做个手机网站多少钱,网上做一道题2元的网站,南通网站建设top,网站seo综合查询前言#xff1a;好久不见#xff0c;甚是想念#xff0c;我是辣条#xff0c;我又回来啦#xff0c;兄弟们#xff0c;一别两年#xff0c;还有多少老哥们在呢#xff1f; 目录
一年半没更文我干啥去了#xff1f;
AI大模型火了
人工智能
大模型的理解
为什么学习…前言好久不见甚是想念我是辣条我又回来啦兄弟们一别两年还有多少老哥们在呢 目录
一年半没更文我干啥去了
AI大模型火了
人工智能
大模型的理解
为什么学习大模型
大模型Function Calling功能增强
大模型接入公司的数据embeddingsRAG 国产大模型
大模型学习路线
阶段一AI大模型时代的华丽登场
阶段二AI大模型API应用开发工程
阶段三大模型应用架构进阶实践
阶段四大模型微调与私有化部署
总结我眼中的IT行业现状与未来趋势 一年半没更文我干啥去了
不仅我没更文好像跟我同一批的很多博主都没有更文了有点怀念那个时候大家一起从0粉开始输出大家相互卷卷内容卷文字从普通的几百字文章到几千字的文章最后动不动就万字长文甚至恐怖到十万字长文当时官方也吐槽我们这些博主怎么动不动搞这种大长文当时大家的卷还不是为了那份流量从开始的博文记录自己的技术学习到后面为了用户而出输出那段时间很快乐很充实很安逸。
有人说经常怀念过去的人是现在过的不好好像说对了好像有不对你觉得呢这一年半我自己也经历了不好因为图文创作本身是没啥收益的当时后面去试了短视频创作这块我们一批很多博主后面都尝试了最后破圈成功的只有英雄老哥【ID英雄哪里出来】他现在某站和某音粉丝量惊人甚至是我们这个赛道里的头部博主了以前搞博客赛道的时候就是CSDN的头部现在也是短视频程序员里的头部所以成功的人好像做啥都能成功就像雷军雷总一样当初写代码那么优秀后面把小米手机做的这么优秀现在小米汽车同样做的这么优秀。任何人之间的差距有外在的更有内在的人往往被外在迷惑而忽视了内自。
我也经历许多挫折能怎么办呢拍拍身上的灰尘继续向前进与各位互勉。 AI大模型火了
好像火了年年都在炒年年炒的东西都不一样我不想聊纯技术的东西其实我不太擅长技术0.0我就蹭蹭这个热度我不是纯蹭啊蹭热度的同时跟大家聊明白
人工智能
传统AI
传统AI技术在工业控制、智能家居、无人驾驶、自动回复等领域也取得了较好的应用效果在智能家居领域传统AI技术能够实现对家居设备的智能控制提高居住舒适度。比如家里的小度小度智能语音机顶盒智能控制的电器就是最多的应用场景。但是它一般比较难有上下文的语言关联能力也就是说它不能够结合之前人类跟它的沟通来回答人类的问题。典型的代表就是智能客服智能客服经常进入死循环这就是因为没有结合上下文能力的原因。传统AI技术主要基于规则和知识库进行问题求解。
大模型
大模型在自然语言处理、计算机视觉、语音识别等领域取得了显著的成果。大模型还在金融、医疗、教育等领域取得了较好的应用效果。他最大的特点是大模型给人的感觉是他能够像人一样“思考”能够结合上下文的内容进行像人一样的回答似乎它有记忆力一样。
大模型通常采用深度学习技术通过大规模 数据集 训练出深度神经网络从而实现对复杂问题的高效解决。大模型具有较好的泛化能力能够在大量数据集上获得较好的性能。此外大模型还具有较好的可扩展性能够通过增加网络深度和网络宽度来提高性能。在人工智能AI领域语言模型是一种可以预测文本序列的概率的统计模型。
大模型的理解
为什么学习大模型
通俗的理解大模型是一个训练好的智能集体它不具备联网的能力它更像是一个人但是这个人没有手机和电脑可以联网因此你对它提问它都会基于自己的知识理解给你答案这个答案不一定是正确的。因此大模型的数据知识库知识库是截至到2021年9月份的这也就意味着在这个日期之后的知识它是一无所知的尽管可以通过激发它的涌现能力让它具备一定的推理能力。
需要学习的人群AI使用者使用别人开发的AI工具每个人都是这个角色。AI产品设计者设计给他人使用的AI工具。AI产品开发者 编程实现AI工具。AI产品的设计和开发者是一般人在AI中具有最大的机会的人。
大模型Function Calling功能增强
