實戰AI大模型：來自OpenAI的一線經驗
[美]阿裏·阿米尼安（Ali Aminian）
- 出版商: 人民郵電
- 出版日期: 2025-11-01
- 售價: $720
- 語言: 簡體中文
- 頁數: 301
- ISBN: 7115685843
- ISBN-13: 9787115685841
-
相關分類:
Large language model
- 此書翻譯自: Generative AI System Design Interview (Paperback)
-
相關翻譯:
內行人才知道的生成式 AI系統設計面試指南 (Generative AI System Design Interview) (繁中版)
下單後立即進貨 (約4週~6週)
商品描述
本書聚焦AI 大模型（生成式人工智能）系統設計，培養讀者從需求分析到模型部署的系統化思維與實踐能力。不同於傳統教材按技術棧劃分章節，本書以真實的實際研發案例為線索，拆解文本生成、圖像合成、跨模態生成等核心場景，涵蓋提示工程、RLHF、擴散模型、推理優化等關鍵技術。無論是實際工作還是技術面試，讀者都能通過本書構建生成式人工智能的“覆雜系統心智模型”，在技術快速演進的浪潮中錨定方向。
作者簡介
阿裏·阿米尼安（Ali Aminian），Adobe高級機器學習工程師、技術主管，斯坦福大學兼職講師，前谷歌工程師。專註於LLM與圖像/視頻基礎模型的預訓練、微調與對齊，Adobe Firefly平臺GenAI服務核心開發成員。
盛浩，OpenAI研究科學家，曾就職於蘋果、TikTok等科技公司。斯坦福大學人工智能博士，師從吳恩達與沙魯德·戈爾（Sharad Goel）。
目錄大綱
第 1 章 引言與概述 1
11 生成式人工智能概述 1
111 判別式模型 2
112 生成式模型 3
113 什麼是生成式人工智能，
為何流行 4
114 為什麼生成式人工智能
變得如此強 5
115 縮放定律 8
116 生成式人工智能的風險
與限制 9
12 機器學習系統設計面試框架 9
121 明確需求 10
122 將問題轉換為機器學習
任務 11
123 數據準備 14
124 模型開發 19
125 評估 30
126 整體機器學習系統設計 32
13 小結 33
第 2 章 Gmail 智能撰寫 35
21 明確需求 35
22 將問題轉換為機器學習任務 36
221 指定系統的輸入和輸出 36
222 選擇合適的機器學習
方法 36
23 數據準備 37
231 文本清洗與標準化 39
232 文本詞元化與詞元索引 39
24 模型開發 44
241 架構 44
242 訓練 53
243 采樣 59
244 智能撰寫功能適合采用
哪種采樣方法 62
25 評估 65
251 離線評估指標 65
252 在線評估指標 67
26 整體機器學習系統設計 68
261 觸發服務 68
262 短語生成器 69
263 後處理服務 70
27 其他討論要點 72
第3 章 Google 翻譯 73
31 明確需求 73
32 將問題轉換為機器學習任務 74
321 指定系統的輸入和輸出 74
322 選擇合適的機器學習
方法 75
33 數據準備 76
331 文本預處理 76
332 文本詞元化 77
ii | 目 錄
34 模型開發 82
341 架構 82
342 訓練 86
343 采樣 91
35 評估 92
351 離線評估指標 92
352 在線評估指標 95
36 整體機器學習系統設計 96
361 語言檢測器 96
362 翻譯服務 97
37 其他討論要點 98
第4 章 ChatGPT：個人聊天
助理 99
41 明確需求 99
42 將問題轉換為機器學習任務 100
421 指定系統的輸入和輸出 100
422 選擇合適的機器學習
方法 100
43 數據準備 101
44 模型開發 102
441 架構 102
442 訓練 106
443 采樣 117
45 評估 127
451 離線評估指標 127
452 在線評估指標 133
46 整體機器學習系統設計 135
461 訓練流程 135
462 推理流程 135
47 其他討論要點 137
第5 章 圖像描述生成 138
51 明確需求 139
52 將問題轉換為機器學習任務 140
521 指定系統的輸入和輸出 140
522 選擇合適的機器學習
方法 140
53 數據準備 141
531 標題數據準備 142
532 圖像數據準備 142
54 模型開發 143
541 架構 143
