AI 产品经理私教课表
Project 1: GPT 应用入门课
时值互联网拐点,产品增长乏力,“努力”的边际收益随之锐减,不少人都被迫化身卷王,在旧的赛道里心力交瘁。让新技术助力提效,这题有没有解?
GPT 这个通用智能模型的出现,让新的高效工作流也逐渐浮出水面。不管市场怎么推进,个人最关注的永远是怎么利用 GPT 提效,实现代上班。
想要获取 GPT 助力减负的秘诀,就在这么几个问题里。
- 提问:怎么向 AI 提出高质量、少冗余的需求?
- 设计:如何独立设计 prompt,指挥 GPT 干活?
- 迭代:GPT 的答案总是及格以上,交付未满,迭代秘诀是什么?
- 核心:智能时代的“原话师”需要掌握哪些核心魔法?
- 重塑:如何使用 GPT 重塑工作流,高效“代上班”?
- 套路:一份需求多次使用,事半功倍的套路是什么?
ChatGPT 非常强大,但它能发挥多少本事,取决于你怎么挖掘。基于此,我们邀请到了近期专注于实现 AI 代上班和 AI 反内卷的林健,和你分享他独立设计的一系列综合 AI 智能人设和解决方案。让你真正做到“AI 用得好,天天下班早”!
课程主要分为 3 个模块。
课程模块设计
第一模块:基础速通
欢迎来到新世界。这个模块会让你对 GPT 有一个快速的初步了解,提供一些由简入繁的实例指引。同时,带你了解 GPT 的局限性,从而在当前的能力边界内“求最优解”。
你甚至可以转换思维来拓宽边界,把 GPT 当做一个超级中枢,真正实现迷人的“万物无联”。通过 Markdown 和实用符号的加持,你的“智能答案”也能图文并貌,让交付质量秒速提升。
第二模块:黄金秘钥
这个模块会重点深入讲解玩转 GPT 的独家秘诀,拓展和掌握“人 - 智”交互的新思路。学完这个模块,你一定能快速驯服 GPT,成为一名懂设计、有套路、有心法的 GPT Master。这些方法同样可以快速应用到其他 AI 工具,比如 Claude、Bard。
键盘老师也会传授给你轻量的输入法神技,让 GPT 领衔主演的私人智囊团随时随地由你支配,即使在寸土寸金的手机单行对话框,也能解决复杂需求。
第三模块:综合实战
这个模块会带你运用之前掌握的系统知识来进行实战检验,帮你融会贯通、举一反三,能将具体的挑战正确地转化为专业的 prompt 设计,指挥 GPT 输出可交付的工作成果。
密码管理、自学助手、材料整理、数据清洗、数据分析、智能画师,这些高频需求的应用都会在这个模块给你参考答案。在工作上、生活上、学习上都有令人惊艳的收益。
序号 | 名称 |
---|---|
前言 | |
01 | 踏浪而行,让GPT成为你的提效助手! |
02 | 未来X年 GPT 的动态,都在这儿了 |
基础速通 | |
01 | 由简入繁,从解答到解决 |
02 | 破解局限:在边界内求最优解,层层突破 |
03 | 拆除思维的墙:不止于文本生成 |
黄金密钥 | |
04 | 不懂就问:让 GPT 教你玩 GPT |
05 | 驯服 AI:掌握 prompt 设计 |
Project 2: AI 大模型之美
2022 年 12 月 ChatGPT 发布,随后迅速火爆全球,相信你已经 get 到它与过往 AI 聊天机器人的不同之处,只要你善于提问,写代码、写邮件、写论文、创作视频脚本、绘画、翻译等几十项任务均不在话下。
OpenAI 的创始人 Sam Altman 说,“通用人工智能(AGI)已经离我们不远了”。我在使用 ChatGPT 完成各种各样的任务,并尝试过 OpenAI 提供的各种 API 之后,也在感叹,“强人工智能已经来了”。
这一次人工智能领域的进展,完全不同于 80 年代的学习理论,也远远超越了 2012 年的深度神经网络的意义,它会变成一场席卷全世界的风暴。AI 应用也不再是算法工程师和机器学习研究人员的专利,而是变成了每个工程师都可以快速学习并参与开发的领域。
这门课程就是要把新一代 AI 应用开发的方法和机会分享给你。无论你是产品经理还是工程师,乃至于 IT 行业之外的业务人员,都值得学一学看一看。通过实践,高效利用新一代 AI 强大的能力,去解决真实场景下的问题。
课程设计
课程共分为 3 个模块。
- 基础知识篇。 带你探究大型语言模型的基本能力。通过提示语(Prompt)和嵌入式表示(Embedding)这两个核心功能,看看大模型能帮我们解决哪些常见的任务。通过这一部分,你会熟悉 OpenAI 的 API,以及常见的分类、聚类、文本摘要、聊天机器人等功能,能够怎么实现。
- 实战提高篇。 开始进入真实的应用场景。要让 AI 有用,不是它能简单和我们闲聊几句就可以的。我们希望能够把自己系统里面的信息,和 AI 系统结合到一起去,以解决和优化实际的业务问题。比如优化传统的搜索、推荐;或者进一步让 AI 辅助我们读书读文章;乃至于让 AI 自动根据我们的代码撰写单元测试;最后,我们还能够让 AI 去决策应用调用什么样的外部系统,来帮助客户解决问题。
- 语音与视觉篇。 光有文本对话的能力是不够的,这部分会进一步让你体验语音识别、语音合成,以及唇形能够配合语音内容的数字人。还会教会你如何利用现在最流行的 Stable Diffusion 这样的开源模型,去生成你所需要的图片。并在最后,把聊天和画图结合到一起去,为你提供一个“美工助理”。
