做企业培训,当然要找对好讲师!合作联系

刘晖:AI大模型在互联网客户服务领域的应用

刘晖老师刘晖 注册讲师 227查看

课程概要

培训时长 : 1天

课程价格 : 扫码添加微信咨询

课程分类 : 服务标准

课程编号 : 16845

面议联系老师

适用对象

-

课程介绍

模块一:从AlphaGo到ChatGPT

  1. 人工智能出现和发展的大背景
  2. 第四次工业革命的特征和要求
  3. 人工智能的本质:从人类的脑力工作与相应的智能说起
  4. 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?
  5. 从分析式AI到生成式AI,从“偏科专才”到“通才”
  6. 通用人工智能的曙光:GPT为何如此令人兴奋?
  7. 为什么通用人工智能曙光率先在自然语言处理领域展现?
  8. ChatGPT的根基: Transformer的基本核心原理
    1. 大模型如何理解“词”—— 自然语言的“向量化”
    2. 注意力机制 -  奠定生成式AI基调的核心机制
    3. Transformer: 通过“智力”和“语言能力”的压缩抽取,对输入进行“变形”
  9. ChatGPT的独到之处
  10. 其他大模型主要类别和基本原理
    1. 文生图:训练机器对像素的“组装”
    2. 图生3D:算法对世界的“脑补”
  11. 大模型的“智力”、“技能”和“知识”
  12. 如何利用大模型:基本模式
    1. 提示词工程 – 为大模型描述上下文环境和方法论
    2. 插件 -为大模型加上“视觉中枢”“听觉中枢”“行动中枢”
    3. 外接“云盘” - 为大模型加上“海马体”(大模型的长期记忆机制)
    4. 精调 — 通过调参真正提升大模型“智商”
  13. 大模型的部署/训练方式
    1. 公有云模式
      1. AISaas
      2. AIPaas
      3. Model as a service
      4. AIIaas
    2. 公有私有云/管理云模式
    3. 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

  1. 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
  2. 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
  3. 生成式客服服务和咨询 - Salesforce ServiceGPT案例
  4. 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
  5. AI大模型赋能的互联网行业数字人客服
  6. 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”
  7. 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
    1. 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;
    2. 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
    3. 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
  8. 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
  9. 全渠道客服服务的流程自动化和机器学习优化
  10. 客户服务领域的培训和问答:AI大模型赋能的针对性学习
    1. 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;
    2. 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
  11. 客服组织的智能化办公文档和数据分析:GPT Code Intepreter
    1. 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
    2. 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。
  12. AI大模型赋能的互联网行业服务营销
  13. 基于AI大模型的客服领域(SQL/API调用)代码生成

 

