得被大模型重构一遍！-百度李彦宏 8.AI 2.0彻底改变社会:所有应用都可以被重写一次--李开复 9.微软发布全新AI PC,有哪些启发 10.苹果(AAPL.US)WWDC发布Apple Intelligence 有什么启发 11.苹果 pad math notes的AI应用分析 |
| 第六部分: AI重构应用案例分析 |
1.分析部分现有系统如何引入AI功能 2.分享业内一些经典案例 3.产品AI化的一些心得 4.某电子家电集团AI落地实践 5.某金融企业AI落地实践 6.某电信企业AI落地实践 |
|
第3章 基于LLM大模型API开发应用 第七部分: 大语言模型微调与Prompt提示工程 |
1.大语言模型微调与Prompt 2.大语言模型微调对象和层次 3.语言模型微调的主流方法 4.Prompt如何使用和进阶 5.什么是提示与提示工程 6.提示工程的巨大威力：从Let’s think step by step说起 7.拆解、标准化、流程化：如何用AI改造工作 8.使用BROKE框架设计ChatGPT提示 9.通过案例分析，展示如何使用大模型prompt技术辅助开发 |
| 第八部分: 大模型OpenAI GPT API 应用开发 |
1.OpenAI 大模型开发指南 2.OpenAI 语言模型总览 3.语言模型：GPT-4 and GPT-3.5 Turbo 4.OpenAI GPT API 开发入门 5.OpenAI Models API 6.OpenAI Chat Completions API 7.OpenAI Chat Completions API参数和返回JSON数据 8.OpenAI 大模型应用实践 9.文本内容补全初探（Text Completion） 10.聊天机器人初探（Chat Completion） 11.基于 OpenAI开发智能翻译助手 12.案例分析 |
| 第九部分: 基于国内大模型API 开发应用（可选智谱，百度，通义千问等） |
1.GLM 大模型家族介绍 2.智谱第四代 API 介绍 3.AP| 基础教学和实战 4.使用 GLM-4 AP| 构建模型和应用 5.使用 GLM-4从0到1搭建并优化 RAG 程序 6.Diffusion 原理介绍 7.模型训练的数据优化(DALLE3) 8.CogView3 及 API 调用演示 9.基于百度大模型的应用与开发 10.基于通义千问大模型的应用与开发 11.基于百川智能大模型应用开发 12.基于讯飞大模型应用开发 13.基于字节，腾讯，华为大模型应用开发 |
| 第十部分: 基于大模型API构建应用程序 |
1.应用程序开发概述 2.数据安全和数据隐私 3.基于Open API 软件架构设计原则 4.LLM驱动型应用程序的漏洞 5.分析输入和输出 6.无法避免提示词注入 7.开始ChatGPT 应用微调 8.使用OpenAI API进行微调 9.微调的应用 10.生成和微调电子邮件营销活动的合成数据 11. 微调的成本 12.案例项目分析 13.项目1：构建新闻稿生成器 14.项目2：语音控制 15.项目3：企业管理系统MIS应用案例分析 16.项目4：某企业智能充电桩管理系统 |
|
第4章 基于LangChain 框架开发大模型应用 第十一部分: ⼤模型应⽤开发框架 LangChain |
1.⼤模型应⽤开发框架 LangChain 2.LangChain 是什么 3.为什么需要 LangChain 4.LangChain 典型使⽤场景 5.LangChain 基础概念与模块化设计 6.LangChain 核⼼模块⼊⻔与实战 7.LangChain 的3 个场景 8.LangChain 的6 大模块 9.LangChain 的开发流程 10.创建基于LangChain聊天机器人 |
| 第十二部分: 基于LangChain构建文档问答系统 |
1.构建复杂LangChain应⽤ 2.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择 3. LangChain提示(Prompts)：管理 LLM 输入 4. LangChain链(Chains)：将 LLM 与其他组件相结合 5. LangChain索引(Indexs)：访问外部数据 6. LangChain记忆(Memory)：记住以前的对话 7. LangChain代理(Agents)：访问其他工具 8.使⽤大模型构建文档问答系统 |
| 第十三部分: 基于LangChain 生态体系构建企业应用 |
