机器学习项目成功的关键,在于对问题的深刻理解,而非算法的选择。
——彼得·诺维格(Peter Norvig)谷歌研究总监,人工智能专家
这是互联网悦读笔记五一后正式复更的第一天。也是我开始系统化对外输出AI思考的第一篇文章。
熟悉这个号的朋友大概能猜到,24年初开始,我就把主要精力投入在了AIGC产品的应用研究上。
期间,我不断尝试把大模型落地到企业的实际工作中,并参考了大量行业案例和知识付费课程。
但遗憾的是,很多人仍会对这项新技术持怀疑态度。就在前两天,还有一位产品经理找到我说:
“AI刚出来的时候,我既兴奋又好奇,心想终于能有个帮手分担工作了。我还试着用kimi、文心一言帮我解答问题、生成文档。但几次后发现,AI在具体工作任务上还是很难帮到我。比如让它输出一份调研报告,它给的框架很完整,但内容填充上却很水,还得自己来改,这和网上找个模版有啥区别。经过几次之后,我就只能让AI帮我做一些不重要的事,结果就是食之无味弃之可惜。”
想一想,面对滚滚而来的AI焦虑,你是不是也有过类似的疑惑:
-
注册了几个大模型产品,但打开后脑子一片空白,不知道怎么和它对话
-
问了几个问题,发现给的答案就像大厂黑话——看似说了一堆,实际跟没说一样
-
用软件自带的智能体试了几套提示词,似乎输出比之前好了,但也只限于写公文、发邮件这种文案生成工作,我想让它帮我在审核App的时候提高效率,怎么做?
这篇文章,我想来尝试给出些解法。
我的观点是:想用好大模型,首先要学的,不是工具、不是提示词,而是要具备业务理解+流程抽象+方法论沉淀的能力。我称之为:业、流、法三步模型。
这套方法,源自业内很有名的一句话:
成功的本质,就是把一件正确的事,重复做一万遍。
AI能做的,是重复一万遍。但在这之前,你要先知道什么是正确的事,以及如何正确地把这件事做一万遍。
-
业务理解,锻炼的是对正确事情的判断力。
-
流程抽象,锻炼的是把事情做一万遍的自动化能力。
-
方法论沉淀,锻炼的是把如何正确地把自动化方法传达给AI的能力。
具体怎么做,展开讲下
第一步,业,具备特定领域的业务理解能力。
也就是行业know how的能力。即知道一个行业的商业模式、竞争格局、涉及领域上下游和具体的业务运转方式。
以上面提到的“帮我在审核App的时候提高效率”为例,你要知道应用分发这个领域,都有哪些角色参与其中,再思考平台在其中担任什么职责,靠什么盈利。其中利益分配的链条,如何从开发者,传导到消费者,再到广告商,再到平台方。你也要知道行业里为了争取到最大利益,可能会发生什么情况,出现哪些风险,其中哪些是可能被发现的,可能有办法解决的。这些风险可能有什么特征。
你对应用开发者、平台运营者和用户之间的互动方式越清楚,越能从中发现规律,进而能很容易地步入第二步:流程抽象。
第二步,流,具备把业务流程抽象建模的能力。
也就是知道如何用节点+连线的方式,把一个业务的经营逻辑,抽象成:角色+行为+数据+流转线路的形式。
-
角色。规定完成业务的岗位职责和分工。
-
行为,规定角色完成一件事,需要做哪些具体执行动作
-
数据,规定角色执行前的参考环境,执行后的产出结果
-
流转线路,规定角色在什么数据的前提下,执行什么动作,产生什么数据,从而影响到下一个角色
还是以“帮我在审核App的时候提高效率”为例,简单抽象了一下,可以按这样的结构理解:
-
角色:开发者、平台审核员、用户
-
行为:开发者,提交应用资料和安装包;平台,审核资料确保合规;用户,下载应用、使用产品、提出反馈
-
数据:包括应用的类目数据、资质数据、简介数据和产品本身的数据,以及用户下载应用后的反馈数据等
-
流转线路,如下图所示。开发者根据要求,产生提交行为,形成待审核数据;审核员读取数据,根据规则,完成审核动作;用户则能看到审核通过的应用,执行下载动作并提出反馈;审核员再根据反馈情况,做出修正规则或回复反馈的动作。
第三步,法,具备把流程事件结构化成方法论的能力。
也就是把成功的过程,以结构化文本方式表达出来,本质上是沉淀可复用的方法论。而方法论在AI时代的外化形式,就是prompt。
还是延续上面的例子,想让AI在这个流程中发挥作用,就要给它安排一个角色,让它能参与到流转线路中,作为一个节点,读取数据,执行规则并输出结果。
你的目的,就是尽可能让AI这个角色,帮你执行蓝框所示的行为,让你从你的角色中解脱出来。
假设想让AI帮你执行“审核类目”这个动作,可以怎么描述?
