让一部分企业先学到真知识！
讲师网 企业内训 课程详情

李勇：大模型企业全栈设计师体系课程

李勇老师李勇 注册讲师 30查看

课程概要

培训时长 : 2天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 37192

面议联系老师

适用对象

产品中心，运营中心，技术中心，管理中心，客服中心等管理运营相关人士

课程介绍

培训对象：产品中心，运营中心，技术中心，管理中心，客服中心等管理运营相关人士

课程时间：2天 (12小时）

课程背景：

随着sora技术的出现，大模型技术势必会影响到各行各业，而真正让我们兴奋的却是，哪怕你不懂编程语言，也有机会去创造企业的大模型产品，而这种智能化的能力，是要远高于信息化和数字化的，所以，强烈建议每个职场人都学会认知大模型，理解大模型，并做好大模型的学习课程。

课程收益：

培训完结后，学员能够：

² 学习大模型的底层逻辑和本质。

² 学习大模型中必须要掌握的API知识

² 学习大模型中必须要掌握的RAG知识

² 学习大模型中的工具栈

² 学习和掌握fine-tuning的知识

² 学习和掌握多模态知识框架

² 学习和掌握大模型的产品和交付知识

课程大纲：

单元

大纲

内容

单元一

AI大模型技术概览

一．大模型的定义与特点

1.1 大模型的概念及发展历程

1.2 大模型的技术架构与核心原理

二．大模型与其他AI技术的比较

2.1 传统AI技术的局限性

2.2 大模型在数据处理、学习能力等方面的优势

三．大模型的应用前景及挑战

3.1 大模型在各行业的应用潜力

3.2 技术发展面临的挑战与机遇

单元二

大模型中的PROMPT语言学习

认知：把AI当人看

原理：

1） LLM生成原理

2） 高质量PROMPT原理

实战工具：

1） 基本要素

2） 格式约束

3） 风格控制

4） 思维链，思维树以及自洽性

5） 指令调优

6） Coze等工具的使用

单元三

大模型中的API

认知：自然语言链接一切

原理：用微调提升prompt的稳定性

实战工具及要素：

1） 生成式API

2） 对话式API

3） Assistants AP|

4） Actions

5） Embeddings

6） Fine-tuning

7） FunctionCalling

单元四

大模型中的RAG

认知：从关键词搜索转为向量搜索

原理：Embeddings

实用工具：

1） 词向量

2） 句子向量

3） 篇章向量

4） 相似度计算

5） 向量数据库，向量模型，向量模型部署

单元六

大模型中的工具栈

认知：

1） 原生 API、LangChain和 SK 如何选型

2） 多框架组合开发

3） Prompt 和代码分离

4） 微软的SemanticPlugins 战略

原理：AGENT

实用工具：

1) LangChain & LangChain.js:LCEL,llm,chatmodel,prompttemplate

2)Semantic&Kernel: Connectors,Plugins,Planners,SemanticFunctions

单元七：

大模型中的FINE-TUNING

1.认知：微调仍是炼丹

2.原理：机器学习，大模型训练，微调

3.实战工具：求解器，损失函数，超参，过拟合/欠拟合

学习率

单元八

多模态中的大语言

认知：传统CV仍有价值

原理：特征对其

实战工具：

VisionTransformer，CLIP，Q-Former，GPT-4V，Gemini

LLaVA

图像生成模型：DM,SD,MJ，DALLE,LORA

单元九

大模型中的产品设计

1.认知：Copilot 模式vs. Agent 模式，产品经理调prompt

2.原理：商业逻辑，用户体验

3.实战工具：需求分析，生成式 AI 产品设计原则，Collaborative UX，draw.io，产品迭代，产品运营

业务沟通

单元十

大模型产品的交付

认知：向量型数据库选型原理

实战工具：GPU/云厂商选型，向量数据库选型，私有化部署，推理性能优化，高可用架构，内容安全，算法备案

 

