- AI赋能(大模型概念技术及企业级项目应用)/数字经济创新驱动与技术赋能丛书
- - 作者：编者:田野//张建伟|责编:王斌//马新娟
  - 出版社：机械工业
  - ISBN：9787111769941
  - 出版日期：2025/01/01
  - 页数：325
- 售价：39.6

内容大纲
    本书聚焦于大模型技术在企业中的实际应用，帮助读者应用大模型为企业降本增效。全书共6章：初识大模型、大模型产品生态圈、大模型的技术原理、企业如何部署和应用大模型、企业大模型项目的实施方法、大模型企业应用实践。
    本书提供了详细的大模型选型和建设标准，旨在为企业提供一份清晰的大模型建设指南，帮助读者了解如何建设、部署和应用大模型。本书详细介绍了企业大模型项目的实施方法，从项目规划到工程化部署，并通过具体的企业应用实践案例，展示了大模型在基座型基础设施、企业知识中台、业务知识库、智能体及个人办公智能辅助工具中的强大应用潜力，帮助读者在实践中掌握应用大模型的关键技术和管理能力。
    本书的读者对象为人工智能、机器学习和数据分析等领域的从业人员，对企业数字化转型和智能化应用感兴趣的企业管理者和决策者，希望通过大模型技术和实施方法增强自身技能的技术研究者和开发者，以及对大模型技术感兴趣并希望深入了解和探索这一前沿科技及其应用场景的读者。
作者介绍
目录
推荐序1
推荐序2
前言
第1章  初识大模型
  1.1  大模型概述
    1.1.1  什么是大模型
    1.1.2  大模型的发展历程
    1.1.3  大模型与传统模型的区别
    1.1.4  大模型与人工智能的关系
    1.1.5  AIGC
    1.1.6  大模型的应用价值
  1.2  大模型的特性
    1.2.1  缩放定律：实现超大参数模型的理论依据
    1.2.2  涌现能力：实现超越人类认知的决策和创新
    1.2.3  推理幻觉：影响大模型泛化能力和稳定性
    1.2.4  知识局限：制约大模型类脑思考和深度理解
  1.3  大模型的分类
    1.3.1  按照输入形式分类
    1.3.2  按照应用范围分类
    1.3.3  按照应用场景分类
    1.3.4  按照部署方式分类
  1.4  大模型技术的典型应用
    1.4.1  ToC端的典型大模型应用
    1.4.2  ToB端的典型应用
  1.5  大模型的不足及面临的挑战
    1.5.1  可靠性与稳定性有待提升
    1.5.2  数学和逻辑推理能力相对不足
    1.5.3  形式语义理解能力需要加强
    1.5.4  黑盒模型缺乏可解释性
    1.5.5  参数与数据难以稳定增长
    1.5.6  计算资源开销高昂
  1.6  大模型的四个发展趋势
    1.6.1  行业大模型引领暗数据价值涌现
    1.6.2  多模态大模型引领行业新趋势
    1.6.3  端云大模型融合
    1.6.4  智能体模式引领大模型落地
第2章  大模型产品生态圈
  2.1  大模型产品概述
    2.1.1  国外知名大模型产品
    2.1.2  国内领先的大模型产品
  2.2  国内外大模型研究机构与团队
    2.2.1  国际知名大模型研究机构及团队
    2.2.2  国内大模型研究机构与团队
    2.2.3  国内外合作与交流情况
  2.3  大模型产品评估与比较
    2.3.1  大模型产品性能评估方法综述
    2.3.2  一种实用的大模型性能评估方法
    2.3.3  大模型产品评测比较
第3章  大模型的技术原理
  3.1  大模型的基础——NLP词嵌入