当大模型不懂某些技能怎么办比如我问请问明天我需要打伞吗这个问题大模型是解决不了的因为大模型是没有联网的。
大模型会需要查询我所在地址的天气情况然后基于天气情况才能告诉我我是否需要打伞
于是大模型就会去查询天气然后综合天气给的结果给我们一个答案
模型的结构 应用如下所示 Function Calling在上图中②所做的事就是大模型发现自己要回答问题需要知道天气情况才能给出答案因此大模型就会去去调用天气的接口函数查询天气这个过程就是Function calling Agent 大模型能够充分发挥自身的语义理解能力解析用户的输入然后在函数库中自动挑选出最合适函数进行运行并给出问题的答案整个过程不需要人工手动干预。这整个过程好像不需要人处理大模型自己就像人一样在做整个流程这个流程的组合体就是一个智能的人一样称为Agent智能体。 APIs 我们给大模型提供的接口肯定就不止是一个可能是很多个一系列的那么这一系列的接口我们称为APIs函数库
大模型接入公司的数据embeddingsRAG 当一个公司有一系列的书本资料的时候遇到了问题需要人去查书然后再总结这个过程很慢那么可以把这个整理为一个向量库的标准数据然后当用户向大模型提出问题的时候大模型就会去这个数据库中查找数据并反馈给用户结果 embeddings 由于大语言模型信息的滞后性以及不包含业务知识的特点我们经常需要外挂知识库来协助大模型解决一些问题 为了让外挂的知识库更好的被访问于是需要对数据进行标准的格式输出我们称之为向量化》embeddings RAG 相比于仅依赖大型语言模型的生成RAG技术可以从外部知识库中检索信息避免了模型的幻觉问题并提升了对实时性要求较高问题的处理能力。与传统的知识库问答系统相比RAG技术更加灵活可以处理非结构化的自然语言文本。 RAG并非旨在取代已有的知识库问答系统而是作为一种补充强调实时性和准确性并且通过结合生成和检索机制来提升自然语言处理任务的效果。 RAG优势 国产大模型 文心一言 智谱清言 星火大模型 通义千问 MOSS 盘古大模型 云雀 混元 商汤 - 商量SenseChat 中科院自动化所 - 紫东太初大模型 上海人工智能实验室 - 书生通用大模型 百川智能 - 百川大模型 清华大学 - ChatGLM-6B
大模型学习路线
阶段一AI大模型时代的华丽登场 学习目标所有行业的人都需要真正的了解的大模型它不是ChatGPT的使用培训而是更高级别的全面了解各种大模型并能够更好的使用这些大模型 内容 第一阶段. 理解大模型 初识大模型 人工智能演进与大模型兴起从AI1.0到AI2.0的变迁 大模型与通用人工智能 GPT模型的发展历程GPT-1到GPT-4 .最新发展GPT4-Turbo和GPTs 未来展望大模型的趋势与挑战 国产大模型介绍 1.文心一言 2.星火大模型 3.智谱清言大模型 4.盘古大模型 大模型核心原理 1. 理解大模型成功的背后 2. 理解生成式模型与语言模型 3. Transformer架构深度解析 4. 关键技术解析预训练、SFT、RLHF 5. GPT4应用实例与Prompt使用技巧 6. 交互式讨论当前大模型应用场景 实践中的大模型 1. GPT模型实际应用与成本分析 2. OpenAI基础API实操 3. OpenAI Playground与参数调整 第二阶段. 大模型提示工程 AI开发环境 Python快速入门 pip工具快速掌握 IDE搭建与使用 提示工程基础 什么是提示工程 Prompt的构成与调优 基于OpenAI的Prompt案例 提示工程进阶 思维链Chain-of-thought 思维树Tree-of-thought Prompt攻击与防范 敏感信息及账号密码方面的安全 实战项目一基于提示工程的代码生成