李勇老师的其他课程

• 李勇：大模型、RPA自动化等AI新型技术发展与信用卡应用
培训对象：对AI新型技术感兴趣的专业人士、技术研发人员、管理人员等 课程时间：0.5天培训 课程背景： 本课程主要探讨大模型、RPA等AI新型技术的发展历程、应用场景及未来趋势。课程将深入解析这些技术在不同领域中的实际应用，以及如何提升企业运营效率和创新能力，具备前瞻性和实用性相结合的特点。。 课程收益： 培训完结后，学员能够： ² 了解大模型、RPA等AI新型技术的发展历程及现状； ² 掌握这些技术在不同行业中的具体应用场景和优势； ² 深入理解这些技术实现的关键点和技术难题； ² 预测和分析AI新型技术的未来发展趋势。 课程大纲： 单元 大纲 内容 单元一 AI新型技术概览 1 AI新型技术简介 1.1 大模型、RPA、机器人等技术概述 1.2 技术发展历程及现状 案例：AI技术在全球范围内的发展动态 单元二 大模型技术深入解析 1. 大模型技术基础 1.1 大模型的定义与特点 1.2 大模型技术的分类及应用领域 2 大模型在具体应用场景的实现 2.1 自然语言处理与理解 2.2 图像识别与处理 案例：大模型在智能客服、智能推荐等领域的应用 大模型关键技术解析 3.1 数据预处理与模型训练 3.2 模型评估与优化方法 讨论课题：大模型技术的挑战与机遇 单元三 RPA技术以及在信用卡中的应用场景 1.RPA技术的基本概念与原理 1.1 RPA的定义与优势 1.2 RPA的工作流程与实施步骤 1.3 RPA在金融行业的应用案例 2.RPA在信用卡业务办公自动化中的场景应用 2.1 客户信息录入与更新自动化 2.2 交易监控与异常处理自动化 2.3 报表生成与数据分析自动化 2.4 客户服务与投诉处理自动化 案例：RPA在信用卡客户服务中的自动化应用实践 讨论课题：如何挖掘更多RPA在信用卡业务中的自动化应用场景？ 单元四 AI新型技术的融合应用 1. 大模型、RPA、机器人等技术的融合趋势 1.1 技术融合的背景与意义 1.2 融合应用的优势与挑战 2. 融合应用在不同行业的实践案例 2.1 智能制造领域的融合应用 2.2 金融科技领域的融合应用 3. 案例：跨行业融合应用的成功案例分享 讨论课题：如何推动AI新型技术的融合与创新？ 单元五 大模型在信用卡业务中的应用 1.大模型的基本概念与原理 1.1 大模型的定义与特点 1.2 大模型的工作原理与训练流程 1.3 大模型在金融行业的应用现状 2.大模型在信用卡业务场景的应用 2.1 风险评估与信用评分 2.2 客户画像与个性化推荐 2.3 欺诈检测与预警系统 案例：基于大模型的信用卡风险评估实践 讨论课题：如何构建更精准的大模型信用评分体系？ 单元六 AI大模型在信用卡办公场景中的应用 一．方案撰写与文案润色 1.1 AI大模型在方案撰写中的应用及技巧 1.2 AI大模型在文案润色中的优势及实践案例 二．检查纠错与合同撰写 2.1 AI大模型在检查纠错中的准确性及效率提升 2.2 AI大模型在合同撰写中的智能化应用案例 三．宣发文案与AI配图 3.1 AI大模型在宣发文案创作中的创意激发与实现 3.2 AI大模型在自动配图及优化中的功能展示 四．协同办公与知识库查询 4.1 AI大模型在协同办公中的信息整合与共享作用 4.2 AI大模型在知识库查询中的高效检索与智能推荐 五．数据分析与会议总结 5.1 AI大模型在数据分析中的深度挖掘与可视化展示 5.2 AI大模型在会议总结中的自动整理与要点提炼 六．销售复盘与客户服务 6.1 AI大模型在销售复盘中的业绩分析与客户行为预测 6.2 AI大模型在客户服务中的智能应答与满意度提升策略 案例分享：某银行运用AI大模型实现多场景业务提升的实践案例集锦 讨论课题：如何针对不同业务场景，发挥AI大模型的最大价值？  
