课程：大模型技术剖析及对行业的影响

求知

文章

文库

Lib

咨询

会员

成功案例

相关课程

全部课程 >人工智能

大模型技术剖析及对行业的影响

815 次浏览

52 次


Paul 博士
某AI科技公司技术核心骨干

时间地点：北京、深圳、上海根据报名开班

课程费用：3000元/人

报公开课

要内训

企业内训：可以根据企业需求,定制内训,详见内训学习手册

认证方式：
培训前了解能力模型。
培训后进行能力评测：

在线考试

能力分析，给出学习建议

合格者颁发证书，作为职业技能资格证明

本课程重点讲解AIGC模型效果跃升的原因，无监督问题、训练方法，Transformer模型、BERT模型，AIGC的缺陷与优化，大模型和小模型问题，GPT1、GPT2、GPT3、chatGPT原理与应用，大模型应用程序技术栈，对行业的影响。

课程目标：

• AIGC模型效果跃升的原因
• 无监督问题、训练方法的异同及主流技术的变迁
• AIGC成功的其他原因
• 自注意力机制、Transformer模型、BERT模型
• GPT1、GPT2、GPT3、chatGPT原理与应用
• 自注意力机制、Transformer模型、BERT模型
• 大模型应用程序技术栈和提示词工程Prompt Enginerring
• 对NLP领域的巨大冲击
• 对图像视频领域的影响
• 对NLP领域的巨大冲击
• 对AI企业的影响
• 对传统企业的影响

培训对象： 企业负责人、管理层，业务骨干，技术专家，创业群体，及对人工智能感兴趣的学员群体等

学员基础： 无特定要求

授课方式：讲师讲授+现场讨论+案例分析＋模型讲解

培训内容：1天

主题	课程安排
一、大模型技术剖析：
1.1 AIGC模型效果跃升的原因：训练方式的改变	无监督学习人工反馈强化学习 RLH AIGC 的模型发展过程 CNN-RNN-Transformer-GPT1-BERT-GPT2-GPT3-InstructGPT-chatGPT-GPT4 从上述发展过程中我们可以发现什么探讨： AIGC 的下一代模型会怎么发展？
1.2 无监督问题、训练方法的异同及主流技术的变迁	从 Lecun 的名言说起为什么无监督学习能够最终胜出强化学习在其中的地位强化学习实际落地项目都有哪些？ “ 多模态 ” 的意义 “ 不太冷的冷知识 ” ： AIGC 的训练数据不止包括文本机器学习训练的一般思路和具体方法深度学习对机器学习的 “ 改进 ” 之处单模态训练的通用过程多模态结合无监督学习产生的巨大变化多模态解决 zero-shot/few-shot 问题的思路
1.3 AIGC成功的其他原因	无监督学习 - 多模态 - 开放性数据集多轮对话机制的实现方案并行计算问题引申：银行业热炒的联邦学习是否需要跟踪？
1.4 自注意力机制、Transformer模型、BERT模型	RNN-LSTM-GRU 等基本概念编码器、解码器自注意力机制详解 Transformer Mask Multi-Head Attention 位置编码特定于任务的输入转换无监督预训练、有监督 Fine-tuning BERT 思路的理解 BERT 模型下游任务的网络层设计 BERT 的训练 HuggingFace 中 BERT 模型的推断基于上下文的学习
1.5 GPT1、GPT2、GPT3、chatGPT原理与应用	监督微调（ SFT ）模型指示学习和提示学习简单提示、小样本提示、基于用户的提示指令微调 RLLHF 技术详解（从人类的反馈中学习）聚合问答数据训练奖励模型（ RM ）强化学习微调、 PPO InstructGPT 遵循用户意图使用强化学习方案 Instruct Learning vs. Prompt Learning ChatGPT 增加增加了 Chat 属性 AI 系统的新范式 GPT1-GPT2-GPT3-InstructGPT 的 -chatGPT 的技术关系
1.6 大模型应用程序技术栈和提示词工程Prompt Enginerring	设计模式：上下文学习数据预处理 / 嵌入提示构建 / 检索提示执行 / 推理数据预处理 / 嵌入提示构建 / 检索提示执行 / 推理新兴的大语言（ LLM ）技术栈数据预处理管道（ data preprocessing pipeline ）嵌入终端（ embeddings endpoint ） + 向量存储（ vector store ） LLM 终端（ LLM endpoints ） LangChain 的主要功能及模块 Prompts: 这包括提示管理、提示优化和提示序列化 LangChain 提供的常用工具 Chat 模型处理消息
二、对行业的影响
2.1 对NLP领域的巨大冲击	个人的切身感受文本分类、问答系统、机器翻译、摘要生成、阅读理解、 few-shot NLP 的出路在哪里？
2.2 对图像视频领域的影响	大模型的显著增加单纯数据模式训练方式的终结未来主流：多模态结合无监督训练如何看待人工标注这一方向？
2.3 对AI企业的影响	10 多年前的持续观点：对 AI 发展中春秋、战国、统一三个时代的划分 “ 面向 github 编程 ” 的转型探讨： AI 企业的盈利点在哪里？
2.4 对传统企业的影响	“ 数字化转型 ” 问题的落脚点在哪里？传统能源企业拥抱 AI 的成功案例分析企业对 AI 团队投入产出比分析 “ 买 ”“ 借 ”“ 租 ” 的不同
2.1 对NLP领域的巨大冲击	个人的切身感受文本分类、问答系统、机器翻译、摘要生成、阅读理解、 few-shot NLP 的出路在哪里？
三、总结	AIGC 的缺陷与优化大模型和小模型问题对算力的野蛮投资：从字节跳动开始做云服务浅谈投资形势综合能力的竞争积极态度和中性态度的选择问题

报公开课

要内训

815 次浏览

52 次

其他人还看了课程

大模型原理与实战 2257 次浏览

人工智能的软件测试应用 1948 次浏览

大模型技术剖析及对行业的影响 815 次浏览

多模态、ChatGPT与扩散模型实战 1650 次浏览

ROS2从入门到实践 2707 次浏览

从ChatGPT看AI人工智能的新趋势与应用实践 991 次浏览

最新活动计划

QT应用开发 11-21[线上]

C++高级编程 11-27[北京]

LLM大模型应用与项目构建 12-26[特惠]

UML和EA进行系统分析设计 12-20[线上]

数据建模方法与工具 12-3[北京]

SysML建模专家 1-16[北京]