542 訓練 149
543 采樣 151
55 評估 152
551 離線評估指標 152
552 在線評估指標 155
56 總體機器學習系統設計 155
57 其他討論要點 157
第6 章 檢索增強生成 158
61 明確需求 159
62 將問題轉換為機器學習任務 160
621 指定系統的輸入和輸出 160
622 選擇合適的機器學習
方法 160
63 數據準備 164
631 文檔解析 164
632 文檔分塊 166
633 索引 167
634 使用基於向量的檢索
來索引數據 169
64 模型開發 170
641 架構 170
642 訓練 172
643 采樣 174
65 評估 182
651 上下文相關性 183
652 忠實性 183
653 答案相關性 184
目 錄 | iii
654 答案正確性 184
66 整體機器學習系統設計 185
661 索引過程 186
662 安全過濾 186
663 查詢擴展 186
664 檢索 186
665 生成 186
67 其他討論要點 187
第7 章 真實人臉生成 188
71 明確需求 188
72 將問題轉換為機器學習任務 189
721 指定系統的輸入和輸出 189
722 選擇合適的機器學習
方法 189
73 數據準備 196
74 模型開發 197
741 架構 197
742 訓練 202
743 采樣 206
75 評估 208
751 離線評估指標 208
752 在線評估指標 212
76 整體機器學習系統設計 212
761 人臉生成器 213
762 訓練服務 213
763 評估服務 213
764 部署服務 214
77 其他討論要點 214
第8 章 高分辨率圖像合成 215
81 明確需求 215
82 將問題轉換為機器學習任務 216
821 指定系統的輸入和輸出 216
822 選擇合適的機器學習
方法 216
83 數據準備 220
831 圖像清理和歸一化 220
832 圖像詞元化 220
84 模型開發 221
841 架構 221
842 訓練 225
843 采樣 229
85 評估 230
851 離線評估指標 230
852 在線評估指標 231
86 整體機器學習系統設計 231
861 生成服務 232
862 解碼服務 232
863 超分辨率服務 232
87 其他討論要點 233
第9 章 文本到圖像生成 234
91 明確需求 235
92 將問題轉換為機器學習任務 235
921 指定系統的輸入和輸出 235
921 選擇合適的機器學習
方法 236
93 數據準備 239
931 圖像準備 239
932 圖像描述文本準備 240
94 模型開發 240
941 架構 240
942 訓練 244
943 采樣 248
95 評估 250
951 離線評估指標 250
952 在線評估指標 252
96 整體機器學習系統設計 253
961 數據流程 253
962 訓練流程 254
963 評估流程 254
iv | 目 錄
964 模型優化流程 254
965 推理流程 254
97 其他討論要點 257
第 10 章 個性化頭像生成 258
101 明確需求 258
102 將問題轉換為機器學習任務 259
1021 指定系統的輸入和
輸出 259
1022 選擇合適的機器學習
方法 260
103 數據準備 269
104 模型開發 270
1041 架構 270
1042 訓練 271
1043 采樣 272
105 評估 273
1051 離線評估指標 273
1052 在線評估指標 276
106 整體機器學習系統設計 276
1061 數據流程 276
1062 訓練流程 277
1063 推理流程 278
107 其他討論要點 279
第 11 章 文本到視頻生成 280
111 明確需求 281
112 將問題轉換為機器學習任務 282
1121 指定系統的輸入和
輸出 282
1122 選擇合適的機器學習
方法 282
113 數據準備 285
1131 視頻準備 285
1132 描述文本準備 287
114 模型開發 288
1141 架構 288
1142 訓練 294
1143 采樣 297
115 評估 298
1151 離線評估指標 298
1152 在線評估指標 300
116 整體機器學習系統設計 300
1161 數據流程 300
1162 訓練流程 301
1163 推理流程 301
117 其他討論要點 302
後記 303