1.构建复杂LangChain应⽤ 2.langchain的生态环境 3.LangChain-Core：抽象LangChain的内核 和 LangChain 表达式语言。 4.LangChain-Community：集成的各种第三方部件。 5.LangChain：构成LLM应用程序需要的 链、代理和检索等。 6.LangSmith：开发者平台，可让 调试、测试、评估和监控。 7.LangServe：用于将 LangChain 的应用 部署为 REST API。 8.LangChain Hub应用 9.基于LangChain生态系统构建复杂企业大模型应用 |
|
第5章 开发企业级RAG知识系统 第十四部分: RAG技术概述 |
1.RAG技术概述 2.加载器和分割器 3.文本嵌入和 向量存储 4.检索器和多文档联合检索 5.RAG技术的关键挑战 6.检索增强生成实践 7.RAG技术文档预处理过程 8.RAG技术文档检索过程 |
| 第十五部分: 构建RAG Agent：实现检索增强生成 |
1.何谓检索增强生成 2.提示工程、RAG与微调 3.从技术角度看检索部分的Pipeline 4.从用户角度看RAG流程 5.RAG和Agent 6.通过Llamalndex的ReAct RAG Agent实现检索 7.获取井加载电商的财报文件 8.将财报文件的数据转换为向量数据 9.构建查询引擎和工具 10.配置文本生成引擎大模型 11.创建Agent以查询信息 |
| 第十六部分: 基于LlamaIndex构建RAG应用 |
1.何谓LlamaIndex 2.LlamaIndex架构 3.LlamaIndex 原理和核心概念 4.LlamaIndex组件 5.LlamaIndex和基于RAG的AI开发 6.LlamaIndex开发示例 |
| 第十七部分: 基于其他框架构建RAG应用 |
1.其他RAG框架 2.QAnything：一个灵活的RAG框架，支持多种数据源和语言模型。 3.RAGFlow：专注于流程控制的RAG框架，适合需要精细控制检索和生成过程的场景。 4.FastGPT：结合了GPT模型和RAG技术的框架，适用于快速生成任务。 5.Haystack：一个开源的RAG框架，支持多种语言和模型，易于部署和维护。 6. Dify：专注于向量检索的RAG框架，适合需要高效检索的场景 |
|
第6章 构建Agent智能体开发 第十八部分:大模型驱动的Agent智能体开发概述 |
1.智能体的定义与特点 2.智能体与传统软件的关系 3.智能体与LLM的关系 4.从ChatGPT到智能体 5.智能体的五种能力 6.记忆，规划，工具，自主决策，推理 7.多智能体协作 8.企业级智能体应用与任务规划 9.智能体开发 |
| 第十九部分:分析国内外智能体典型案例和商业应用 |
1.国内智能体开发平台（字节Coze，智谱，百度，通义千问等） 2.解读斯坦福小镇项目：生成式智能体典型案例 3.AutoGPT：通过自然语言的需求描述执行自动化任务 4.BabyAGI：根据任务结果自动创建，排序和执行新任务 5.MetaGPT：重塑生成式AI与软件开发界面 6.AutoGen：下一代LLM应用的启动器 7.ChatDev：重塑软件开发的AI群体智能协作框架 8.Camel AI：引领自主与交流智能体的未来 |
| 第二十部分: 基于LangChain构建Agent |
1.通过LangChain中的ReAct框架实现自动定价 2.LangChain ReAct框架 3.LangChain中ReAct Agent 的实现 4.LangChain中的工具和工具包 5.通过create_react_agent创建Agent 6.深挖AgentExecutor的运行机制 7.Plan-and-Solve策略的提出 8.LangChain中的Plan-and-Execute Agent 9.通过Plan-and-Execute Agent实现物流管理 10.为Agent定义一系列进行自动库存调度的工具 |
| 第二十一部分: 基于百度AgentBuilder构建智能体 |
1.百度文心一言大模型 2.百度千帆大模型 3.百度开发Agent智能体 4.AgentBuilder 5.AppBuilder 6.ModelBuilder 7.开发AI原生应用 8.基于百度软件开发智能体 9.构建研发工程师agent案例 |
| 第二十二部分: 基于其他平台构建Agent智能体 |
1.基于智谱平台构建智能体 2.基于通义千问构建智能体 3.基于Coze构建智能体 4.基于AutoGen 智能体实战 5.基于FastGPT 知识库以及智能体 6.基于DB-GPT构建数据分析智能体实战 |
|