刘晖老师的其他课程

• 刘晖:AI创新应用技能大赛赛前培训
教学计划1-数据科学 3天编程语言Python科学计算numpy数据分析pandas数据可视化matplotlib,seaborn2-机器学习和数据挖掘6天机器学习基础线性回归逻辑回归KNN决策树集成学习(随机森林等)聚类特征工程XGboost推荐系统3-竞赛题分析 2天竞赛案例分析(1)竞赛案例分析(2)课程时间学习期限: 11天课程安排日期主题内容Day1上午Python复习人工智能基本概念数据科学基本概念开发环境的安装配置标识符输入、输出和格式化单行注释和文档注释基础数据类型和类型转换运算符条件控制语句循环控制语句Google的编程规范组合数据类型列表、元组、集合、字典、字符串、Range函数面向对象库、模块和包的概述文件读写常用库Day1下午Numpy复习Numpy基本概念创建ndarray数组的三种方式手动创建数据自动创建一维数据,变形自动创建多维数据属性数据类型索引和切片函数方法通用函数数组广播实例1:计算鸢尾花的统计数据实例2:使用梯度法计算积分的面积Day2上午matplotlib可视化库Seaborn可视化库Matplotlib的原理Seaborn库的原理创建画布创建子图设置刻度设置范围设置图例保存图形和显示图形全局设置和中文乱码设置网格设置文本,箭头和注解散点图/折线图/柱状图/直方图/饼图/箱线图/小提琴图/ Searborn可视化库Day2下午pandas数据分析(上)pandas数据分析的介绍数据类型Series和DataFrame 读写数据从内存/csv/excel/mysql中读/写数据查看数据形状、数据类型、空值、前n行和后n行、统计信息、唯一性、计数统计等。选择数据索引和切片清洗数据删除行/列,替换,类型转换,修改列名,修改索引名Day3上午pandas数据分析(下) apply函数排序按值/索引数据整理横向/纵向连接,行索引和列索引互相转换,行索引和列互相转换。分组 透视表交叉表 统计Day3下午数据分析案例案例分析:快餐店欧洲杯酒类消费姓名数据苹果股价NBA比赛Day4机器学习基础线性回归Scikit-learn工具机器学习介绍有监督学习和无监督学习训练集、验证集和测试集一元线性回归最小二乘法和代价函数梯度下降法过拟合和正则化Ridge回归Lasso回归Elastic Net回归实操1:相关系数实操2:梯度下降实操3:线性回归实操4:Ridge回归实操5:LASSO回归实操6:Elastic NetDay5逻辑回归KNN逻辑回归介绍逻辑回归中多分类解决方案模型评估与度量交叉验证学习曲线网格搜索偏差、方差、均方差、泛化误差查全率、查准率和F1参数ROC曲线与AUC面积KNN原理KNN实践 实操1:线性逻辑回归实现实操2:非线性逻辑回归实操3:KNN预测约会网站配对实操4:KNN预测电影分类实操5:KNN预测鸢尾花分类实操6:KNN预测手写数字分类Day6决策树随机森林决策树原理ID3算法C4.5算法Gini算法算法优化:预剪枝算法优化:后剪枝决策树回归集成算法简介袋装法集成算法随机森林集成算法Adaboost集成算法机器学习调优 实操1:决策树预测房价实操2:决策树预测隐形眼镜类型实操3:随机森林算法演示实操4:Adaboost算法演示实操5:病马死亡率预测实操6:泰坦尼克号存活预测Day7聚类特征工程聚类原理各种相似度度量及其相互关系K-means聚类DBSCAN密度聚类数据预处理特征工程介绍数据无量纲化标准化/归一化缺失值处理文字转数字连续转离散多项式转换特征选择-Filter特征选择-Wrapper特征选择-EmbedingPCA降维 实操1:用Python实现kmeans的实现实操2:用Sklearn实现kmeans聚类实操3:用Sklearn实现dbscan密度聚类Day8XGboost回归树原理梯度提升树gbdt原理Xgboost原理Xgboost的推导过程Xgboost调参 实操1:回归树预测房价实操2:gbdt预测回归案例实操3:Xgboost的参数调优实操:4:Xgboost在数据竞赛中运用Day9推荐系统-关联规则推荐系统-协同过滤推荐系统的介绍关联规则算法Apriori简介和推导项集,支持度,置信度和提升度关联规则算法实践基于用户的协同过滤推荐算法原理相似度计算基于物品的推荐算法原理基于用户的推荐算法原理 实操1:实现Arpiori算法实操2:英国零售商的商品推荐实操3:实现movielens电影推荐Day10竞赛案例分析(1)1. 建模流程1)  需求分析2)  数据清洗3)  数据预处理4)  特征工程5)  建模6)度量7)模型优化2. 案例:金融欺诈(分类)3. 案例:鲍鱼年龄(回归)Day11竞赛案例分析(2)竞赛冠军解题思路电信案例分析(1)电信案例分析(2) 
• 刘晖:AIGC大模型算力平台建设实践
一、课纲   2天01生成式AI的算力需求与挑战02生成式AI的算力服务器开发背景03生成式AI的算力服务器发展历程04生成式AI的算力服务器设计指南4.1 设计原则4.1.1 应用导向原则4.1.2 多元开放原则4.1.3 绿色高效原则4.1.4 统筹设计原则4.2 设计指南4.2.1 多维协同设计节点层面:(1)系统架构(2)OAM模块(3)UBB基板(4)硬件设计(5)散热设计(6)系统管理(7)故障诊断(8)软件平台集群层面:(1)集群网络与存储(2)整机柜(3)液冷(4)制冷(5)运维4.2.2 全面系统测试(1)结构测试(2)散热测试(3)稳定性测试(4)软件兼容性测试4.2.3 性能测评调优(1)基础性能测试(2)互连性能测试(3)模型性能测试(4)模型性能调优二、授课方式理论讲授:通过讲解和演示,使学员掌握课程内容;实践操作:提供实际操作和实践的机会,使学员能够亲自动手进行实践;案例分析:通过案例分析,使学员了解课程内容的应用前景和实际效果;互动讨论:鼓励学员提问、分享经验和见解,促进知识交流与碰撞。
• 刘晖:AI 大模型需要什么样的数据
AI 大模型需要什么样的数据一、课纲   1天第一章 AI 大模型需要什么样的数据集数据将是未来AI 大模型竞争的关键要素数据集如何产生他山之石#1:海外主要大语言模型数据集数据集#1:维基百科数据集#2:书籍数据集#3:期刊数据集#4:WebText(来自Reddit 链接)数据集#5:Common crawl/C4 其他数据集他山之石#2:海外主要多模态数据集类别#1:语音+文本类别#2:图像+文本类别#3:视频+图像+文本类别#4:图像+语音+文本类别#5:视频+语音+文本他山之石#3:海外主要大模型数据集由何方发布高质量语言数据和图像数据或将耗尽,合成数据有望生成大模型数据第二章 数字中国战略助力中国AI 大模型数据基础发展中国AI 大模型数据集从哪里来中国大模型如何构建数据集#1:LLM中国大模型如何构建数据集#2:多模态大模型中国开源数据集#1:大语言模型数据集中国开源数据集#2:多模态模型数据集国内数据要素市场建设逐步完善,助力优质数据集生产流通数据交易环节:数据交易所发展进入新阶段,缓解中文数据集数量不足问题数据加工环节:数据服务产业加速发展,助力中文数据集质量提升AI 时代数据的监管与隐私保护问题数据产业链数据生产环节数据处理环节二、授课方式理论讲授:通过讲解和演示,使学员掌握课程内容;实践操作:提供实际操作和实践的机会,使学员能够亲自动手进行实践;案例分析:通过案例分析,使学员了解课程内容的应用前景和实际效果;互动讨论:鼓励学员提问、分享经验和见解,促进知识交流与碰撞。

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