李勇：企业DeepSeek等AI大模型落地部署解析

李勇注册讲师 26查看

课程概要

培训时长 : 1天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 35065

联系老师

适用对象

企业中高层管理者、数字化转型负责人、AI项目团队成员、日常岗位业务人员等

课程介绍

培训对象：企业中高层管理者、数字化转型负责人、AI项目团队成员、日常岗位业务人员等；

课程时间：1天 (6小时）

课程背景：

在AI大模型加速产业变革的背景下，本课程针对国央企数据安全要求高、业务场景复杂的特点，系统解决模型选型、部署实施、安全保障、价值转化等核心问题，具备"方法论+工具链+实战案例"三位一体的特色。

课程收益：

培训完结后，学员能够：

受益一：建立AI大模型部署的完整决策框架
受益二：掌握安全与成本平衡的部署策略
受益三：设计符合企业特性的技术架构
受益四：构建AI应用落地的组织保障体系
受益五：预判AI部署的未来发展趋势

课程大纲：

单元	大纲	内容
单元一	以DeepSeek为代表的AI大模型本地部署的战略价值	1. 部署DeepSeek等AI大模型必要性分析 1.1）数据主权：核心数据不出域 1.2）响应效能：毫秒级实时响应 1.3）合规要求：满足等保2.0三级标准 2. 成本效益模型 2.1）初期投入：硬件+软件（DeepSeek企业版） 2.2）长期收益：某央企3年ROI达320%的实证案例：某能源集团通过本地部署避免数据外泄风险讨论课题：您的企业是否具备本地部署条件？
单元二	AI等大模型选型的关键决策	1. 技术路线对比 1.1）指令模型：规则驱动型（如传统文心一言等） 1.2）推理模型：DeepSeek的因果推理能力 2. 开源闭源选择 2.1）开源优势：可定制知识图谱 2.2）闭源优势：某金融集团724小时技术支持 3. 选型评估矩阵 3.1）性能指标：千亿token推理成本 3.2）适配能力：行业专属模型微调案例：某汽车集团选择DeepSeek实现研发效率倍增讨论课题：如何构建选型评估体系？
单元三	部署方案设计实战	1. 云端部署方案 1.1）适用场景：非敏感数据预处理 1.2）成本模型：某电商企业API调用成本分析 2. 本地部署方案 2.1）硬件配置：国产算力集群搭建指南 2.2）网络架构：某银行双活容灾方案 3. 混合部署策略 3.1）数据分级：核心数据本地+通用能力云端案例：某制造企业混合部署节省40%成本讨论课题：设计您的部署架构图
单元四	技术栈构建方法论	1. 基础设施层 1.1）国产GPU选型：寒武纪vs燧原 1.2）分布式存储：Ceph集群搭建 2. 平台中间件 2.1）容器编排：Kubernetes高可用方案 2.2）服务网格：Istio流量管理 3. 安全体系 3.1）数据加密：国密算法应用 3.2）访问控制：RBAC+ABAC双模案例：某金融机构技术栈建设实践讨论课题：如何设计技术演进路线？
单元五	价值实现路径设计	1. 场景价值挖掘 1.1）流程重构：某银行信贷审批从7天→2小时 1.2）智能决策：DeepSeek辅助战略规划 2. 效果评估体系 2.1）技术指标：QPS、响应延迟 2.2）业务指标：某物流企业成本下降23% 3. 持续优化机制 3.1）模型迭代：在线学习框架案例：某零售企业通过场景创新年增收1.2亿讨论课题：设计您的价值评估模型
单元六	AI部署内部应用推广	1. 应用推广策略 1.1）试点选择：高风险高价值场景 1.2）推广路径：某央企"三步走"经验 2. 能力建设 2.1）人才梯队：AI训练师培养体系 2.2）知识管理：某集团AI知识库建设 3. 文化转型 3.1）激励机制：创新积分制度案例：某能源企业全员AI赋能计划讨论课题：如何设计变革管理方案？
单元七	AI部署未来趋势	1. 技术演进方向 1.1）模型轻量化：10B参数级边缘计算 1.2）多模态融合：某制造企业视觉+语言应用 2. 商业创新 2.1）服务模式：某设备商预测性维护服务 2.2）生态构建：行业大模型联盟 3. 战略规划 3.1）能力建设：三年技术路线图案例：某车企AI战略实现弯道超车讨论课题：规划您的AI发展蓝图

