LLM AI應?企業(yè)培訓?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
橫向對?當前的其他AI技術
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?開發(fā)的價值所在
?、?語?模型應?開發(fā)的主流技術?段
1. LLM應?的五層架構：算法算?數(shù)據(jù) → 模型層 →(中間件層) → 應?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“百模?戰(zhàn)”后的當前“戰(zhàn)況”
3. 模型層-2：模型微調技術介紹
4. 應?層-1：RAG技術介紹
5. 應?層-2：Agent技術介紹
6. 應?層-3：Prompt?程介紹
7. ?戶層：從CUI →GUI → CUI
三、在當前技術?段下，LLM的應?場景
1. 市場上?前的LLM 應?種類
“AI+”: AI native應?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?些標準
針對?個企業(yè)場景進??案設計(依據(jù)企業(yè)訴求展開)
四、企業(yè)如何做
1. 選?合適的技術?段
成本與產出：不同技術?段的成本計算?法
?期與短期：不同技術?段是否能構建?期壁壘
2. LLM AI應?開發(fā)
開發(fā)：兩個主流開發(fā)框架：LangChain ， Lamma index介紹
微調技術落地中的常?問題
RAG技術落地中的常?問題
Agent技術落地中的常?問題
Prompt實驗?程及選擇合適的模型?商
3. LLM AI應?部署
接?API服務：疊加到已有業(yè)務中，團隊具備研發(fā)能?。
公有云部署：SAAS應?，開箱可?。
私有化部署：數(shù)據(jù)、隱私安全。
4. LLM AI應?運維：構建持續(xù)迭代的AI應?
構建LLM AI應?的量化評估體系
數(shù)據(jù)驅動的LLM AI應?進化
?
