課程綱要
模塊一：通用人工智能的曙光：以ChatGPT為代表的生成式大模型
1、 從早期人工智能算法到機器學習，到人工神經網絡和深度學習：
a) 人工智能是一類計算機模擬的，完成傳統上認為只有人類可以執行的任務的硅基智能
b) 機器學習是一類讓算法從數據中找到規律、模式的設計:從判斷信用卡交易是否套現的實現，看程序代碼方式和機器學習方式的差異
c) 人工神經網絡是一類機器學習算法，通過模擬生物神經網絡，處理相對抽象的信息：人工神經網絡怎么能識別小狗的照片？其實跟我們教小朋友認小狗非常類似
2、 從“偏科專才”到“通才”，通用人工智能的曙光：GPT為何如此令人興奮？
3、 生成式AI興起 - 從分析式AI到生成式AI，AI從做判斷題/選擇題，到做填空/問答題
4、 以ChatGPT為代表的等大語言模型基本核心原理
a) 如何看ChatGPT? 這其實是一個把文字變成數字編碼的“變形器”
b) GPT如何理解文字？—— 文字代表的概念，其實可以用一組數字屬性來描述
c) GPT如何理解句子和邏輯？- 理解一段話，就象偵探理解一個犯罪現場
d) 如何打造行業專家？—— 深入淺出理解為什么深度人工神經網絡可以學習到幾乎一切模式和規律？
5、 ChatGPT的獨到之處：
a) 跟著“注釋”的書本學習
b) 培訓一個裁判來校正自己的學習
6、 其他大模型主要類別和基本原理
a) 文生圖模型：訓練機器對像素的“組裝”和“組合”
b) 圖生3D 模型：算法對世界的“腦補”
7、 如何利用大模型？應用基本模式
a) Prompt Engineering 提示詞工程 – 為大模型描述上下文環境和方法論
b) RAG 檢索增強生成：
i. 插件 -為大模型加上“視覺中樞”“聽覺中樞”“行動中樞”
ii. 外接“云盤”向量數據庫 - 為大模型加上“海馬體”（大模型的長期記憶機制）
c) 精調 — 通過訓練調參真正提升大模型“智商”
i. 全量精調 （全部參數參與重訓練）
ii. 參數經濟型精調PEFT （凍住主干參數，訓練增加部分參數）
1. Lora
2. Prefix-Tuning
3. Prompt tuning
4. P-tuning V1,V2
模塊二：大模型體系在客服領域數字化轉型中的范式和潛力
8、 GPT的幾大能力：檢索、創造和邏輯推理
9、 AI大模型時代，客服領域需要培養何種能力？需要什么人才？應該采用何種范式的教育？
10、 AI大模型具有成為“人”“機”翻譯和“系統總調度”的巨大潛力
11、 大模型帶來的“軟件2.0”開發范式
12、 AI大模型如何與客戶服務的業務和已有應用系統關聯和整合？- 模式與機會
模塊二：大模型體系在政企數字化轉型中的范式和潛力
13、 生成式客服服務和咨詢 - Salesforce ServiceGPT案例
14、 呼叫中心中的人工智能：語音助理和語音語義分析模型在呼叫中心應答質量提升上的應用
15、 AI大模型賦能的行業數字人客服
16、 客戶服務的數據基礎：多模態大模型將打造真正的“客戶360視圖”
17、 客戶服務知識圖譜：大模型對知識圖譜和知識運營的補充和賦能
a) 大語言模型可以從大量非結構化文本數據中提取數據實體關系，或解析/推理出數據實體的邏輯關聯 – 比如近期客戶投訴的主要內容和產品的描述之間的關系 - 并將之轉換為知識圖譜的輸入；
b) 多模態大模型能將文本、圖片、視頻、聲音、代碼等數據進行關聯整合和分析，對知識圖譜進行補充和更新
c) 知識圖譜也可以基于已有的知識，對大模型的問答輸入進行約束和事實性檢驗，比如已有的套餐價格以及可購買資格
18、 多模態大模型賦能的客戶全渠道全周期“大”數據整合和分析
19、 全渠道客服服務的流程自動化和機器學習優化
20、 客戶服務領域的培訓和問答：AI大模型賦能的針對性學習
a) 類似Khanmigo的基于大語言模型的學習應用，不僅可以判斷答案的正確與否，也可以通過推測學習者思路和邏輯，幫助學習者定位到知識要點；
b) 大語言模型可以根據預先設定的學習者級別和其他參數（比如專業為經濟類），調整學習路徑和問題
21、 客服組織的智能化辦公文檔和數據分析：GPT Code Intepreter
a) Code Intepreter插件可以直接分析給到的文檔，excel,pdf，word等格式中的文字或者表格數據項，而無需進行數據整理，并生成可視化圖表。比如給出一個國家的經濟數據，人口數，互聯網應用等數據，Code Intepreter就可以按城市或者地區分析這些數據的關聯性，以及與通信服務相關的圖表分析展示
b) Code intepreter結合GPT-4自身分析能力，也可以對文檔進行定性/定性 + 定量分析，比如文件要點總結，情緒，事情趨勢等等。
22、 AI大模型賦能的服務營銷
23、 基于AI大模型的客服領域（SQL/API調用）代碼生成