• 李勇：HR利用DeepSeek等AI模型及工具提升人力资源效率
培训对象：产品中心，运营中心，技术中心，客服中心等管理运营相关人士 课程时间：0.5天 (3小时） 课程背景： 本课程主要是在AI技术快速发展的宏观趋势下，旨在解决学员如何有效利用AI工具及AI大模型提升人力资源管理效率的问题。课程将深入解析AI工具及AI大模型的基础认知，探讨其在招聘、面试、培训、绩效等各个场景中的具体应用，帮助学员提升对AI在人力资源管理中价值的认知。课程将结合实战演练，使学员能够熟练掌握AI工具及AI大模型的使用技巧。 课程收益： 培训完结后，学员能够： ² 了解AI工具及AI大模型对HR带来的挑战与机遇； ² 掌握AI工具及AI大模型的基础知识和常见工具； ² 熟练运用AI工具及AI大模型解决HR日常工作场景中的问题； ² 理解AI工具和AI大模型对HR组织架构管理的影响及应对策略； ² 通过实战演练，提升运用AI工具及AI大模型的实际操作能力。 课程大纲： 单元 大纲 内容 单元一 DeepSeek等大模型对HR的挑战与机遇 一. AI技术的发展趋势及其在HR领域的应用前景： 1.AI工具及AI大模型对HR工作流程的影响； 2.HR如何适应并利用AI工具及AI大模型提升工作效率。 案例：某公司运用AI工具优化招聘流程 讨论课题：AI技术将如何改变HR的未来？ 单元二 DeepSeek等不同的模型的基本能力 1.指令模型和推理模型的区别； 2.DeepSeek等AI模型的基本能力和边界能力； 3.AI工具及AI大模型的应用场景与优势。 案例：不同AI工具在HR场景中的应用实例 讨论课题：如何选择合适的AI工具及AI大模型？ 单元三 HR日常工作场景中的AI应用 1.招聘与面试：利用AI工具进行简历筛选、面试安排与评估； 2.培训与发展：运用AI大模型进行员工培训需求分析与课程设计； 3.绩效管理：通过AI工具进行员工绩效评估与反馈； 4.工资统计与数据分析：利用AI工具进行工资计算、数据统计与分析； 5.会议安排与统计：通过AI工具进行会议预定、记录与效果评估； 6.文化建设与员工档案管理：运用AI大模型进行企业文化传播、员工档案建立与维护。 案例：各场景中AI工具及AI大模型的实际应用案例 讨论课题：如何根据企业实际情况定制AI在HR场景中的应用方案？ 单元四 AI工具和AI大模型对HR组织架构管理的挑战 1.AI工具和AI大模型对组织架构的影响； 2.如何调整组织架构以适应AI时代的发展； 3.AI时代下的新型组织架构设计与管理策略。 案例：某公司成功调整组织架构以适应AI时代的发展 讨论课题：如何在保证组织架构稳定性的前提下引入AI工具及AI大模型？ 单元五 上机实战演练 1.利用AI工具进行简历筛选与面试安排； 2.运用AI大模型进行员工培训课程设计； 3.通过AI工具进行员工绩效评估与反馈操作； 4.利用AI工具进行工资计算与数据统计； 5.结合企业实际场景，定制AI在HR中的应用方案并进行模拟实施。 老师介绍：  
• 李勇：DeepSeek在证券行业的影响与智能化转型趋势
培训对象：证券行业战略规划、技术研发、投资研究、风控合规、客户服务等业务部门的管理及技术人员； 课程时间：1天 课程背景： 本课程结合AI大模型技术革命与证券行业数字化转型的双重背景，聚焦DeepSeek的核心技术突破及其在证券行业的应用潜力，解析指令模型与推理模型的技术差异，探讨低成本、高性能AI对证券业务模式的重构逻辑，帮助学员从技术认知、应用场景到战略布局全面掌握AI驱动的行业变革趋势。 课程收益： 培训完结后，学员能够： 1. 理解DeepSeek的技术特性：掌握其低成本、高效率的核心优势及技术实现路径。 2. 区分指令模型与推理模型：明确两类模型的技术差异及在证券业务中的应用场景。 