李勇:以DeepSeek为代表的大模型AI赋能实战:从认知到落地研讨

李勇老师李勇 注册讲师 18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 : 35067

面议联系老师

适用对象

企业中高层管理人员、业务部门负责人、数字化转型相关人员

课程介绍

培训对象:企业中高层管理人员、业务部门负责人、数字化转型相关人员;

课程时间:1

课程背景:

本课程立足于当前AI大模型技术快速发展的宏观趋势,旨在解决企业管理者对AI认知不足、应用场景模糊、落地路径不清晰等核心问题。课程采用"认知-体验-设计-落地"的递进式教学方法,结合实操演示和分组讨论,帮助学员快速建立对企业AI赋能的系统认知,并掌握实用工具方法。

课程收益:

培训完结后,学员能够:

1. 准确理解大模型技术的核心能力边界和应用价值

2. 掌握AI在企业办公场景中的典型应用方法

3. 学会使用场景分解工具,识别企业AI应用机会

4. 理解企业AI部署的关键要素和实施路径

5. 掌握企业AI转型过程中的组织变革要点

课程大纲:

单元

大纲

内容

单元一

大模型技术能力解析

1. DeepSeek等大模型的核心能力图谱

1.1) 自然语言处理能力

1.2) 多模态理解与生成能力

1.3) 知识推理与决策能力

案例:DeepSeek在不同场景的应用示例

2. 大模型能力边界与局限性

2.1) 当前技术发展现状

2.2) 适用与不适用场景分析

2.3) 常见误区与风险提示

讨论课题:如何理性看待AI大模型能力?

单元二

企业AI办公场景实战

1. 文档与内容生成类场景

1.1) 高效公文写作演示

1.2) 营销文案智能生成

1.3) 会议纪要自动生成

实操演示:从01完成一份高质量商业提案

2. 数据分析与决策类场景

2.1) 数据分析报告生成

2.2) 销售用户画像分析

2.3) 业务复盘与总结优化

实操演示:快速生成数据分析洞察报告

单元三

企业AI场景设计工作坊

1. AI能力场景图谱

1.1) 文生文场景矩阵

1.2) 文生图应用场景

1.3) 文生视频创新应用

工具讲解:场景分解地图使用方法

2. 分组讨论与场景设计(实践环节)

2.1) 场景机会识别

2.2) 价值评估方法

2.3) 场景设计输出

成果展示:各组场景方案汇报与点评

单元四

企业级AI解决方案

1. 主流AI工具与平台介绍

1.1) 通用型AI平台能力对比

1.2) 垂直领域特色工具

1.3) 企业级定制化方案

案例:典型企业AI工具应用案例

2. 方案选型与集成应用

2.1) 需求场景与工具匹配

2.2) 多工具协同应用方法

2.3) 成本效益评估框架

实操演示:企业真实场景解决方案设计

单元五

企业AI部署实施路径

1. 企业AI部署关键考量

1.1) 数据安全与隐私保护

1.2) 技术架构选择

1.3) 投入产出评估方法

案例:某制造企业AI部署全流程解析

2. 实施路径规划

2.1) 分步实施策略

2.2) 风险管控要点

2.3) 效果评估体系

讨论课题:如何制定适合企业的AI部署节奏?