第7章 基于AI的应用案例分析 第二十三部分: 大模型技术在金融业应用的思考与建议 |
1.大模型技术在金融业应用的思考与建议 2.大模型技术的特点及局限性分析 3.大模型技术在金融领域的适用场景 4.大模型技术与金融智能营销 5.大模型技术与金融智能风控 6.大模型技术与金融智能客服 7.大模型技术与金融虚拟营业厅和数字人 8.大模型技术与金融其他通用场景 |
| 第十四部分: 大模型技术在电信行业应用 |
1.大模型技术在电信行业应用的思考与建议 2.大模型技术在电信领域的适用场景 3.大模型技术在电信行业智能客服 4.大模型技术在电信应用-智能运维 5.大模型技术在电信行业网络运维智能化 |
| 第二十五部分: 大模型技术在其他行业应用 |
1.大模型技术在教育科技应用-可汗学院(Khan Academy) 2.大模型技术在大型企业数字化转型应用-法务智能辅助审核 3.大模型技术在企业应用-安防企业智能文本审阅系统 4.大模型技术在互联网和传媒应用-智能搜索与推荐系统 5.大模型技术在建筑行业应用-智能工程图纸管理 |
|
第1章 LLM大模型基本原理 第一部分: LLM大模型核心原理 1.大模型基础：理论与技术的演进 2.LLMs大语言模型的概念定义 3.LLMs大语言模型的发展演进 4.LLMs大语言模型的生态体系 5.大语言模型技术发展与演进 6.基于统计机器学习的语言模型 7.基于深度神经网络的语言模型 8.基于 Transformer 的大语言模型 9.LLMs大语言模型的关键技术 10.LLMs大语言模型的核心框架：商业&开源 11.LLMs大语言模型的行业应用 |
|
第二部分: LLM大模型微调 1.大模型高效微调技术 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型轻量级高效微调方法 LoRA 5.少样本 PEFT 新方法 IA3 6.统一微调框架 UniPELT 7.其他微调技术 8.基于OpenAI平台的微调实践 9.基于百度平台的微调实践 10.基于智谱平台的微调实践 |
|
第三部分: 国内外大模型研究进展和评测 1.国内外大模型研究进展（OpenAI，Claude Gemini Mistral等） 2.百度文心、 3.阿里通义 4.科大讯飞星火大模型 5.0pen API GPT 6.腾讯混元 7.华为大模型 8.大模型评测背景与方法论 9.评测背景 10.通用基础与专业应用能力 11.数理科学，语言能力，道德责任，综合能力，行业能力 12.大模型综合评测结果 13.通用基础能力 14.专业应用能力 15.大模型独立表现解读（Frost & Sullivan）《2024年中国大模型能力评测报告》 16.解读清华发布2024年3月版《SuperBench大模型综合能力评测报告》 |
|
第四部分: 全面理解AI+信创与前沿动态-国产大模型私有化部署策略 1.信创建设背景、目标及战略意义 2.信创产业发展概况及相关政策解读 3.国产CPU、操作系统、数据库、中间件等介绍 4.安全保密技术、新一代信息技术概览 5.GPU vs 显卡 6.GPU Core vs AMD CU 7.CUDA Core vs Tensor Core 8.探索AI+信创的未来趋势 9.信创环境下的AI技术部署 10.在信创平台上部署AI模型的挑战与解决方案 11.信创环境下AI项目的实施与管理经验分享 |
|
第2章 开发工程师的AI思维 第五部分: 开发工程师的AI思维 1.深入理解AI和AI产品 2.开发工程师的AI思维 3.AI产品产业化和标准化 4.AI产品落地的价值与难题 5.AI产品经理 6.AI产品的知识体系 7.所有应用都值得被大模型重构一遍！-百度李彦宏 8.AI 2.0彻底改变社会:所有应用都可以被重写一次--李开复 9.微软发布全新AI PC,有哪些启发 10.苹果(AAPL.US)WWDC发布Apple Intelligence 有什么启发 11.苹果 pad math notes的AI应用分析 |
|
第六部分: AI重构应用案例分析 1.分析部分现有系统如何引入AI功能 2.分享业内一些经典案例 3.产品AI化的一些心得 4.某电子家电集团AI落地实践 5.某金融企业AI落地实践 6.某电信企业AI落地实践 |
|
第3章 基于LLM大模型API开发应用 第七部分: 大语言模型微调与Prompt提示工程 1.大语言模型微调与Prompt 2.大语言模型微调对象和层次 3.语言模型微调的主流方法 4.Prompt如何使用和进阶 5.什么是提示与提示工程 6.提示工程的巨大威力：从Let’s think step by step说起 7.拆解、标准化、流程化：如何用AI改造工作 8.使用BROKE框架设计ChatGPT提示 9.通过案例分析，展示如何使用大模型prompt技术辅助开发 |
