人工智能算法培训

课程大纲：
模块一：从AlphaGo到ChatGPT
人工智能出现和发展的大背景
第四次工业革命的特征和要求
人工智能的本质：从人类的脑力工作与相应的智能说起
从早期人工智能算法到机器学习，到人工神经网络和深度学习，为什么？
从分析式AI到生成式AI，从“偏科专才”到“通才”
通用人工智能的曙光：GPT为何如此令人兴奋？
为什么通用人工智能曙光率先在自然语言处理领域展现？
ChatGPT的根基: Transformer的基本核心原理
大模型如何理解“词” 自然语言的“向量化”
注意力机制 - 奠定生成式AI基调的核心机制
Transformer: 通过“智力”和“语言能力”的压缩抽取，对输入进行“变形”
ChatGPT的独到之处
其他大模型主要类别和基本原理
文生图：训练机器对像素的“组装”
图生3D：算法对世界的“脑补”
大模型的“智力”、“技能”和“知识”
如何利用大模型:基本模式
提示词工程 – 为大模型描述上下文环境和方法论
插件 -为大模型加上“视觉中枢”“听觉中枢”“行动中枢”
外接“云盘” - 为大模型加上“海马体”（大模型的长期记忆机制）
精调 通过调参真正提升大模型“智商”
大模型的部署/训练方式
公有云模式
AISaas
AIPaas
Model as a service
AIIaas
公有私有云/管理云模式
私有云模式

模块二：大模型体系在互联网客服领域的应用模式和案例
AI大模型具有成为互联网“人”“机”翻译和“系统整合协同者”的巨大潜力
AI大模型如何与客户服务的业务和已有应用系统关联和整合？- 模式与机会
生成式客服服务和咨询 - Salesforce ServiceGPT案例
呼叫中心中的人工智能：语音助理和语音语义分析模型在呼叫中心应答质量提升上的应用
AI大模型赋能的互联网行业数字人客服
客户服务的数据基础：多模态大模型将打造真正的“客户360视图”
客户服务知识图谱：大模型对知识图谱和知识运营的补充和赋能
大语言模型可以从大量非结构化文本数据中提取数据实体关系，或解析/推理出数据实体的逻辑关联 – 比如近期客户投诉的主要内容和产品的描述之间的关系 - 并将之转换为知识图谱的输入；
多模态大模型能将文本、图片、视频、声音、代码等数据进行关联整合和分析，对知识图谱进行补充和更新
知识图谱也可以基于已有的知识，对大模型的问答输入进行约束和事实性检验，比如已有的套餐价格以及可购买资格
多模态大模型赋能的客户全渠道全周期“大”数据整合和分析
全渠道客服服务的流程自动化和机器学习优化
客户服务领域的培训和问答：AI大模型赋能的针对性学习
类似Khanmigo的基于大语言模型的学习应用，不仅可以判断答案的正确与否，也可以通过推测学习者思路和逻辑，帮助学习者定位到知识要点；
大语言模型可以根据预先设定的学习者级别和其他参数（比如专业为经济类），调整学习路径和问题
客服组织的智能化办公文档和数据分析：GPT Code Intepreter
Code Intepreter插件可以直接分析给到的文档，excel,pdf，word等格式中的文字或者表格数据项，而无需进行数据整理，并生成可视化图表。比如给出一个国家的经济数据，人口数，互联网应用等数据，Code Intepreter就可以按城市或者地区分析这些数据的关联性，以及与通信服务相关的图表分析展示
Code intepreter结合GPT-4自身分析能力，也可以对文档进行定性/定性 + 定量分析，比如文件要点总结，情绪，事情趋势等等。
AI大模型赋能的互联网行业服务营销
基于AI大模型的客服领域（SQL/API调用）代码生成

人工智能算法培训