单元六

组织能力提升与流程再造

1. 员工能力提升体系

1.1) 关键岗位能力模型

1.2) 培训体系设计

1.3) 评估与激励机制

2. 流程优化与再造

2.1) 人机协同流程设计

2.2) 业务流程优化方法

2.3) 变革管理要点

案例:AI驱动的流程再造最佳实践

李勇老师的其他课程

• 李勇:企业DeepSeek等AI大模型驱动的AGENT内部应用实战
培训对象:上市国央企技术中心、数字化部门、运营中心中高层管理者,产品设计师,IT部门,业务骨干等; 课程时间:1天 (6小时) 课程背景: 在生成式AI技术加速落地的背景下,企业亟需掌握AI大模型与现有技术融合的实战方法论。本课程聚焦DeepSeek等大模型构建AGENT的企业级应用,通过7大典型场景拆解、技术栈搭建指南及安全部署策略,帮助学员突破“技术概念≠业务价值”的认知瓶颈,掌握从场景挖掘到工程落地的全链条能力。 课程收益: 培训完结后,学员能够: 1. 掌握AI大模型作为数字化开发引擎的核心逻辑,突破传统系统架构的局限性 2. 设计“AI AGENT+RPA+低代码”的复合技术方案,规避单一技术工具的应用陷阱 3. 建立业务场景智能化转译能力,将复杂需求拆解为可落地的AI任务单元 4. 掌握7类高价值细分场景的AGENT设计方法,覆盖办公、流程、决策等核心领域 5. 搭建适配企业需求的技术工具矩阵,平衡开发效率与数据安全 课程大纲: 单元 大纲 内容 单元一 为什么以DeepSeek为代表的AI大模型是下一代数字化引擎? 1. 传统开发模式的三大困局 1.1)代码冗余:每新增需求需重新开发模块 1.2)响应迟滞:流程变更需数月调整周期 1.3)人力依赖:高度依赖专业开发者资源 2. AI驱动开发的革命性突破 2.1)自然语言即代码:业务人员直接定义需求 2.2)动态自适应:系统自动响应流程变化 案例:某央企用DeepSeek重构OA系统,需求响应效率提升5倍 讨论课题:你所在企业哪些系统存在“重复造轮子”问题? 单元二 AI AGENT的边界与融合之道 1. AGENT能力的三重天花板 1.1)数据闭环:无法自主获取外部数据 1.2)硬件交互:缺乏物理执行能力 1.3)长链条逻辑:多步骤任务易出错 2. 复合技术解决方案 2.1)AGENT+RPA:用RPA机器人执行界面操作 2.2)AGENT+低代码:快速构建定制化模 案例:某银行“智能报销AGENT”融合OCR+RPA,错误率从12%降至1% 讨论课题:设计一个需要多技术融合的业务场景 单元三 业务场景的智能化转译方法论 1. 四层拆解模型 1.1)业务目标层:降本/增效/风控? 1.2)流程节点层:识别可自动化环节 1.3)数据输入层:结构化/非结构化数据占比 1.4)决策复杂度:规则驱动or模型驱动? 2. 智能化转译员的核心能力 2.1)需求转译:将业务语言转化为Prompt指令 2.2)效果验证:设计测试用例与评估指标 案例:某制造企业将设备维修经验转化为AGENT决策树 讨论课题:拆解一个典型业务流程的智能化改造点 单元四 DeepSeek大模型的7大高价值场景 1. 办公效率场景 1.1)智能会议纪要:自动提取待办事项并分配责任人 1.2)合同比对AGENT:3分钟完成百页合同差异标注 2. 流程优化场景 2.1)智能排班AGENT:动态匹配人力与订单量 2.2)供应链预警AGENT:自动识别履约风险 3. 决策支持场景 3.1)招投标分析AGENT:实时生成竞争对手策略报告 3.2)工程审计AGENT:自动核查隐蔽工程数据 3.3)案例:某建筑集团用DeepSeek实现投标文件生成自动化 讨论课题:选择1个场景设计AGENT功能清单 单元五 AGENT开发技术栈搭建指南 1. 工具矩阵四象限 1.1)基础层:DeepSeek API/开源模型微调 1.2)执行层:UiPath/影刀RPA 1.3)数据层:向量数据库/知识图谱工具 1.4)监控层:LangSmith等AI链观测平台 2. 开发流程标准化 2.1)需求-工具匹配度评估表 2.2)最小可行性产品(MVP)开发路径 2.3)案例:某物流企业AGENT开发工具选型对比 讨论课题:为你的业务场景匹配技术工具 单元六 企业级AGENT实施路径 1. 四阶段落地法 1.1)试点期:选择3个月内见效的场景 1.2)推广期:建立内部AGENT应用商店 1.3)融合期:与传统系统API打通 1.4)进化期:持续优化模型性能 2. 安全部署策略 2.1)敏感数据脱敏训练方案 2.2)私有化模型轻量化部署 2.3)案例:某央企AGENT安全架构设计 讨论课题:制定你的AGENT实施路线图 单元七 AGENT应用的未来演进 1. 技术融合趋势 1.1)AGENT+数字孪生:实现物理世界仿真 1.2)AGENT+区块链:构建可信协作网络 2. 组织优化: 2.1)AI中台团队组建标准 2.2)人机协作KPI体系设计 2.3)案例:某汽车集团AGENT治理委员会运作机制 讨论课题:预测AI AGENT对你行业的颠覆性影响
• 李勇:企业DeepSeek等AI大模型落地部署解析
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: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

添加企业微信

1V1服务,高效匹配老师
欢迎各种培训合作扫码联系,我们将竭诚为您服务