- 封底 更新時間：2025-02-21 17:02:09
- 作者簡介
- 12.4 小結
- 12.3.6 倫理與道德
- 12.3.5 大模型與機器人
- 12.3.4 通用還是垂直
- 12.3.3 模型越大越好嗎
- 12.3.2 Transformer是終極架構嗎
- 12.3.1 正確認識大模型
- 12.3 大模型展望
- 12.2.2 制造業應用
- 12.2.1 賦能千行百業
- 12.2 大模型應用萬花筒
- 12.1.2 思想與技術
- 12.1.1 技術理論流派
- 12.1 大模型技術大觀園
- 第12章 總結與展望
- 小故事
- 11.4 小結
- 11.3.5 運維檔案管理
- 11.3.4 智能客服與知識問答
- 11.3.3 運維現場規范管理
- 11.3.2 預測性維護
- 11.3.1 人才培養與培訓
- 11.3 大模型在電梯運維行業的應用
- 11.2.2 電梯運維行業的挑戰
- 11.2.1 電梯運維簡介
- 11.2 電梯運維行業
- 11.1.2 設備運維大模型的行業案例
- 11.1.1 設備運維行業的特點
- 11.1 設備運維大模型的現狀
- 第11章 設備運維大模型的應用實踐
- 小故事
- 10.3 小結
- 10.2.4 工業機器人
- 10.2.3 產品質檢
- 10.2.2 生產工藝優化
- 10.2.1 智能排產
- 10.2 大模型在生產制造環節的應用
- 10.1.3 工業制造大模型的構建方式
- 10.1.2 工業制造大模型的種類
- 10.1.1 工業制造大模型的概念
- 10.1 工業制造大模型簡介
- 第10章 工業制造大模型的應用實踐
- 小故事
- 9.4 小結
- 9.3 軟硬件適配
- 9.2.5 參數共享
- 9.2.4 剪枝
- 9.2.3 量化
- 9.2.2 蒸餾
- 9.2.1 模型壓縮簡介
- 9.2 大模型壓縮
- 9.1.2 邊緣部署
- 9.1.1 云端部署
- 9.1 大模型部署
- 第9章 大模型部署與壓縮
- 小故事
- 8.5 小結
- 8.4.4 代理模塊
- 8.4.3 鏈模塊
- 8.4.2 提示詞模板
- 8.4.1 LangChain工具簡介
- 8.4 LangChain：AI Agent高效實戰工具
- 8.3.2 AI Agent與RPA的關系
- 8.3.1 流行的AI Agent
- 8.3 AI Agent應用
- 8.2.5 大模型與AI Agent的關系
- 8.2.4 行動模塊
- 8.2.3 大腦模塊
- 8.2.2 感知模塊
- 8.2.1 基本框架
- 8.2 AI Agent原理
- 8.1.2 對AI Agent的不同理解
- 8.1.1 AI Agent技術簡史
- 8.1 AI Agent簡介
- 第8章 基于大模型的AI Agent
- 小故事
- 7.4 小結
- 7.3.6 RAG應用場景
- 7.3.5 RAG效果評估
- 7.3.4 智能生成
- 7.3.3 相似檢索
- 7.3.2 向量數據庫的構建
- 7.3.1 RAG的概念
- 7.3 大模型檢索增強生成
- 7.2.7 微調技術對比
- 7.2.6 混合式微調
- 7.2.5 外掛式微調
- 7.2.4 前綴式微調
- 7.2.3 適配式微調
- 7.2.2 局部微調
- 7.2.1 全量微調
- 7.2 垂直制造領域大模型的構建方法
- 7.1.2 大模型應用的8種情形
- 7.1.1 企業資源現狀
- 7.1 企業應用大模型的8種情形
- 第7章 制造業企業應用大模型的方法
- 應用篇
- 小故事
- 6.5 小結
- 6.4.2 防御策略
- 6.4.1 提示詞攻擊
- 6.4 對抗提示
- 6.3.3 思維圖
- 6.3.2 思維樹
- 6.3.1 思維鏈
- 6.3 思維鏈系列技術
- 6.2.3 提示詞通用技巧
- 6.2.2 零樣本提示
- 6.2.1 少樣本提示
- 6.2 提示詞工程技術
- 6.1.3 提示詞的類別
- 6.1.2 提示詞的必要性
- 6.1.1 提示詞的概念
- 6.1 提示詞簡介
- 第6章 提示詞工程
- 小故事
- 5.5 小結
- 5.4.3 文生視頻
- 5.4.2 文生圖
- 5.4.1 常用的多模態大模型
- 5.4 AIGC應用
- 5.3.2 擴散模型
- 5.3.1 生成對抗網絡
- 5.3 AIGC技術
- 5.2.3 對比學習
- 5.2.2 多模態融合
- 5.2.1 多模態編碼
- 5.2 多模態基本技術
- 5.1.3 多模態大模型的主要任務
- 5.1.2 多模態大模型的發展歷程
- 5.1.1 多模態大模型的概念
- 5.1 多模態大模型簡介
- 第5章 多模態大模型
- 小故事
- 4.4 小結