阶段二AI大模型API应用开发工程 学习目标理解大模型并且能够进行基于大模型的应用开发 内容 理解Function Calling OpenAI tools参数与function 调研本地Function Calling 远程Function Calling调用 Function Calling数据库查询 支持Function Calling的国产模型 RAG与Embedding 检索增强模型RAG RAG系统基本搭建 什么是Embedding Embedding在LLM中的应用 向量相似度欧式距离与余弦距离 OpenAI Embedding 向量数据库 向量数据库运用 向量数据库服务 主流向量数据库 Embedding与向量数据库结合 精简讲概念 OpenAI GPTs与Assistant API GPTs的使用与限制 Assistants API 应用场景 Assistants thread与messages 基于Assistans做一个自己的GPT GPT-4应用 实战项目二基于大模型的文档智能助手 实战项目三基于大模型的医学命名实体识别系统
阶段三大模型应用架构进阶实践 学习目标对大模型进行初步精调让大模型在某一个领域的任务表现可以商业 内容 LangChain开发实践 LangChain VS Semantic Kernel LangChain的核心组件 模型I/O封装 Prompt模版封装 数据库连接封装 Memory记忆封装 Chat models与LLMs LangChain中RAG的实现 实战项目四智能论文审稿机器人 Agents智能体架构 Agents概述与应用场景 LangChain Agents的设计理念与原理 Agents关键技术分析 ReAct Framework Agents的未来潜力 AutoGPT快速打造智能体 MetaGPT MetaGPT项目定位与解决的问题 MetaGPT的技术方案分析 MetaGPT的各模块代码解读 实战六多智能体协同代码生成应用 实战项目七基于图片的智能信息检索问答 实战项目八无人数字人直播机器人客服 实战项目九基于Agents打造AI模拟面试机器人
阶段四大模型微调与私有化部署 学习目标让大模型根据我们自己的专业/行业的私有知识库经过微调可以回答有质量的专业问题 内容 开源模型与私有化模型 私有化部署的必要性 HuggingFace开源社区的使用 ChatGLMBaichuan, LLaMA介绍 私有化部署模型实战 模型微调Fine-Tuning 模型微调的意义 大模型的训练阶段介绍 Pre-train: 基座的训练 SFT: 模型的调整 对于GPT模型的微调 LoRA介绍 实战医疗领域智能医生私有模型 开源大模型微调 ChatGLM3-6B模型介绍 ChatGLM3-6B模型微调 LLaMA-7B模型介绍 LLaMA-7B模型微调 Baichuan-7B模型介绍 Baichuan-7B模型微调 多模态 什么是多模态模型 多模态的应用场景 图像生成技术概述 DALLE-3与Midjourney Stable Diffusion与ControlNet 语音生成技术概述 主流TTS技术剖析 案例MiniGPT-4与多模态问答 案例BLIP与文本描述生成 案例Video-LLaVA与多模态图像视频识别 实战 代码生成实战
总结我眼中的IT行业现状与未来趋势
当前IT行业在全球范围内都是一个快速发展的领域它对经济发展、社会进步和人们生活方式的改变起着至关重要的作用。
现状方面中国IT行业呈现出以下几个特点 数字化转型加速随着云计算、大数据、人工智能等技术的成熟和应用中国各行业都在加速数字化转型IT行业在提供技术支持和服务方面发挥着核心作用。 新技术不断创新中国在5G、人工智能、区块链等新兴技术领域持续投入研发力图在这些领域取得领先地位。 政策支持力度大中国政府出台了一系列政策支持IT行业发展如“互联网”、“智能”等行动计划以及为科技创新企业提供税收优惠、资金支持等措施。 国际合作与竞争加剧在全球产业链中中国IT行业与国际先进水平的差距正在缩小同时国际竞争和合作也在不断加深。
未来趋势方面可以预见 技术创新驱动未来IT行业将继续以技术创新为核心驱动力特别是在人工智能、大数据、云计算、物联网等领域。 行业应用深化IT技术将在智能制造、智慧城市、远程医疗、在线教育等行业应用中得到更深入的整合和应用。 信息安全重要性提升随着数字化的深入信息安全将成为越来越重要的议题对加密技术、隐私保护、网络安全等方面的投入将持续增加。 可持续发展随着全球气候变化和资源约束的挑战IT行业将更加注重绿色发展推动能源效率的提高和电子废弃物的减量化。
做好当下事不念过往不惧将来。