序号 | 名称 |
---|---|
前言 | |
01 | GPT 来了,跑步迎接 AI 爆发的时代 |
02 | 让 AI 成为你的贴身助理 |
探索大型语言模型的能力 | |
01 | 重新出发,让我们学会和AI说话 |
02 | 无需任何机器学习,如何利用大语言模型做情感分析? |
03 | 巧用提示语,说说话就能做个聊天机器人 |
04 | 新时代模型性能大比拼,GPT-3 到底胜在哪里? |
05 | 善用 Embedding,我们来给文本分分类 |
06 | ChatGPT 来了,让我们快速做个AI应用 |
07 | 文本聚类与摘要,让 AI 帮你做个总结 |
08 | 文本改写和内容审核,别让你的机器人说错话 |
09 | 语义检索,利用 Embedding 优化你的搜索功能 |
10 | AI 连接外部资料库,让 Llama Index 带你阅读一本书 |
11 | 省下钱买显卡,如何利用开源模型节约成本? |
12 | 让 AI 帮你写个小插件,轻松处理 Excel 文件 |
13 | 让 AI 帮你写测试,体验多步提示语 |
14 | 链式调用,用 LangChain 简化多步提示语 |
15 | 深入使用 LLMChain,给 AI 连上 Google 和计算器 |
16 | Langchain 里的“记忆力”,让 AI 只记住有用的事儿 |
17 | 让 AI 做决策,LangChain 里的“中介”和“特工” |
18 | 流式生成与模型微调,打造极致的对话体验 |
大型语音与图像模型的应用 | |
19 | Whisper+ChatGPT:请 AI 代你听播客 |
20 | TTS 与语音合成:让你的机器人拥有声音 |
21 | DID 和 PaddleGAN:表情生动的数字人播报员 |
22 | 再探 HuggingFace:一键部署自己的大模型 |
23 | OpenClip:让我们搞清楚图片说了些什么 |
24 | Stable Diffusion:最热门的开源AI画图工 |
25 | ControlNet:让你的图拥有一个“骨架” |
26 | Visual ChatGPT 是如何做到边聊边画的? |
27 | 从 Midjourney 开始,探索 AI 产品的用户体验 |
结束语 | |
28 | 结束语|送你一张通往未来“通用人工智能”时代的船票 |
29 | 期末测试|来赴一场满分之约! |
Project 3: 人工智能初体验
序号 | 标题 |
---|---|
01 | 什么是人工智能? |
02 | 人工智能是如何实现的 |
Project 4: 智能客服开发
以 ChatGPT 为代表的 AI 大模型技术,经历一众热捧之后,正在回归该有的冷静。冷静下来,企业都在进一步思考到底哪些场景的哪些问题适合用大模型解决。
大模型不是万能的,它的优势和局限并存,就像我们每个人一样。认识到这一点,才是我们真正在产品之中落地大模型技术的开始。最近一个月,虽然大模型的新闻渐少,但落地的企业却越来越多。
作为一名工程师,面对新技术,我们唯一能做的就是跳进去实操,用代码实操。在实操中理解原理,在实操中洞察未来。 这次大模型私教班,将直接聚焦案例,带着你,一步步做一个工业级的智能机器人。
问答机器人的产品形态我们并不陌生,即用户向机器人提问,机器人可以根据问题给出答案。
早些年,类似的系统的实现方式是在 Excel 中维护一个常见的问答内容对。机器人对问题内容匹配后,自动地回复。但这样的方式效果并不好。
随着大模型技术的发布,我们有了一种更优的解法。V0.1 版本中,我们会 基于大模型技术实现一个最简单的智能问答机器人 (小悦)。
相关技术点
- 环境搭建
- Prompt Engineering (In Context Learning、Chain of Thoughts)
- OpenAI API (Chat Model & Price & Complation)
- LangChain (Chains & Memorys & PromptTemplate)
- Streamlit build WebUl
在 V0.1 版本中,小悦已经可以初步回答用户的问题了,这让人惊喜。不过,测试之后发现小悦回答的内容并不受我们所控制,这可了得。
某些业务问题上,我们希望它能 结合企业的知识库内容进行回复,而不是一通乱说,误导用户。V0.2 版本中,我们将会集中精力解决这
个问题。
相关技术点
- OpenAI API (Model & Price & Embed-ding)
- 向量数据库选型 (商用 SaaS)
- 数据工程(通过技巧来保障数据质量,数据不够时如何提高数量,敏感数据处理)
- 召回算法(基于向量相似度)
V0.2 版本中,小悦已经初步实现了企业内部的知识库对接。虽说知识是我们的,但是模型并不是我们的。
作为一名超级战士,你意识到,不能把数据给到第三方的模型,这会泄露咱们公司的商业机密。
怎么办?
