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