李勇老师的其他课程

• 李勇：DeepSeek在证券行业的影响与智能化转型趋势: 培训对象：证券行业战略规划、技术研发、投资研究、风控合规、客户服务等业务部门的管理及技术人员；课程时间：1天课程背景：本课程结合AI大模型技术革命与证券行业数字化转型的双重背景，聚焦DeepSeek的核心技术突破及其在证券行业的应用潜力，解析指令模型与推理模型的技术差异，探讨低成本、高性能AI对证券业务模式的重构逻辑，帮助学员从技术认知、应用场景到战略布局全面掌握AI驱动的行业变革趋势。课程收益：培训完结后，学员能够： 1. 理解DeepSeek的技术特性：掌握其低成本、高效率的核心优势及技术实现路径。 2. 区分指令模型与推理模型：明确两类模型的技术差异及在证券业务中的应用场景。 3. 预判AI技术趋势：分析推理模型未来可能具备的复杂决策、动态交互能力及其对金融智能化的推动。 4. 评估行业影响：识别DeepSeek对投资研究、客户服务、风险管理等核心业务的效率提升路径。 5. 规划成本与算力策略：掌握AI大模型成本优化方法及算力需求变化趋势。 6. 制定应对策略：结合开源生态与行业竞争格局，设计证券机构的AI技术应用路线图。两天培训课程大纲：单元大纲内容单元一 DeepSeek的核心技术突破与行业意义 1. DeepSeek的技术架构解析* 1.1) MOE（专家混合模型）与MLA（多头潜在注意力）算法的创新。 1.2) 参数规模与算力效率：V3模型6710亿参数中仅激活370亿，训练成本557万美元的颠覆性意义。案例：对比Meta Llama3与DeepSeek-V3的算力需求差异（H800 GPU数量减少87.5%）。讨论课题：证券机构如何通过低成本AI模型降低技术投入门槛？ 2. 性能评测与商业化潜力 2.1) 在MMLU、DROP等评测中超越GPT-4o的关键表现。 2.2) 开源模式对OpenAI闭源垄断的挑战：技术民主化与生态共建。单元二指令模型与推理模型的差异 1. 指令模型的核心逻辑 1.1) 基于用户指令生成结果，强调任务执行的准确性（如传统GPT系列）。 1.2) 局限性：缺乏动态推理过程，依赖大量监督微调数据。 2. 推理模型的范式革新 2.1) DeepSeek-R1的强化学习训练：跳过监督微调，直接通过逻辑链生成解决方案。 2.2) 关键能力：文档分析、数学推理、代码生成（AIME2024测试成绩79.8% vs. OpenAI-o1的96.7%）。案例：某券商测试中利用DeepSeek-R1优化量化交易策略的回测效率。单元三证券行业的AI应用场景重构 1. 投资研究与资产管理 1.1) 自动化研报生成与多因子模型优化。 1.2) 实时市场情绪分析与事件驱动策略。 2. 客户服务与合规风控 2.1) 智能投顾的交互式决策支持（如“思考过程”可视化）。 2.2) 反洗钱与异常交易识别的动态推理能力提升。案例：奇安信利用DeepSeek-R1实现安全威胁研判效率提升30%。单元四 AI成本优化与算力需求演变 1. DeepSeek对算力生态的影响 1.1) 训练成本降低20%-40%对资本支出的释放效应。 1.2) 推理算力需求增长：从训练密集型向应用密集型的转变。 2. 证券行业的算力策略 2.1) 混合云部署与国产算力替代（如海光信息、浪潮信息）。讨论课题：如何平衡推理算力需求与GPU供应链风险？单元五行业竞争格局与开源生态的机遇 1. OpenAI与DeepSeek的路线之争 1.1) 闭源收费 vs. 开源生态：技术壁垒与商业化闭环的博弈。 2. 证券机构的开源策略 2.1) 参与社区共建 vs. 自主模型微调的路径选择。案例：阿里云、腾讯云快速集成DeepSeek模型的开源实践。 3、企业部署模型和使用模型的成本将大大降低。单元六推理模型的未来趋势与高阶能力预测 1. 复杂决策与动态交互能力 1.1) 多模态融合：文本、数据、图表联动的投资决策支持。 1.2) 实时自适应学习：基于市场波动的策略动态调整。 2. 伦理与风险挑战 2.1) 模型幻觉的进一步降低与可解释性提升。 2.2) 监管科技（RegTech）与AI合规框架的协同演进。单元七 AI的这种变化下，企业和职员该如何应对 1. AI大模型的时代下复合型人才需求的持续攀升 2. 要求学习能力越来越强，尤其是对技术逻辑、业务理解和技术工具的使用能力。 3、某些工作流程的重塑可能性