- 4.3.4 MoE總結
- 4.3.3 MoE的實現方式
- 4.3.2 MoE的基本原理
- 4.3.1 MoE的概念
- 4.3 混合專家模型
- 4.2.4 指令微調總結
- 4.2.3 基于人類反饋的強化學習
- 4.2.2 獎勵模型
- 4.2.1 有監督微調
- 4.2 指令微調
- 4.1.4 大模型幻覺
- 4.1.3 安全性
- 4.1.2 魯棒性
- 4.1.1 可控性
- 4.1 預訓練模型的局限性
- 第4章 大模型價值對齊
- 小故事
- 3.6 小結
- 3.5.2 模型訓練步驟
- 3.5.1 模型構建
- 3.5 模型訓練
- 3.4.3 常用的詞嵌入方法
- 3.4.2 Word2Vec
- 3.4.1 獨熱編碼
- 3.4 詞嵌入
- 3.3.5 常用的分詞器
- 3.3.4 中文分詞
- 3.3.3 子詞級分詞
- 3.3.2 字母級分詞
- 3.3.1 詞級分詞
- 3.3 分詞
- 3.2.3 隱私消除
- 3.2.2 冗余去除
- 3.2.1 低質過濾
- 3.2 數據處理
- 3.1.2 資源準備
- 3.1.1 基本路徑
- 3.1 大模型構建的基本方法
- 第3章 大模型構建路徑
- 小故事
- 2.4 小結
- 2.3.3 Transformer架構模型的特點與發展
- 2.3.2 Transformer架構的原理
- 2.3.1 Transformer架構的背景
- 2.3 大模型架構原理
- 2.2.3 大模型的發展
- 2.2.2 模型的分類
- 2.2.1 模型的概念
- 2.2 大模型簡介
- 2.1.2 人工智能技術的流派之爭
- 2.1.1 人工智能發展的三起三落
- 2.1 人工智能的發展歷程
- 第2章 大模型基礎
- 小故事
- 1.4 小結
- 1.3.4 制造業大模型
- 1.3.3 大模型在制造業中的應用
- 1.3.2 制造業是大模型的主戰場
- 1.3.1 大模型賦能制造業
- 1.3 制造業為什么需要大模型
- 1.2.3 對大模型的常見誤區
- 1.2.2 大模型的基本能力
- 1.2.1 什么是大模型
- 1.2 大模型的基本知識
- 1.1.2 智能制造
- 1.1.1 企業數字化
- 1.1 制造業的數字化進展
- 第1章 制造業與大模型
- 基礎篇
- 前言
- 內容簡介
- 版權頁
- 封面
- 封面
- 版權頁
- 內容簡介
- 前言
- 基礎篇
- 第1章 制造業與大模型
- 1.1 制造業的數字化進展
- 1.1.1 企業數字化
- 1.1.2 智能制造
- 1.2 大模型的基本知識
- 1.2.1 什么是大模型
- 1.2.2 大模型的基本能力
- 1.2.3 對大模型的常見誤區
- 1.3 制造業為什么需要大模型
- 1.3.1 大模型賦能制造業
- 1.3.2 制造業是大模型的主戰場
- 1.3.3 大模型在制造業中的應用
- 1.3.4 制造業大模型
- 1.4 小結
- 小故事
- 第2章 大模型基礎
- 2.1 人工智能的發展歷程
- 2.1.1 人工智能發展的三起三落
- 2.1.2 人工智能技術的流派之爭
- 2.2 大模型簡介
- 2.2.1 模型的概念
- 2.2.2 模型的分類
- 2.2.3 大模型的發展
- 2.3 大模型架構原理
- 2.3.1 Transformer架構的背景
- 2.3.2 Transformer架構的原理
- 2.3.3 Transformer架構模型的特點與發展
- 2.4 小結
- 小故事
- 第3章 大模型構建路徑
- 3.1 大模型構建的基本方法
- 3.1.1 基本路徑
- 3.1.2 資源準備
- 3.2 數據處理
- 3.2.1 低質過濾
- 3.2.2 冗余去除
- 3.2.3 隱私消除
- 3.3 分詞
- 3.3.1 詞級分詞
- 3.3.2 字母級分詞
- 3.3.3 子詞級分詞
- 3.3.4 中文分詞
- 3.3.5 常用的分詞器
- 3.4 詞嵌入
- 3.4.1 獨熱編碼
- 3.4.2 Word2Vec
- 3.4.3 常用的詞嵌入方法
- 3.5 模型訓練
- 3.5.1 模型構建
- 3.5.2 模型訓練步驟
- 3.6 小結
- 小故事
- 第4章 大模型價值對齊
- 4.1 預訓練模型的局限性
- 4.1.1 可控性
- 4.1.2 魯棒性
- 4.1.3 安全性
- 4.1.4 大模型幻覺
- 4.2 指令微調
- 4.2.1 有監督微調
- 4.2.2 獎勵模型
- 4.2.3 基于人類反饋的強化學習
- 4.2.4 指令微調總結
- 4.3 混合專家模型
- 4.3.1 MoE的概念
- 4.3.2 MoE的基本原理
- 4.3.3 MoE的實現方式
- 4.3.4 MoE總結
