LLM AI應(yīng)?企業(yè)培訓(xùn)?綱
?、?語?模型的基本介紹
1. ?語?模型在整個AI發(fā)展的?程碑位置
縱向從AI歷史中看
橫向?qū)?當(dāng)前的其他AI技術(shù)
2. LLM的神奇之處：為什么?模型能做這么多事？
3. LLM并??所不能
從現(xiàn)象上看?語?模型的能?邊界
從原理上解釋?語?模型的能?邊界
4. 如何擴展?語?模型的能?邊界，使LLM真正為我所?： 即?模型應(yīng)?開發(fā)的價值所在
?、?語?模型應(yīng)?開發(fā)的主流技術(shù)?段
1. LLM應(yīng)?的五層架構(gòu)：算法算?數(shù)據(jù) → 模型層 →(中間件層) → 應(yīng)?層 → ?戶層
2. 模型層-1：如何選擇適合??的?模型
主流?模型的評測體系
國內(nèi)“百模?戰(zhàn)”后的當(dāng)前“戰(zhàn)況”
3. 模型層-2：模型微調(diào)技術(shù)介紹
4. 應(yīng)?層-1：RAG技術(shù)介紹
5. 應(yīng)?層-2：Agent技術(shù)介紹
6. 應(yīng)?層-3：Prompt?程介紹
7. ?戶層：從CUI →GUI → CUI
三、在當(dāng)前技術(shù)?段下，LLM的應(yīng)?場景
1. 市場上?前的LLM 應(yīng)?種類
“AI+”: AI native應(yīng)?及舉例，包含open AI GPTs 等
”+AI“: 原有saas, super app上滲透AI能?
2. 企業(yè)如何找到合適的場景
拆解?作流
衡量場景可落地的?些標(biāo)準(zhǔn)
針對?個企業(yè)場景進??案設(shè)計(依據(jù)企業(yè)訴求展開)
四、企業(yè)如何做
1. 選?合適的技術(shù)?段
成本與產(chǎn)出：不同技術(shù)?段的成本計算?法
?期與短期：不同技術(shù)?段是否能構(gòu)建?期壁壘
2. LLM AI應(yīng)?開發(fā)
開發(fā)：兩個主流開發(fā)框架：LangChain ， Lamma index介紹
微調(diào)技術(shù)落地中的常?問題
RAG技術(shù)落地中的常?問題
Agent技術(shù)落地中的常?問題
Prompt實驗?程及選擇合適的模型?商
3. LLM AI應(yīng)?部署
接?API服務(wù)：疊加到已有業(yè)務(wù)中，團隊具備研發(fā)能?。
公有云部署：SAAS應(yīng)?，開箱可?。
私有化部署：數(shù)據(jù)、隱私安全。
4. LLM AI應(yīng)?運維：構(gòu)建持續(xù)迭代的AI應(yīng)?
構(gòu)建LLM AI應(yīng)?的量化評估體系
數(shù)據(jù)驅(qū)動的LLM AI應(yīng)?進化
?
