课程简介
1.系统讲解AI大模型的工作原理，让学员在理解AI大模型工作原理的基础上开展应用
2.逐层细致讲解从构思AI应用场景到实际落地的条件依赖关系、实现次序、及建设思路
3.分享AI大模型应用落地中会遇到的各种坑以及相应的解决方法
4.有当堂演示AI大模型的应用拆解及对比试验
5.因为本课程并非AI技术实现课程，所以对学员并不要求已经具备AI大模型基础
目标收益
1、大模型及RAG到底是什么？有什么用？
2、通用大模型和私有大模型的应用场景区别是什么？
3、AI大模型有哪些具体优势？又有哪些局限？
4、我们企业或团队目前刚刚开始了解AI大模型，从想法到落地应该做些什么？如何规划团队结构和相应投资？
培训对象
针对想引入AI但还没开始投入资源做AI的公司、或不知从哪里入手搞AI的公司、或非IT科技类的公司。可以用来扩展非IT行业的新客户
课程大纲
| 模块一：AI落地点 |
（1）AI落地点的类型： a.个人AI赋能 b.团队AI赋能 c.通过AI增强现有能力 d.通过AI构建新能力 （2）AI落地点的选择：讨论如何选择合适的AI落地点，包括考虑因素和评估标准 （3）案例分析：通过实际案例展示不同AI落地点的选择过程和结果 （4）常见问题及解决方案：介绍在选择AI落地点时可能遇到的问题及可行性分析 |
| 模块二：AI应用及智能体 |
（1）提示工程对AI智能体的影响，从简单一问一答到程序调度的变量参数提示 （2）智能体的定义及作用：何为AI智能体及其在AI应用中的作用 （3）AI智能体的典型架构和核心模块 （4）AI智能体的分层实现：逐步讲解从构思到实现AI应用的过程，包括交互层、应用管理层、会话管理层、模型部署层、数据支撑层等 （5）AI智能体从概念验证到大规模应用的分段投入 |
| 模块三：AI大模型工作原理 |
（1）何为生成式AI （AIGC）、与传统AI的本质区别是什么 （2）AIGC领域的重要应用——LLM（大模型） （3）由AI视角解释LLM大模型工作原理：分别详述“L”-“Language”-“Model”技术原理 （4）理清大模型的核心概念和相互关系：Token、向量、嵌入、Transformer等 （5）有哪些好用的大模型：Chat GPT以及类似的中英文开源大模型 （6）通用大模型vs私有大模型，及应该如何选择 （7）哪些情况需要企业搭建针对性的私有大模型 （8）构建私有大模型的核心条件和准备工作 （9）搭建私有大模型的关键步骤、顺序、及依赖关系 （10）大模型幻觉的成因及注意事项 （11）每一个“我”如何在庞大的AI生态系统中找准自己的定位 |
| 模块四：AI数据及增强检索RAG |
（1）深入理解：大模型训练vs模型微调vs增强检索RAG的核心区别、实施成本、实施难度、和应用场景定位 （2）大模型具体应用落地的重要抓手——RAG （3）RAG技术详解：RAG数据集合、RAG分块策略、RAG模型嵌入 （4）RAG知识库的数据准备 （5）RAG流程和多库分类 （6）AI数据和知识库的更新、维护、及长文档组织 |
| 模块五：AI算力 |
（1）运行大模型的算力计算公式 （2）部署私有大模型的算力投入 （3）GPU硬件选型注意事项实践经验分享 （4）硬件基础设施的配套管理及使用 |
| 模块六：企业应用AI实践分享 |
（1）AI在企业落地的流程支撑及数据质量管理 （2）通过AI赋能个人能力提升团队效能 （3）通过AI赋能工作流中的关键节点提升团队效能 （4）通过AI赋能、自动化、再造工作流提企业运作效能 （5）总结：适合AI大模型落地的应用场景特征 |
| 模块七：展望及思考 |
（1）AI时代对个人学习能力的新挑战 （2）AI时代非IT技术人员的AI技能要求 （3）AI时代IT技术人员的挑战及机遇 |
|
模块一：AI落地点 （1）AI落地点的类型： a.个人AI赋能 b.团队AI赋能 c.通过AI增强现有能力 d.通过AI构建新能力 （2）AI落地点的选择：讨论如何选择合适的AI落地点，包括考虑因素和评估标准 （3）案例分析：通过实际案例展示不同AI落地点的选择过程和结果 （4）常见问题及解决方案：介绍在选择AI落地点时可能遇到的问题及可行性分析 |
|
模块二：AI应用及智能体 （1）提示工程对AI智能体的影响，从简单一问一答到程序调度的变量参数提示 （2）智能体的定义及作用：何为AI智能体及其在AI应用中的作用 （3）AI智能体的典型架构和核心模块 （4）AI智能体的分层实现：逐步讲解从构思到实现AI应用的过程，包括交互层、应用管理层、会话管理层、模型部署层、数据支撑层等 （5）AI智能体从概念验证到大规模应用的分段投入 |
|
模块三：AI大模型工作原理 （1）何为生成式AI （AIGC）、与传统AI的本质区别是什么 （2）AIGC领域的重要应用——LLM（大模型） （3）由AI视角解释LLM大模型工作原理：分别详述“L”-“Language”-“Model”技术原理 （4）理清大模型的核心概念和相互关系：Token、向量、嵌入、Transformer等 （5）有哪些好用的大模型：Chat GPT以及类似的中英文开源大模型 （6）通用大模型vs私有大模型，及应该如何选择 （7）哪些情况需要企业搭建针对性的私有大模型 （8）构建私有大模型的核心条件和准备工作 （9）搭建私有大模型的关键步骤、顺序、及依赖关系 （10）大模型幻觉的成因及注意事项 （11）每一个“我”如何在庞大的AI生态系统中找准自己的定位 |
|
模块四：AI数据及增强检索RAG （1）深入理解：大模型训练vs模型微调vs增强检索RAG的核心区别、实施成本、实施难度、和应用场景定位 （2）大模型具体应用落地的重要抓手——RAG （3）RAG技术详解：RAG数据集合、RAG分块策略、RAG模型嵌入 （4）RAG知识库的数据准备 （5）RAG流程和多库分类 （6）AI数据和知识库的更新、维护、及长文档组织 |
|
模块五：AI算力 （1）运行大模型的算力计算公式 （2）部署私有大模型的算力投入 （3）GPU硬件选型注意事项实践经验分享 （4）硬件基础设施的配套管理及使用 |
|
模块六：企业应用AI实践分享 （1）AI在企业落地的流程支撑及数据质量管理 （2）通过AI赋能个人能力提升团队效能 （3）通过AI赋能工作流中的关键节点提升团队效能 （4）通过AI赋能、自动化、再造工作流提企业运作效能 （5）总结：适合AI大模型落地的应用场景特征 |
|
模块七：展望及思考 （1）AI时代对个人学习能力的新挑战 （2）AI时代非IT技术人员的AI技能要求 （3）AI时代IT技术人员的挑战及机遇 |
近期公开课推荐