- 4.4 小結
- 小故事
- 第5章 多模態大模型
- 5.1 多模態大模型簡介
- 5.1.1 多模態大模型的概念
- 5.1.2 多模態大模型的發展歷程
- 5.1.3 多模態大模型的主要任務
- 5.2 多模態基本技術
- 5.2.1 多模態編碼
- 5.2.2 多模態融合
- 5.2.3 對比學習
- 5.3 AIGC技術
- 5.3.1 生成對抗網絡
- 5.3.2 擴散模型
- 5.4 AIGC應用
- 5.4.1 常用的多模態大模型
- 5.4.2 文生圖
- 5.4.3 文生視頻
- 5.5 小結
- 小故事
- 第6章 提示詞工程
- 6.1 提示詞簡介
- 6.1.1 提示詞的概念
- 6.1.2 提示詞的必要性
- 6.1.3 提示詞的類別
- 6.2 提示詞工程技術
- 6.2.1 少樣本提示
- 6.2.2 零樣本提示
- 6.2.3 提示詞通用技巧
- 6.3 思維鏈系列技術
- 6.3.1 思維鏈
- 6.3.2 思維樹
- 6.3.3 思維圖
- 6.4 對抗提示
- 6.4.1 提示詞攻擊
- 6.4.2 防御策略
- 6.5 小結
- 小故事
- 應用篇
- 第7章 制造業企業應用大模型的方法
- 7.1 企業應用大模型的8種情形
- 7.1.1 企業資源現狀
- 7.1.2 大模型應用的8種情形
- 7.2 垂直制造領域大模型的構建方法
- 7.2.1 全量微調
- 7.2.2 局部微調
- 7.2.3 適配式微調
- 7.2.4 前綴式微調
- 7.2.5 外掛式微調
- 7.2.6 混合式微調
- 7.2.7 微調技術對比
- 7.3 大模型檢索增強生成
- 7.3.1 RAG的概念
- 7.3.2 向量數據庫的構建
- 7.3.3 相似檢索
- 7.3.4 智能生成
- 7.3.5 RAG效果評估
- 7.3.6 RAG應用場景
- 7.4 小結
- 小故事
- 第8章 基于大模型的AI Agent
- 8.1 AI Agent簡介
- 8.1.1 AI Agent技術簡史
- 8.1.2 對AI Agent的不同理解
- 8.2 AI Agent原理
- 8.2.1 基本框架
- 8.2.2 感知模塊
- 8.2.3 大腦模塊
- 8.2.4 行動模塊
- 8.2.5 大模型與AI Agent的關系
- 8.3 AI Agent應用
- 8.3.1 流行的AI Agent
- 8.3.2 AI Agent與RPA的關系
- 8.4 LangChain：AI Agent高效實戰工具
- 8.4.1 LangChain工具簡介
- 8.4.2 提示詞模板
- 8.4.3 鏈模塊
- 8.4.4 代理模塊
- 8.5 小結
- 小故事
- 第9章 大模型部署與壓縮
- 9.1 大模型部署
- 9.1.1 云端部署
- 9.1.2 邊緣部署
- 9.2 大模型壓縮
- 9.2.1 模型壓縮簡介
- 9.2.2 蒸餾
- 9.2.3 量化
- 9.2.4 剪枝
- 9.2.5 參數共享
- 9.3 軟硬件適配
- 9.4 小結
- 小故事
- 第10章 工業制造大模型的應用實踐
- 10.1 工業制造大模型簡介
- 10.1.1 工業制造大模型的概念
- 10.1.2 工業制造大模型的種類
- 10.1.3 工業制造大模型的構建方式
- 10.2 大模型在生產制造環節的應用
- 10.2.1 智能排產
- 10.2.2 生產工藝優化
- 10.2.3 產品質檢
- 10.2.4 工業機器人
- 10.3 小結
- 小故事
- 第11章 設備運維大模型的應用實踐
- 11.1 設備運維大模型的現狀
- 11.1.1 設備運維行業的特點
- 11.1.2 設備運維大模型的行業案例
- 11.2 電梯運維行業
- 11.2.1 電梯運維簡介
- 11.2.2 電梯運維行業的挑戰
- 11.3 大模型在電梯運維行業的應用
- 11.3.1 人才培養與培訓
- 11.3.2 預測性維護
- 11.3.3 運維現場規范管理
- 11.3.4 智能客服與知識問答
- 11.3.5 運維檔案管理
- 11.4 小結
- 小故事
- 第12章 總結與展望
- 12.1 大模型技術大觀園
- 12.1.1 技術理論流派
- 12.1.2 思想與技術
- 12.2 大模型應用萬花筒
- 12.2.1 賦能千行百業
- 12.2.2 制造業應用
- 12.3 大模型展望
- 12.3.1 正確認識大模型
- 12.3.2 Transformer是終極架構嗎
- 12.3.3 模型越大越好嗎
- 12.3.4 通用還是垂直
- 12.3.5 大模型與機器人
- 12.3.6 倫理與道德
- 12.4 小結
- 作者簡介
- 封底 更新時間：2025-02-21 17:02:09
