AI賦能

田野 張建偉

AI賦能
  • 出版商: 機械工業
  • 出版日期: 2025-01-01
  • 定價: $594
  • 售價: 8.5 折 $505
  • 語言: 簡體中文
  • 頁數: 325
  • ISBN: 7111769945
  • ISBN-13: 9787111769941
  • 相關分類: Large language model

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

中文年末書展｜繁簡參展書2書75折 詳見活動內容 »

相關主題

商品描述

本書聚焦於大模型技術在企業中的實際應用，幫助讀者應用大模型為企業降本增效。全書共6章：初識大模型、大模型產品生態圈、大模型的技術原理、企業如何部署和應用大模型、企業大模型項目的實施方法、大模型企業應用實踐。 本書提供了詳細的大模型選型和建設標準，旨在為企業提供一份清晰的大模型建設指南，幫助讀者瞭解如何建設、部署和應用大模型。本書詳細介紹了企業大模型項目的實施方法，從項目規劃到工程化部署，並通過具體的企業應用實踐案例，展示了大模型在基座型基礎設施、企業知識中臺、業務知識庫、智能體及個人辦公智能輔助工具中的強大應用潛力，幫助讀者在實踐中掌握應用大模型的關鍵技術和管理能力。 本書的讀者對象為人工智能、機器學習和數據分析等領域的從業人員，對企業數字化轉型和智能化應用感興趣的企業管理者和決策者，希望通過大模型技術和實施方法增強自身技能的技術研究者和開發者，以及對大模型技術感興趣並希望深入瞭解和探索這一前沿科技及其應用場景的讀者。

作者簡介

田野，賓夕法尼亞州立大學博士，資深數據科學家，原聯想數據智能集團突出貢獻專家，首席科學家，多家上市公司首席技術顧問。研究領域包括機器學習、人工智能、大模型及工業智能。在工藝優化質量控制、能耗優化、供應鏈優化等領域具有豐富工程實踐經驗，主持和建設了國內外十餘家世界500強企業的智能化轉型和智能化應用項目，擁有國內外授權專利30餘項。

目錄大綱

推薦序1
推薦序2
前言
第1章 初識大模型
1.1 大模型概述
1.1.1 什麼是大模型
1.1.2 大模型的發展歷程
1.1.3 大模型與傳統模型的區別
1.1.4 大模型與人工智能的關系
1.1.5 AIGC
1.1.6 大模型的應用價值
1.2 大模型的特性
1.2.1 縮放定律：實現超大參數模型的理論依據
1.2.2 湧現能力：實現超越人類認知的決策和創新
1.2.3 推理幻覺：影響大模型泛化能力和穩定性
1.2.4 知識局限：制約大模型類腦思考和深度理解
1.3 大模型的分類
1.3.1 按照輸入形式分類
1.3.2 按照應用範圍分類
1.3.3 按照應用場景分類
1.3.4 按照部署方式分類
1.4 大模型技術的典型應用
1.4.1 ToC端的典型大模型應用
1.4.2 ToB端的典型應用
1.5 大模型的不足及面臨的挑戰
1.5.1 可靠性與穩定性有待提升
1.5.2 數學和邏輯推理能力相對不足
1.5.3 形式語義理解能力需要加強
1.5.4 黑盒模型缺乏可解釋性
1.5.5 參數與數據難以穩定增長
1.5.6 計算資源開銷高昂
1.6 大模型的四個發展趨勢
1.6.1 行業大模型引領暗數據價值湧現
1.6.2 多模態大模型引領行業新趨勢
1.6.3 端雲大模型融合
1.6.4 智能體模式引領大模型落地
第2章 大模型產品生態圈
2.1 大模型產品概述
2.1.1 國外知名大模型產品
2.1.2 國內領先的大模型產品
2.2 國內外大模型研究機構與團隊
2.2.1 國際知名大模型研究機構及團隊
2.2.2 國內大模型研究機構與團隊
2.2.3 國內外合作與交流情況
2.3 大模型產品評估與比較
2.3.1 大模型產品性能評估方法綜述
2.3.2 一種實用的大模型性能評估方法
2.3.3 大模型產品評測比較
第3章 大模型的技術原理
3.1 大模型的基礎——NLP詞嵌入
3.1.1 詞袋模型
3.1.2 詞嵌入技術
3.1.3 詞嵌入的作用
3.2 大模型的核心——生成式預訓練模型
3.2.1 生成式模型
3.2.2 預訓練模型
3.2.3 Transformer模型
3.3 大模型的成長——預訓練
3.3.1 預訓練目標與策略
3.3.2 預訓練數據的獲取與處理
3.3.3 分佈式訓練與並行計算
3.4 大模型的優化——提示工程與微調
3.4.1 提示工程
3.4.2 大模型的微調
第4章 企業如何部署和應用大模型
4.1 大模型的三種建設路徑
4.1.1 建設路徑一：基於商用大模型的應用開發
4.1.2 建設路徑二：基於開源通用大模型的微調優化
4.1.3 建設路徑三：從零開始構建完整大模型
4.1.4 企業選擇建設路徑的影響因素
4.2 大模型的選型標準
4.2.1 大模型基礎信息評估
4.2.2 大模型性能評估
4.2.3 大模型備案信息評估
4.3 大模型的六類應用模式
4.3.1 插件化應用模式
4.3.2 模塊化應用模式
4.3.3 代理化應用模式
4.3.4 數據流式應用模式
4.3.5 微服務化應用模式
4.3.6 智能體化應用模式
4.4 企業部署大模型的五種方式
4.4.1 作為基座基礎設施部署
4.4.2 作為企業知識中臺部署
4.4.3 作為業務知識庫升級部署
4.4.4 作為智能體部署
4.4.5 作為個人辦公智能輔助工具部署
4.5 企業部署應用大模型的前提
4.5.1 戰略決策層支持
4.5.2 業務需求清晰明確
4.5.3 數據質量和數據治理體系完備
4.5.4 技術團隊及能力建設匹配
4.5.5 硬件基礎設施和技術支持
4.5.6 數據隱私和合規性機制保障
4.6 企業大模型建設中的風險與應對舉措
4.6.1 數據泄露和隱私問題的防範措施
4.6.2 模型偏差和魯棒性的風險管理策略
4.6.3 建立對新技術變化的快速響應機制
4.6.4 註重通信與溝通的透明度和規範性
4.6.5 制定突發事件的危機處理預案
4.6.6 建立模型退役和替換策略
第5章 企業大模型項目的實施方法
5.1 項目規劃
5.1.1 項目需求分析
5.1.2 確定項目目標
5.1.3 確定應用模式
5.1.4 確定項目開發內容
5.2 開發環境搭建
5.2.1 開發環境搭建的基本原則
5.2.2 軟硬件基礎設施建設
5.2.3 開發平臺與軟件選擇
5.3 數據準備及基礎大模型構建
5.3.1 數據準備
5.3.2 向量數據庫構建
5.3.3 RAG
5.3.4 基礎大模型集成
5.4 外部插件設計開發
5.4.1 外部插件需求分析
5.4.2 外部插件開發流程
5.4.3 外部插件的持續維護與更新
5.5 智能體設計與開發
5.5.1 智能體設計概述
5.5.2 智能體功能開發
5.5.3 智能體與環境的交互
5.6 微調大模型
5.6.1 標記數據集
5.6.2 加載預訓練模型
5.6.3 定義微調目標
5.6.4 設置微調策略
5.6.5 微調模型

類似商品

最後瀏覽商品 (7)