只能做私有化。 于是,你策马横刀开始准备 把模型部署到本地。
相关技术点
- 云服务器环境搭建(显卡选型、驱动管理、CUDA 管理)
- 私有化 Embedding 模型 (M3E)
- 私有化 LLM (LLaMa2)
- 私有化向量数据库(Milvus)
完成了大语言模型的私有化部署后,安全的问题暂时告一段落。我们继续优化小悦回答用户问题的准确率。虽然目前小墨已经可以基于知识库回答问题,但准确率还是没那么高。
比如知识库中有 100 条与提问相关的内容,那 如何从中选出最贴近问题的内容? 以及用户的问题 如果知识库内容没有覆盖到,该如何解决呢? 且看 V0.4 版本。
相关技术点
- Prompt 优化
- 私有化 Embedding 模型选型
- 私有化 LLM 选型
- 私有化向量数据库选型
- 多路召回架构
- 向量入库优化
- 向量出库优化
至此,我们大功告成,同事们开心的说,要是能 在钉钉中和小悦交互 就更好了。确实,把小悦接入到 IM 中,也一直是你想做的事情 v0.5 版本中将会完成这一特性。
接入钉钉后,你还会考虑将整个的产品部署到生产环境。部署到生产环境,这并不是简单的事情。从技术层面考虑,你需要找到一个优雅且灵活的方式。同时,你还得思考如何选择合适的服务器?如何选择合适的硬件?AI + Cloud 挑战即将开始。
别忘了,咱们的目标是做一个工业级的问答系统一一高并发、高性能、高可用。志当高远。
相关技术点
- 接入钉钉
- 工程化 (REST API)
- 容器化(Docker/Kubernetes)
- 服务编排
- 算力平台
- 弹性计算
- 云原生架构
上线之后,用户反馈不错。但又有新需求了,程序员,总有干不完的需求。
产品经理说,用户很多问题都和业务数据有关,咱们 机器人是不是能和业务的 API 打通? 比如,是不是能和我们的订单系统打通?这样小悦的能力就更强了。
相关技术点
- LangChain (自主决策能力的 Agent &让一切变成现实的 Tools & 抽象业务调用的 Chain)
新的需求又来了。产品经理说,不能全是文本交互,开车路上,最好是用户发一段语音,然后小悦就 能给用户回复语音。 移动端,还是语音交互更方便些。
同时,产品经理试探的问我,是不是可以实现 查找图片的功能? 好吧,我知道了,现在,小悦将正式往 多模态 进军,我们希望可以通过更多元化的方式进行交互,来完成更复杂的任务。
相关技术点
- DingTalk API
- 语音模型 (ASR 语音识别 TTS 语音合成)
- 多模态模型 (CLIP)
最后一个版本,是关于模型微调的。 对于个性化或者垂直领域的模型,我们总需要做一些 Fine-tuing 的工作。 这一节课,我会基于开源或者商用的模型底座,基于我们的私有数据集,做一次生产环境级别的 Fine-tuning。
相关技术点
- OpenAI GPT
- Fine-tuning
- LLaMa2
- Fine-tuning
- Alibaba Qwen Fine-tuning
- 至少三选一
我的微信号:Jiabcdefh
如果你有其他需求或者疑问,点击:QQ 在线客服
微信:
- 0
- 0
- 0
- 0
- 0
- 0