大模型入门实战

Part.1

什么是生成式AI？

**“所有产品都值得用大模型重做一次。”**是近几年在AI圈子非常火爆的观点。

当大家都在热议大模型和生成式AI时，怎么让这些炫酷的技术快速落地，真正帮到商业和社会，成了个大难题。不过，AWS已经把大模型和生成式AI的门槛大大降低了。

什么是生成式AI?

生成式AI是一种利用机器学习技术（特别是深度学习）来创造新的、原创内容的通用技术。它能够基于从大量数据中学习到的模式和规则，利用大型语言模型（LLM）和基础模型（FM）来生成文本、图片、声音、视频、代码、网页等多种形式的内容。

（生成式 AI 项目生命周期框架）

目前已有多种类型的多模态生成式AI任务，比如：

· 文本摘要

生成一段较短的文本，同时保留主要思路。通常在客户支持中使用摘要功能，以快速地概述客户与客服代表之间的互动。

· 重写

修改文本措辞以适应不同的受众、正式程度或语气。

· 信息提取

从文档中提取诸如姓名、地址、事件、数据或数字等信息。

· 问答（Question Answering，QA）和视觉问答（Visual Question Answering，VQA）

直接针对一组文档、图像、视频或音频提出问题。

· 有害内容检测

作为问答任务的扩展，你可以询问生成式模型一组文本、图像、视频或音频中是否包含有害内容。

· 分类和内容审查

为给定的内容（如文档、图像、视频或音频剪辑）分配一个类别。

· 对话式界面

通过提供类似聊天界面的方式处理多轮对话，以完成相应任务。

· 翻译

语言翻译是生成式AI最早的用例之一。

· 源代码生成

根据自然语言代码注释或者手绘草图生成源代码。

· 推理

通过问题推理来发现潜在的新解决方案、权衡或隐藏的细节。

· 掩蔽个人身份识别信息

可以使用生成式模型从给定的文本语料库中掩蔽个人身份识别信息。对于许多需要处理敏感数据并希望从工作流中删除PII数据的用例，这非常有用。

· 个性化营销和广告

根据用户个人资料特征生成个性化的产品描述、视频或广告。

在这些生成式AI的用例和任务中，模型创建的内容已接近于人类对语言的理解，这确实令人惊叹。这是由Transformer 的神经网络架构来实现的。

那AWS是如何实现生成式AI落地的最后一公里的？

AWS，即Amazon Web Services的简称，是Amazon公司提供的云计算平台，它致力于提供企业级的安全性和隐私性，同时提供工具和基础设施来构建和扩展生成式AI应用程序。

（支持生成式AI的AWS服务和对应功能）

我们通常从模型中心开始生成式AI项目，比如在本书中，我们将用到模型中心里Hugging Face Model Hub 和Amazon SageMaker JumpStart的资源来探索Meta的Llama 2、TII的Falcon和Google的FLAN-T5等基础模型。

不过，生成式AI应用程序的构建不仅限于生成模型本身。为了创建一个既可靠又可扩展，同时确保安全性的应用程序，并且最终能够交付给用户或其他系统作为服务，需要多个组件的密切协作和整合。而AWS便能帮你完美地组合起来，它不仅提供像Amazon CodeWhisperer这样的打包生成式AI服务，更提供了构建端到端生成式AI应用程序所需的广泛服务。

（AWS提供了构建端到端生成式AI应用程序所需的广泛服务）

提高选择的灵活性、企业级的安全和治理能力、先进的生成式AI能力、通过全托管的服务降低运营成本，以及持续创新的能力。这些都是我们选择AWS来构建生成式AI项目的重要原因。

Part.2

为什么选择这本书学习大模型？

如果你是程序员，对O’Reilly动物书就不会陌生，这本书延续了O’Reilly动物书的风格，封面上是一只可爱的嘲鸫鸟。O’Reilly出版社40多年来专注于前沿技术，帮助专业人士掌握最佳实践，引领科技创新。

这本书美亚4.6星，口碑保证！

三位AWS生成式AI专家编写，深入浅出，引领大模型学习。

Chris Fregly

AWS生成式AI首席解决方案架构师，也是O’Reilly图书Data Science on AWS的合著者。

Antje Barth

AWS生成式Al首席开发倡导者，也是O’Reilly图书Data Science on AWS的合著者。

Shelbee Eigenbrode

AWS生成式AI首席解决方案架构师，她在各个技术领域拥有超过35项专利。

这样一本符合时代需求的好书自然而然地得到了AWS、Meta、Snowflake、Lepton AI、CSDN、百川智能等科技巨头的大佬和行业专家的联袂推荐。

Part.3

这本书可以帮你学习什么？

理论

在本书中，你将先探索生成式AI的概念及其在产品和服务中的应用潜力，了解生成式AI项目的完整生命周期。接着学习提示工程、小样本上下文学习、生成式模型预训练、领域自适应、模型评估、参数高效微调（Parameter Efficient Fine-Tuning，PEFT）和基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）等主题。

实践

翻开这本书，你将了解当今产业界和学术界常用的生成式AI用例和任务。

首先，你将和作者一同探讨多种模型类型，如大语言模型和多模态模型，并了解通过提示工程和上下文学习来优化这些模型的实际技巧。了解如何构建这些前沿的生成式模型，获得实践经验后，你可以选择是重用现有的生成式模型还是从头开始构建一个新模型。然后，你将学习如何把这些生成式模型适配到特定领域的数据集、任务和用例中，以支持商业应用。

你想要学习的LORA、RLHF、LangChain和ReAct等关键的生成式AI技术，在本书中都能找到。如何利用LoRA技术对模型进行微调？如何通过RLHF使模型与人类价值观对齐？如何利用LangChain和ReAct等开发agent？此类技术的详细解析和实际应用案例应有尽有。

本书还附赠丰富代码示例，助你快速上手生成式AI关键技术！

（本书配套代码：https://github.com/generative-ai-on-aws ）

最后，你将学会利用Amazon Bedrock构建基于生成式AI的应用程序。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了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，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.2.1 什么是Prompt
  • L2.2.2 Prompt框架应用现状
  • L2.2.3 基于GPTAS的Prompt框架
  • L2.2.4 Prompt框架与Thought
  • L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
  • L2.3.1 流水线工程的概念
  • L2.3.2 流水线工程的优点
  • L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
  • L3.1.1 Agent模型框架的设计理念
  • L3.1.2 Agent模型框架的核心组件
  • L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
  • L3.2.1 MetaGPT的基本概念
  • L3.2.2 MetaGPT的工作原理
  • L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
  • L3.3.1 ChatGLM的特点
  • L3.3.2 ChatGLM的开发环境
  • L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
  • L3.4.1 LLAMA的特点
  • L3.4.2 LLAMA的开发环境
  • L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