3. 预判AI技术趋势：分析推理模型未来可能具备的复杂决策、动态交互能力及其对金融智能化的推动。 4. 评估行业影响：识别DeepSeek对投资研究、客户服务、风险管理等核心业务的效率提升路径。 5. 规划成本与算力策略：掌握AI大模型成本优化方法及算力需求变化趋势。 6. 制定应对策略：结合开源生态与行业竞争格局，设计证券机构的AI技术应用路线图。 两天培训课程大纲： 单元 大纲 内容 单元一 DeepSeek的核心技术突破与行业意义 1. DeepSeek的技术架构解析  1.1) MOE（专家混合模型）与MLA（多头潜在注意力）算法的创新。 1.2) 参数规模与算力效率：V3模型6710亿参数中仅激活370亿，训练成本557万美元的颠覆性意义。 案例：对比Meta Llama3与DeepSeek-V3的算力需求差异（H800 GPU数量减少87.5%）。 讨论课题：证券机构如何通过低成本AI模型降低技术投入门槛？ 2. 性能评测与商业化潜力 2.1) 在MMLU、DROP等评测中超越GPT-4o的关键表现。 2.2) 开源模式对OpenAI闭源垄断的挑战：技术民主化与生态共建。 单元二 指令模型与推理模型的差异 1. 指令模型的核心逻辑 1.1) 基于用户指令生成结果，强调任务执行的准确性（如传统GPT系列）。 1.2) 局限性：缺乏动态推理过程，依赖大量监督微调数据。 2. 推理模型的范式革新 2.1) DeepSeek-R1的强化学习训练：跳过监督微调，直接通过逻辑链生成解决方案。 2.2) 关键能力：文档分析、数学推理、代码生成（AIME2024测试成绩79.8% vs. OpenAI-o1的96.7%）。 案例：某券商测试中利用DeepSeek-R1优化量化交易策略的回测效率 单元三 证券行业的AI应用场景重构 1. 投资研究与资产管理 1.1) 自动化研报生成与多因子模型优化。 1.2) 实时市场情绪分析与事件驱动策略。 2. 客户服务与合规风控 2.1) 智能投顾的交互式决策支持（如“思考过程”可视化）。 2.2) 反洗钱与异常交易识别的动态推理能力提升。 案例：奇安信利用DeepSeek-R1实现安全威胁研判效率提升30%。 单元四 AI成本优化与算力需求演变 1. DeepSeek对算力生态的影响 1.1) 训练成本降低20%-40%对资本支出的释放效应。 1.2) 推理算力需求增长：从训练密集型向应用密集型的转变。 2. 证券行业的算力策略 2.1) 混合云部署与国产算力替代（如海光信息、浪潮信息）。 讨论课题：如何平衡推理算力需求与GPU供应链风险？ 单元五 行业竞争格局与开源生态的机遇 1. OpenAI与DeepSeek的路线之争 1.1) 闭源收费 vs. 开源生态：技术壁垒与商业化闭环的博弈。 2. 证券机构的开源策略 2.1) 参与社区共建 vs. 自主模型微调的路径选择。 案例：阿里云、腾讯云快速集成DeepSeek模型的开源实践。 3、企业部署模型和使用模型的成本将大大降低。 单元六 推理模型的未来趋势与高阶能力预测 1. 复杂决策与动态交互能力 1.1) 多模态融合：文本、数据、图表联动的投资决策支持。 1.2) 实时自适应学习：基于市场波动的策略动态调整。 2. 伦理与风险挑战 2.1) 模型幻觉的进一步降低与可解释性提升。 2.2) 监管科技（RegTech）与AI合规框架的协同演进。 单元七 AI的这种变化下，企业和职员该如何应对 1. AI大模型的时代下复合型人才需求的持续攀升 2. 要求学习能力越来越强，尤其是对技术逻辑、 业务理解和技术工具的使用能力。 3、某些工作流程的重塑可能性  

相关课程

添加企业微信

1V1服务，高效匹配老师
欢迎各种培训合作扫码联系，我们将竭诚为您服务