“人工智能技术是以技术服务的形式存在”
在当今人工智能技术飞速发展的时代,怎么快速且有效的搭建一个人工智能服务是每一家企业需要解决的问题之一。
搭建人工智能服务有哪几种方式?
人工智能是以网络服务的形式存在的,而一家企业或个人想搭建人工智能服务有哪几种实现的可能呢?
在这里总结了几种方式,每种方式都有自己的优势以及劣势,而且几种方式并不是完全独立的,也可以根据自己的情况把几种方式进行结合。
下面的几种方式是从易到难。
调用第三方大模型服务接口
这种方式最简单也最直接,开发者只需要在第三方平台注册一个开发者账号即可使用。比如openAI,通义千问,文心一言等大模型平台。
这种方式的优点是技术成本低,可以在完全不懂人工智能技术的情况下,有一个前端和后端就可以构建自己的人工智能应用。
缺点是有一定的接口使用成本,以及在对数据安全性要求比较高的情况下无法使用,以及在垂直领域可能表现较差。
使用开源大模型微调
这种方式就是使用一些开源的大模型,在其模型的基础之上使用自己的数据对大模型进行微调。比如lora,p-tuning等。
其优点是技术难度低,只需要懂得简单的机器学习技术即可,并且灵活方便,可以本地部署不依赖于第三方服务商,更加适合垂直领域的业务。
这种方式可以说没什么缺点,是大部分企业选择的方式。
完全自定义大模型
这种方式就是在有足够技术底蕴的情况下,可以完全独立设计和训练属于自己的大模型。比如openAI,谷歌,阿里云等巨头企业。
其优点是完全自定义,可以满足理论上任何业务场景,技术完全独立自主可控,可以在业务领域内进行最完善的适配。
缺点就是技术难度大,成本高,对大部分企业来说都是无法实现的。
大模型+本地知识库
这种方式可以说是在前面三种方式的基础上进行的强化,大模型可以选择前面三种的任何一种实现,不论是使用第三方,还是自定义或微调开源模型。
这种方式可以说是大数据技术和人工智能技术的结合,更多的是为了解决大模型天生的缺陷,那就是数据更新不及时,训练的数据都是之前的旧数据。
而有了本地知识库的加持,那么就可以让大模型有了一个资料库,只要这个资料库更新及时,那么大模型在垂直领域和数据时效性的问题都可以被解决。
优点是解决了大模型本身的缺陷,通过外挂知识库的方式,让大模型能力得到增强。
这种方式也可以说没什么缺点,或者说唯一的缺点就是选择的大模型好不好和本地知识库的数据是否丰富,并及时更新。
本地大模型+第三方服务
这种方式可以说是前面几种方式的结合,就是为了数据安全性问题,可以本地部署训练或微调大模型。然后把一些自己做的不好的或者做不到的功能,通过调用第三方服务来实现。
比如说,你是一个医疗领域内的人工智能应用,那么你可以专注于医疗模型的构建;但可以把一些常见咨询等功能,通过第三方服务来实现。
最后,对大部分企业来说,他们不会仅仅选择一种方式;而是自己把以上几种方式相结合,自己实现一部分,调用第三方一部分;这样既可以节省资金成本,也可以降低技术成本。
最后,把大模型作为后端服务,用户端通过网站,APP,小程序等形式展示给用户。
这也是现代企业最常见的哲学,合作共赢,专业的事交给专业的人,自己只需要负责自己的核心业务即可。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。