|
第八部分: 大模型OpenAI GPT API 应用开发 1.OpenAI 大模型开发指南 2.OpenAI 语言模型总览 3.语言模型：GPT-4 and GPT-3.5 Turbo 4.OpenAI GPT API 开发入门 5.OpenAI Models API 6.OpenAI Chat Completions API 7.OpenAI Chat Completions API参数和返回JSON数据 8.OpenAI 大模型应用实践 9.文本内容补全初探（Text Completion） 10.聊天机器人初探（Chat Completion） 11.基于 OpenAI开发智能翻译助手 12.案例分析 |
|
第九部分: 基于国内大模型API 开发应用（可选智谱，百度，通义千问等） 1.GLM 大模型家族介绍 2.智谱第四代 API 介绍 3.AP| 基础教学和实战 4.使用 GLM-4 AP| 构建模型和应用 5.使用 GLM-4从0到1搭建并优化 RAG 程序 6.Diffusion 原理介绍 7.模型训练的数据优化(DALLE3) 8.CogView3 及 API 调用演示 9.基于百度大模型的应用与开发 10.基于通义千问大模型的应用与开发 11.基于百川智能大模型应用开发 12.基于讯飞大模型应用开发 13.基于字节，腾讯，华为大模型应用开发 |
|
第十部分: 基于大模型API构建应用程序 1.应用程序开发概述 2.数据安全和数据隐私 3.基于Open API 软件架构设计原则 4.LLM驱动型应用程序的漏洞 5.分析输入和输出 6.无法避免提示词注入 7.开始ChatGPT 应用微调 8.使用OpenAI API进行微调 9.微调的应用 10.生成和微调电子邮件营销活动的合成数据 11. 微调的成本 12.案例项目分析 13.项目1：构建新闻稿生成器 14.项目2：语音控制 15.项目3：企业管理系统MIS应用案例分析 16.项目4：某企业智能充电桩管理系统 |
|
第4章 基于LangChain 框架开发大模型应用 第十一部分: ⼤模型应⽤开发框架 LangChain 1.⼤模型应⽤开发框架 LangChain 2.LangChain 是什么 3.为什么需要 LangChain 4.LangChain 典型使⽤场景 5.LangChain 基础概念与模块化设计 6.LangChain 核⼼模块⼊⻔与实战 7.LangChain 的3 个场景 8.LangChain 的6 大模块 9.LangChain 的开发流程 10.创建基于LangChain聊天机器人 |
|
第十二部分: 基于LangChain构建文档问答系统 1.构建复杂LangChain应⽤ 2.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择 3. LangChain提示(Prompts)：管理 LLM 输入 4. LangChain链(Chains)：将 LLM 与其他组件相结合 5. LangChain索引(Indexs)：访问外部数据 6. LangChain记忆(Memory)：记住以前的对话 7. LangChain代理(Agents)：访问其他工具 8.使⽤大模型构建文档问答系统 |
|
第十三部分: 基于LangChain 生态体系构建企业应用 1.构建复杂LangChain应⽤ 2.langchain的生态环境 3.LangChain-Core：抽象LangChain的内核 和 LangChain 表达式语言。 4.LangChain-Community：集成的各种第三方部件。 5.LangChain：构成LLM应用程序需要的 链、代理和检索等。 6.LangSmith：开发者平台，可让 调试、测试、评估和监控。 7.LangServe：用于将 LangChain 的应用 部署为 REST API。 8.LangChain Hub应用 9.基于LangChain生态系统构建复杂企业大模型应用 |
|
第5章 开发企业级RAG知识系统 第十四部分: RAG技术概述 1.RAG技术概述 2.加载器和分割器 3.文本嵌入和 向量存储 4.检索器和多文档联合检索 5.RAG技术的关键挑战 6.检索增强生成实践 7.RAG技术文档预处理过程 8.RAG技术文档检索过程 |
|