• 李勇：HR利用DeepSeek等AI模型及工具提升人力资源效率: 培训对象：产品中心，运营中心，技术中心，客服中心等管理运营相关人士课程时间：0.5天 (3小时）课程背景：本课程主要是在AI技术快速发展的宏观趋势下，旨在解决学员如何有效利用AI工具及AI大模型提升人力资源管理效率的问题。课程将深入解析AI工具及AI大模型的基础认知，探讨其在招聘、面试、培训、绩效等各个场景中的具体应用，帮助学员提升对AI在人力资源管理中价值的认知。课程将结合实战演练，使学员能够熟练掌握AI工具及AI大模型的使用技巧。课程收益：培训完结后，学员能够： ² 了解AI工具及AI大模型对HR带来的挑战与机遇； ² 掌握AI工具及AI大模型的基础知识和常见工具； ² 熟练运用AI工具及AI大模型解决HR日常工作场景中的问题； ² 理解AI工具和AI大模型对HR组织架构管理的影响及应对策略； ² 通过实战演练，提升运用AI工具及AI大模型的实际操作能力。课程大纲：单元大纲内容单元一 DeepSeek等大模型对HR的挑战与机遇一. AI技术的发展趋势及其在HR领域的应用前景： 1.AI工具及AI大模型对HR工作流程的影响； 2.HR如何适应并利用AI工具及AI大模型提升工作效率。案例：某公司运用AI工具优化招聘流程讨论课题：AI技术将如何改变HR的未来？单元二 DeepSeek等不同的模型的基本能力 1.指令模型和推理模型的区别； 2.DeepSeek等AI模型的基本能力和边界能力； 3.AI工具及AI大模型的应用场景与优势。案例：不同AI工具在HR场景中的应用实例讨论课题：如何选择合适的AI工具及AI大模型？单元三 HR日常工作场景中的AI应用 1.招聘与面试：利用AI工具进行简历筛选、面试安排与评估； 2.培训与发展：运用AI大模型进行员工培训需求分析与课程设计； 3.绩效管理：通过AI工具进行员工绩效评估与反馈； 4.工资统计与数据分析：利用AI工具进行工资计算、数据统计与分析； 5.会议安排与统计：通过AI工具进行会议预定、记录与效果评估； 6.文化建设与员工档案管理：运用AI大模型进行企业文化传播、员工档案建立与维护。案例：各场景中AI工具及AI大模型的实际应用案例讨论课题：如何根据企业实际情况定制AI在HR场景中的应用方案？单元四 AI工具和AI大模型对HR组织架构管理的挑战 1.AI工具和AI大模型对组织架构的影响； 2.如何调整组织架构以适应AI时代的发展； 3.AI时代下的新型组织架构设计与管理策略。案例：某公司成功调整组织架构以适应AI时代的发展讨论课题：如何在保证组织架构稳定性的前提下引入AI工具及AI大模型？单元五上机实战演练 1.利用AI工具进行简历筛选与面试安排； 2.运用AI大模型进行员工培训课程设计； 3.通过AI工具进行员工绩效评估与反馈操作； 4.利用AI工具进行工资计算与数据统计； 5.结合企业实际场景，定制AI在HR中的应用方案并进行模拟实施。

