课程纲要
模块一：通用人工智能的曙光：以ChatGPT为代表的生成式大模型
1、 从早期人工智能算法到机器学习，到人工神经网络和深度学习：
a) 人工智能是一类计算机模拟的，完成传统上认为只有人类可以执行的任务的硅基智能
b) 机器学习是一类让算法从数据中找到规律、模式的设计:从判断信用卡交易是否套现的实现，看程序代码方式和机器学习方式的差异
c) 人工神经网络是一类机器学习算法，通过模拟生物神经网络，处理相对抽象的信息：人工神经网络怎么能识别小狗的照片？其实跟我们教小朋友认小狗非常类似
2、 从“偏科专才”到“通才”，通用人工智能的曙光：GPT为何如此令人兴奋？
3、 生成式AI兴起 - 从分析式AI到生成式AI，AI从做判断题/选择题，到做填空/问答题
4、 以ChatGPT为代表的等大语言模型基本核心原理
a) 如何看ChatGPT? 这其实是一个把文字变成数字编码的“变形器”
b) GPT如何理解文字？—— 文字代表的概念，其实可以用一组数字属性来描述
c) GPT如何理解句子和逻辑？- 理解一段话，就象侦探理解一个犯罪现场
d) 如何打造行业专家？—— 深入浅出理解为什么深度人工神经网络可以学习到几乎一切模式和规律？
5、 ChatGPT的独到之处：
a) 跟着“注释”的书本学习
b) 培训一个裁判来校正自己的学习
6、 其他大模型主要类别和基本原理
a) 文生图模型：训练机器对像素的“组装”和“组合”
b) 图生3D 模型：算法对世界的“脑补”
7、 如何利用大模型？应用基本模式
a) Prompt Engineering 提示词工程 – 为大模型描述上下文环境和方法论
b) RAG 检索增强生成：
i. 插件 -为大模型加上“视觉中枢”“听觉中枢”“行动中枢”
ii. 外接“云盘”向量数据库 - 为大模型加上“海马体”（大模型的长期记忆机制）
c) 精调 — 通过训练调参真正提升大模型“智商”
i. 全量精调 （全部参数参与重训练）
ii. 参数经济型精调PEFT （冻住主干参数，训练增加部分参数）
1. Lora
2. Prefix-Tuning
3. Prompt tuning
4. P-tuning V1,V2
模块二：大模型体系在客服领域数字化转型中的范式和潜力
8、 GPT的几大能力：检索、创造和逻辑推理
9、 AI大模型时代，客服领域需要培养何种能力？需要什么人才？应该采用何种范式的教育？
10、 AI大模型具有成为“人”“机”翻译和“系统总调度”的巨大潜力
11、 大模型带来的“软件2.0”开发范式
12、 AI大模型如何与客户服务的业务和已有应用系统关联和整合？- 模式与机会
模块二：大模型体系在政企数字化转型中的范式和潜力
13、 生成式客服服务和咨询 - Salesforce ServiceGPT案例
14、 呼叫中心中的人工智能：语音助理和语音语义分析模型在呼叫中心应答质量提升上的应用
15、 AI大模型赋能的行业数字人客服
16、 客户服务的数据基础：多模态大模型将打造真正的“客户360视图”
17、 客户服务知识图谱：大模型对知识图谱和知识运营的补充和赋能
a) 大语言模型可以从大量非结构化文本数据中提取数据实体关系，或解析/推理出数据实体的逻辑关联 – 比如近期客户投诉的主要内容和产品的描述之间的关系 - 并将之转换为知识图谱的输入；
b) 多模态大模型能将文本、图片、视频、声音、代码等数据进行关联整合和分析，对知识图谱进行补充和更新
c) 知识图谱也可以基于已有的知识，对大模型的问答输入进行约束和事实性检验，比如已有的套餐价格以及可购买资格
18、 多模态大模型赋能的客户全渠道全周期“大”数据整合和分析
19、 全渠道客服服务的流程自动化和机器学习优化
20、 客户服务领域的培训和问答：AI大模型赋能的针对性学习
a) 类似Khanmigo的基于大语言模型的学习应用，不仅可以判断答案的正确与否，也可以通过推测学习者思路和逻辑，帮助学习者定位到知识要点；
b) 大语言模型可以根据预先设定的学习者级别和其他参数（比如专业为经济类），调整学习路径和问题
21、 客服组织的智能化办公文档和数据分析：GPT Code Intepreter
a) Code Intepreter插件可以直接分析给到的文档，excel,pdf，word等格式中的文字或者表格数据项，而无需进行数据整理，并生成可视化图表。比如给出一个国家的经济数据，人口数，互联网应用等数据，Code Intepreter就可以按城市或者地区分析这些数据的关联性，以及与通信服务相关的图表分析展示
b) Code intepreter结合GPT-4自身分析能力，也可以对文档进行定性/定性 + 定量分析，比如文件要点总结，情绪，事情趋势等等。
22、 AI大模型赋能的服务营销
23、 基于AI大模型的客服领域（SQL/API调用）代码生成