第十五部分: 构建RAG Agent：实现检索增强生成 1.何谓检索增强生成 2.提示工程、RAG与微调 3.从技术角度看检索部分的Pipeline 4.从用户角度看RAG流程 5.RAG和Agent 6.通过Llamalndex的ReAct RAG Agent实现检索 7.获取井加载电商的财报文件 8.将财报文件的数据转换为向量数据 9.构建查询引擎和工具 10.配置文本生成引擎大模型 11.创建Agent以查询信息 |
|
第十六部分: 基于LlamaIndex构建RAG应用 1.何谓LlamaIndex 2.LlamaIndex架构 3.LlamaIndex 原理和核心概念 4.LlamaIndex组件 5.LlamaIndex和基于RAG的AI开发 6.LlamaIndex开发示例 |
|
第十七部分: 基于其他框架构建RAG应用 1.其他RAG框架 2.QAnything：一个灵活的RAG框架，支持多种数据源和语言模型。 3.RAGFlow：专注于流程控制的RAG框架，适合需要精细控制检索和生成过程的场景。 4.FastGPT：结合了GPT模型和RAG技术的框架，适用于快速生成任务。 5.Haystack：一个开源的RAG框架，支持多种语言和模型，易于部署和维护。 6. Dify：专注于向量检索的RAG框架，适合需要高效检索的场景 |
|
第6章 构建Agent智能体开发 第十八部分:大模型驱动的Agent智能体开发概述 1.智能体的定义与特点 2.智能体与传统软件的关系 3.智能体与LLM的关系 4.从ChatGPT到智能体 5.智能体的五种能力 6.记忆，规划，工具，自主决策，推理 7.多智能体协作 8.企业级智能体应用与任务规划 9.智能体开发 |
|
第十九部分:分析国内外智能体典型案例和商业应用 1.国内智能体开发平台（字节Coze，智谱，百度，通义千问等） 2.解读斯坦福小镇项目：生成式智能体典型案例 3.AutoGPT：通过自然语言的需求描述执行自动化任务 4.BabyAGI：根据任务结果自动创建，排序和执行新任务 5.MetaGPT：重塑生成式AI与软件开发界面 6.AutoGen：下一代LLM应用的启动器 7.ChatDev：重塑软件开发的AI群体智能协作框架 8.Camel AI：引领自主与交流智能体的未来 |
|
第二十部分: 基于LangChain构建Agent 1.通过LangChain中的ReAct框架实现自动定价 2.LangChain ReAct框架 3.LangChain中ReAct Agent 的实现 4.LangChain中的工具和工具包 5.通过create_react_agent创建Agent 6.深挖AgentExecutor的运行机制 7.Plan-and-Solve策略的提出 8.LangChain中的Plan-and-Execute Agent 9.通过Plan-and-Execute Agent实现物流管理 10.为Agent定义一系列进行自动库存调度的工具 |
|
第二十一部分: 基于百度AgentBuilder构建智能体 1.百度文心一言大模型 2.百度千帆大模型 3.百度开发Agent智能体 4.AgentBuilder 5.AppBuilder 6.ModelBuilder 7.开发AI原生应用 8.基于百度软件开发智能体 9.构建研发工程师agent案例 |
|
第二十二部分: 基于其他平台构建Agent智能体 1.基于智谱平台构建智能体 2.基于通义千问构建智能体 3.基于Coze构建智能体 4.基于AutoGen 智能体实战 5.基于FastGPT 知识库以及智能体 6.基于DB-GPT构建数据分析智能体实战 |
|
第7章 基于AI的应用案例分析 第二十三部分: 大模型技术在金融业应用的思考与建议 1.大模型技术在金融业应用的思考与建议 2.大模型技术的特点及局限性分析 3.大模型技术在金融领域的适用场景 4.大模型技术与金融智能营销 5.大模型技术与金融智能风控 6.大模型技术与金融智能客服 7.大模型技术与金融虚拟营业厅和数字人 8.大模型技术与金融其他通用场景 |
|
第十四部分: 大模型技术在电信行业应用 1.大模型技术在电信行业应用的思考与建议 2.大模型技术在电信领域的适用场景 3.大模型技术在电信行业智能客服 4.大模型技术在电信应用-智能运维 5.大模型技术在电信行业网络运维智能化 |
|
第二十五部分: 大模型技术在其他行业应用 1.大模型技术在教育科技应用-可汗学院(Khan Academy) 2.大模型技术在大型企业数字化转型应用-法务智能辅助审核 3.大模型技术在企业应用-安防企业智能文本审阅系统 4.大模型技术在互联网和传媒应用-智能搜索与推荐系统 5.大模型技术在建筑行业应用-智能工程图纸管理 |
近期公开课推荐