    3.1.1  词袋模型
    3.1.2  词嵌入技术
    3.1.3  词嵌入的作用
  3.2  大模型的核心——生成式预训练模型
    3.2.1  生成式模型
    3.2.2  预训练模型
    3.2.3  Transformer模型
  3.3  大模型的成长——预训练
    3.3.1  预训练目标与策略
    3.3.2  预训练数据的获取与处理
    3.3.3  分布式训练与并行计算
  3.4  大模型的优化——提示工程与微调
    3.4.1  提示工程
    3.4.2  大模型的微调
第4章  企业如何部署和应用大模型
  4.1  大模型的三种建设路径
    4.1.1  建设路径一：基于商用大模型的应用开发
    4.1.2  建设路径二：基于开源通用大模型的微调优化
    4.1.3  建设路径三：从零开始构建完整大模型
    4.1.4  企业选择建设路径的影响因素
  4.2  大模型的选型标准
    4.2.1  大模型基础信息评估
    4.2.2  大模型性能评估
    4.2.3  大模型备案信息评估
  4.3  大模型的六类应用模式
    4.3.1  插件化应用模式
    4.3.2  模块化应用模式
    4.3.3  代理化应用模式
    4.3.4  数据流式应用模式
    4.3.5  微服务化应用模式
    4.3.6  智能体化应用模式
  4.4  企业部署大模型的五种方式
    4.4.1  作为基座基础设施部署
    4.4.2  作为企业知识中台部署
    4.4.3  作为业务知识库升级部署
    4.4.4  作为智能体部署
    4.4.5  作为个人办公智能辅助工具部署
  4.5  企业部署应用大模型的前提
    4.5.1  战略决策层支持
    4.5.2  业务需求清晰明确
    4.5.3  数据质量和数据治理体系完备
    4.5.4  技术团队及能力建设匹配
    4.5.5  硬件基础设施和技术支持
    4.5.6  数据隐私和合规性机制保障
  4.6  企业大模型建设中的风险与应对举措
    4.6.1  数据泄露和隐私问题的防范措施
    4.6.2  模型偏差和鲁棒性的风险管理策略
    4.6.3  建立对新技术变化的快速响应机制
    4.6.4  注重通信与沟通的透明度和规范性
    4.6.5  制定突发事件的危机处理预案

    4.6.6  建立模型退役和替换策略
第5章  企业大模型项目的实施方法
  5.1  项目规划
    5.1.1  项目需求分析
    5.1.2  确定项目目标
    5.1.3  确定应用模式
    5.1.4  确定项目开发内容
  5.2  开发环境搭建
    5.2.1  开发环境搭建的基本原则
    5.2.2  软硬件基础设施建设
    5.2.3  开发平台与软件选择
  5.3  数据准备及基础大模型构建
    5.3.1  数据准备
    5.3.2  向量数据库构建
    5.3.3  RAG
    5.3.4  基础大模型集成
  5.4  外部插件设计开发
    5.4.1  外部插件需求分析
    5.4.2  外部插件开发流程
    5.4.3  外部插件的持续维护与更新
  5.5  智能体设计与开发
    5.5.1  智能体设计概述
    5.5.2  智能体功能开发
    5.5.3  智能体与环境的交互
  5.6  微调大模型
    5.6.1  标记数据集
    5.6.2  加载预训练模型
    5.6.3  定义微调目标
    5.6.4  设置微调策略
    5.6.5  微调模型
    5.6.6  模型评估
  5.7  提示工程
    5.7.1  确定任务目标
    5.7.2  Prompt方式选择
    5.7.3  提供上下文和约束
    5.7.4  优化和调整
    5.7.5  验证迭代
  5.8  工程化部署
    5.8.1  前端界面设计与开发
    5.8.2  部署测试与上线
    5.8.3  维护与优化
第6章  大模型企业应用实践
  6.1  基座型基础设施
    6.1.1  某电子制造企业基座大模型的开发与部署
    6.1.2  某银行基于大模型的“智慧大脑”
  6.2  企业知识中台
    6.2.1  某卷烟厂大语言模型驱动的知识中台建设背景与规划
    6.2.2  项目实施过程概述
    6.2.3  项目总结
  6.3  业务知识库

    6.3.1  某薄片厂基于专有大模型与AIGC技术的智能质量知识创新平台
    6.3.2  某电厂基于大语言模型的设备管理知识助手
  6.4  智能体
    6.4.1  某新能源电池企业基于大模型的售后供应链管理与优化系统
    6.4.2  某跑车与赛车制造企业基于智能体的大模型应用的建设
  6.5  个人办公智能辅助工具
    6.5.1  某国产汽车制造企业基于大模型的办公超自动化平台
    6.5.2  某保险公司基于多模态大模型的办公助手

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目