• 李勇：DeepSeek在证券行业的影响与智能化转型趋势: 培训对象：证券行业战略规划、技术研发、投资研究、风控合规、客户服务等业务部门的管理及技术人员；课程时间：1天课程背景：本课程结合AI大模型技术革命与证券行业数字化转型的双重背景，聚焦DeepSeek的核心技术突破及其在证券行业的应用潜力，解析指令模型与推理模型的技术差异，探讨低成本、高性能AI对证券业务模式的重构逻辑，帮助学员从技术认知、应用场景到战略布局全面掌握AI驱动的行业变革趋势。课程收益：培训完结后，学员能够： 1. 理解DeepSeek的技术特性：掌握其低成本、高效率的核心优势及技术实现路径。 2. 区分指令模型与推理模型：明确两类模型的技术差异及在证券业务中的应用场景。 3. 预判AI技术趋势：分析推理模型未来可能具备的复杂决策、动态交互能力及其对金融智能化的推动。 4. 评估行业影响：识别DeepSeek对投资研究、客户服务、风险管理等核心业务的效率提升路径。 5. 规划成本与算力策略：掌握AI大模型成本优化方法及算力需求变化趋势。 6. 制定应对策略：结合开源生态与行业竞争格局，设计证券机构的AI技术应用路线图。两天培训课程大纲：单元大纲内容单元一 DeepSeek的核心技术突破与行业意义 1. DeepSeek的技术架构解析* 1.1) MOE（专家混合模型）与MLA（多头潜在注意力）算法的创新。 1.2) 参数规模与算力效率：V3模型6710亿参数中仅激活370亿，训练成本557万美元的颠覆性意义。案例：对比Meta Llama3与DeepSeek-V3的算力需求差异（H800 GPU数量减少87.5%）。讨论课题：证券机构如何通过低成本AI模型降低技术投入门槛？ 2. 性能评测与商业化潜力 2.1) 在MMLU、DROP等评测中超越GPT-4o的关键表现。 2.2) 开源模式对OpenAI闭源垄断的挑战：技术民主化与生态共建。单元二指令模型与推理模型的差异 1. 指令模型的核心逻辑 1.1) 基于用户指令生成结果，强调任务执行的准确性（如传统GPT系列）。 1.2) 局限性：缺乏动态推理过程，依赖大量监督微调数据。 2. 推理模型的范式革新 2.1) DeepSeek-R1的强化学习训练：跳过监督微调，直接通过逻辑链生成解决方案。 2.2) 关键能力：文档分析、数学推理、代码生成（AIME2024测试成绩79.8% vs. OpenAI-o1的96.7%）。案例：某券商测试中利用DeepSeek-R1优化量化交易策略的回测效率。单元三证券行业的AI应用场景重构 1. 投资研究与资产管理 1.1) 自动化研报生成与多因子模型优化。 1.2) 实时市场情绪分析与事件驱动策略。 2. 客户服务与合规风控 2.1) 智能投顾的交互式决策支持（如“思考过程”可视化）。 2.2) 反洗钱与异常交易识别的动态推理能力提升。案例：奇安信利用DeepSeek-R1实现安全威胁研判效率提升30%。单元四 AI成本优化与算力需求演变 1. DeepSeek对算力生态的影响 1.1) 训练成本降低20%-40%对资本支出的释放效应。 1.2) 推理算力需求增长：从训练密集型向应用密集型的转变。 2. 证券行业的算力策略 2.1) 混合云部署与国产算力替代（如海光信息、浪潮信息）。讨论课题：如何平衡推理算力需求与GPU供应链风险？单元五行业竞争格局与开源生态的机遇 1. OpenAI与DeepSeek的路线之争 1.1) 闭源收费 vs. 开源生态：技术壁垒与商业化闭环的博弈。 2. 证券机构的开源策略 2.1) 参与社区共建 vs. 自主模型微调的路径选择。案例：阿里云、腾讯云快速集成DeepSeek模型的开源实践。 3、企业部署模型和使用模型的成本将大大降低。单元六推理模型的未来趋势与高阶能力预测 1. 复杂决策与动态交互能力 1.1) 多模态融合：文本、数据、图表联动的投资决策支持。 1.2) 实时自适应学习：基于市场波动的策略动态调整。 2. 伦理与风险挑战 2.1) 模型幻觉的进一步降低与可解释性提升。 2.2) 监管科技（RegTech）与AI合规框架的协同演进。单元七 AI的这种变化下，企业和职员该如何应对 1. AI大模型的时代下复合型人才需求的持续攀升 2. 要求学习能力越来越强，尤其是对技术逻辑、业务理解和技术工具的使用能力。 3、某些工作流程的重塑可能性

李勇：企业DeepSeek等AI大模型落地部署解析

课程概要

适用对象

课程介绍

李勇老师的其他课程

相关课程

添加企业微信