引言
大模型是10倍的机会，但并不是平均主义的机会，没有低垂的果实。
企业想在大模型的赛道上跑出成绩，应该怎么做，又要选择哪些赛道？
大模型的应用案例
| 应用行业 | 应用方向 | 应用程度 |
|---|---|---|
| 制药企业 | 医药代表的培训 培训代表的表达能力和应对策略 |
培训 |
| 股份制银行 | AI自动问答 解决客户自主业务问题，提升客户使用体验 |
copilot 对话 |
| 咨询公司 | AI自动分析数据 生成日报和周报 |
挖掘 |
大模型三问
- 大模型的“偏见”或“漂移”问题
- 回答必须有出处（原文）
- 大模型数据安全问题
- 技术层面进行解决，如联邦学习等
- 大模型的能力域边界
- 大模型能做什么，可以把大模型比作一个学习了人类已有知识的智能体
模型落地可行性考量维度
| 维度 | 业务价值 | 技术复杂度 | 数据 | 成本 | 安全 | 可解释性 |
|---|---|---|---|---|---|---|
| 1 | 增强决策能力 | 市面现有模型是否支持 | 数据可获取性 | 算力硬件成本 | 数据安全与隐私 | 业务场景 对模型产 出结果的 可解释性 要求 |
| 2 | 提升内部效率 | 模型微调复杂度 | 数据质量达标 | 商用模型成本 | 模型知识产权 | |
| 3 | 提升客户体验 | prompt 工程复杂度 | 数据验证标准 | |||
| 4 | 数据处理 |
AIGC的几个可行应用方向
- SQL Copilot
SQL Copilot是一个辅助工具，可以帮助开发人员编写SQL查询语句。它可以通过分析用户的查询意图和数据库结构，自动为用户生成或修正SQL代码。
SQL Copilot利用了自然语言处理和数据库理解技术，使得开发人员能够更快速、更准确地与数据库交互。这样可以提高开发效率，降低错误率。 - BI Copilot
BI Copilot是一个在商业智能（BI）领域的辅助工具。它可以协助分析师、经理等人员快速提取数据、生成报表，并提供数据可视化建议。
BI Copilot可以通过自动化和智能化的方式，帮助业务人员更高效地利用数据进行决策制定。它可以加速数据分析过程，减少了繁琐的手动操作。 - 用户趋势
用户趋势分析是通过对用户行为数据进行统计和分析，从中提取用户的偏好、行为模式等信息，用以优化产品或服务。
AIGC可以帮助企业快速分析大量的用户数据，识别出用户的喜好和行为模式，为企业提供了更有针对性的产品优化和市场营销策略。 - 客服会话（智能客服）
智能客服可以通过聊天机器人或自动响应系统，为用户提供基本的客服支持，解决常见问题，并在必要时将用户转接给人工客服。
AIGC在客服领域可以通过自动化和智能化的方式，为企业节省人力资源成本，提升客户服务的效率和满意度。 - AI识图
AI识图可以用于图像识别、物体检测、人脸识别等领域。例如，智能相册可以自动识别照片中的人物、场景等信息。
通过深度学习和计算机视觉技术，AIGC可以帮助人们更便捷地管理、搜索和分享图像信息，也可以在安防、医疗等领域发挥重要作用。 - 内部资料整理（分析文本内容）
AIGC可以帮助企业对大量文本数据进行自动化处理和分析，从中提取出关键信息、进行情感分析等，以辅助决策制定。
内部资料整理是一个广泛的应用方向，可以用于处理企业内部的各种文档、报告等，为企业的管理和决策提供数据支持。
AIGC的存储
三点需求：
- 数据湖（Data Lake）的统一存储。在整个AIGC的过程当中，数据存储的量非常大，它带来的存储需求就需要用数据湖来解决，避免数据孤岛的问题。
- 在各个业务的处理过程当中，数据流动的需求，这些数据如果用一些传统的文件存活，就会遇到数据孤岛的问题，因此需要一个统一存储来对其提供服务。
- 高吞吐和低延迟，在AIGC的场景下，GPU的算力是稀有和昂贵的，客户希望整个训练是跑的越快越好，对GPU使用的越满越好，这就对底层的存储提出了一个要求:越快的把数据读出来，越快的提供给上层训练，这样价值才是最高的。
LLM工程应用范式演进
| Hard Coded | Prompt as Service | Orchestration as Service | Agent as Service | Autonomous Agent | |
|---|---|---|---|---|---|
| 现行方案 | LangChain Llamalndex |
PromptPerfect Promptknit |
Dify Semantic Kernel |
AutoGPT BabyAGl |
? |
| 传统工程类比 | Function Coding | Serverless | Wordpress | RPA | ? |
| 技术人员挑战 | 静态耦合 | 能力单一，集成难度高 | 工程化水平、工作流改造 | 性能不可控 | ? |
| 业务人员挑战 | 无法参与协作 | 无法追踪效果 | 学习成本高 | 效果不稳定、成本高昂 | ? |
LLM编程协作范式变化
| Design First | API First | Prompt First | |
|---|---|---|---|
| 职业 | 需求分析师 设计师 |
工程师 | Prompt 工程师 |
| 产出 | 用户界面 需求文档 |
API文档 微服务 |
Prompt Flow Agent Service |
| 任务 | 需求分析 绘制与还原界面 |
API设计 API&开发&测试 |
设计预期与验证集 编写 Prompt |
| 工具 | UML / 文档 / Figma | Swagger / Postman | PlayGround / Jupyter / Prompt IDE |