角色:类目审核员
目的:判断类目数据和资质数据,是否匹配类目审核规则
执行流程:
- 读取资质数据
- 提取资质数据的关键信息,如所属行业、证书编号等
- 判断资质数据是否真实有效(对接第三方接口)
- 如果有效,查看资质信息,是否和类目要求的规则相匹配。如:经营范围、员工数量等
- 如果匹配,审核通过,进入下一环节,执行审核应用行为
- 如果不匹配,审核不通过,生成不通过的说明文案,附带不通过原因,输出给审核员二次确认
输出格式:
结论+原因+验证依据
这套方法论一出来,聪明的你一定会发现,它就是一套结构化提示词。
实际上,稍加整理,你还可以把它写成新员工培训资料,甚至作为需求文档提交给技术,写成代码。自然语言和代码之间的转化,也正是大模型的拿手好戏。
看到这里,你可能会问,这是不是太复杂了?
我就想用好大模型,还要先成为领域专家,沉淀方法论,这个要求很多行业资深人士都做不到,我就一普通人,要具备这样的能力,太难了!
是不是现在不懂这些,就没法把AI用起来了?
当然不是。在没有方法论沉淀的前提下用好AI,我再给你三招锦囊:
第一招:拜师学艺,快速上道
不是去学零星的工具技巧,而是先找到那些已经借助AI,在垂直领域拿到结果的大佬们,向他们取经。
这些大佬们不仅理论知识扎实,也切实让AI帮到了自己。你可以直接找他们请教、模仿他们的做法,先让自己先达到一个“及格线”。当然,这招不是让你满足于平庸,而是帮你快速建立信心,打好基础。站在巨人的肩膀上,你很快就能明白AI的能力边界可以有多宽,及它在你的领域里怎么能大展拳脚。
第二招:记录反馈,不断试错
用AI的时候,把每次尝试都记录下来。不管结果好坏,这些都是宝贵的经验。
遇到问题了,别急着打退堂鼓。要有那种“我偏不信邪”的劲儿,相信AI一定能帮到自己。带着这个信念找问题、想办法,如果自己搞不定,就找大佬请教,一步步来,总能越来越接近你的目标。
在这个过程中,解决问题的经验特别宝贵,它能帮你在以后遇到类似问题时能举一反三。这种边做边学,边学边改的方法,是提升AI技能的不二法门。
第三招:内化经验,融会贯通
当你感到自己已经能熟练运用AI,并且实现了预期效果,别到这儿就满足了。要把这个过程中学到的前人经验,结合你的理解和创新,形成一套自己的独门招法。这就意味着你要分析你的做法,找到还能改进的地方,然后不断打磨,不断优化。等招式形成了,它就是属于你的领域沉淀下来的独家方法论。
总的来看,面对AI的来势汹汹,每个人都不应该独善其身。。AI不仅是一个工具,它更像是一位智者,一位导师,引导我们深入理解业务,抽象流程,沉淀方法。但别忘了,AI也是一面镜子,它反映出我们对问题的理解,对工作的热爱,对生活的执着。用好AI,不是一蹴而就的,它需要我们不断地学习、尝试、反思。就像彼得·诺维格所说,机器学习项目的成功,源于对问题的深刻理解。所以,不要害怕开始,不要害怕失败,因为每一次的尝试,都是通往成功的一步。
我坚信AGI的时代一定会到来,积极拥抱这一趋势,不是浅尝辄止,而是深度体验,找到那个最佳解法,等AI真正大规模普及,你一定会由此受益。
零基础如何学习大模型 AI
领取方式在文末
为什么要学习大模型?
学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术,如自然语言处理和图像识别,正在推动着人工智能的新发展阶段。通过学习大模型课程,可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术,从而提升自己在数据处理、分析和决策制定方面的能力。此外,大模型技术在多个行业中的应用日益增加,掌握这一技术将有助于提高就业竞争力,并为未来的创新创业提供坚实的基础。
大模型实际应用案例分享
①智能客服:某科技公司员工在学习了大模型课程后,成功开发了一套基于自然语言处理的大模型智能客服系统。该系统不仅提高了客户服务效率,还显著降低了人工成本。
②医疗影像分析:一位医学研究人员通过学习大模型课程,掌握了深度学习技术在医疗影像分析中的应用。他开发的算法能够准确识别肿瘤等病变,为医生提供了有力的诊断辅助。
③金融风险管理:一位金融分析师利用大模型课程中学到的知识,开发了一套信用评分模型。该模型帮助银行更准确地评估贷款申请者的信用风险,降低了不良贷款率。
④智能推荐系统:一位电商平台的工程师在学习大模型课程后,优化了平台的商品推荐算法。新算法提高了用户满意度和购买转化率,为公司带来了显著的增长。
…
这些案例表明,学习大模型课程不仅能够提升个人技能,还能为企业带来实际效益,推动行业创新发展。
学习资料领取
如果你对大模型感兴趣,可以看看我整合并且整理成了一份AI大模型资料包,需要的小伙伴文末免费领取哦,无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发
部分资料展示
一、 AI大模型学习路线图
整个学习分为7个阶段
二、AI大模型实战案例
涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,皆可用。
三、视频和书籍PDF合集
从入门到进阶这里都有,跟着老师学习事半功倍。
如果二维码失效,可以点击下方链接,一样的哦
【CSDN大礼包】最新AI大模型资源包,这里全都有!无偿分享!!!
😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~