我们发现，在当今社会中，人类创造的东西和机器创造的东西之间的界限越来越模糊。生成式人工智能（生成式 AI）是我们创造、设计和与技术互动的一个转折点。但它是如何运作的？除了新奇之外还有哪些好处？又有哪些风险？
我们将以通俗易懂的方式向您介绍生成式 AI 的工作原理，以及我们如何利用这项技术而不是只将其作为一种独立工具，通过合作的方式来负责任地推动创新和变革。
- 课程级别：基础级
- 时长：2 小时
课程内容
本课程包括基于实际示例的演示文稿、使用案例和演示。
课程目标
在本课程结束后，学员将能够：
- 定义人工智能、机器学习和机器学习的三种类型
- 描述机器学习算法如何学习并在随后输出机器学习模型
- 了解传统机器学习算法与深度学习算法的区别
- 描述人工神经网络的工作原理
- 了解判别式（预测式）AI 与生成式 AI 的区别
- 描述如何训练大型语言模型 (LLM) 并将其用于文本生成
- 了解基础模型 (FM) 的目的和重要性，以及如何使用提示工程和微调来定制 FM。
- 描述如何训练扩散模型并将其用于图像生成
- 描述生成式 AI 的实际应用
- 确定与通过负责任和具有包容性的方式使用生成式 AI 有关的问题
培训对象
本课程面向：
- 非技术爱好者
- 技术爱好者
- 决策者
前提条件
无
课程大纲
简介
本部分介绍了人工智能和机器学习领域现状的总体背景。它从最基本的人工智能定义开始，然后深入探讨了机器学习和机器学习的三种主要类型：有监督学习、无监督学习和强化学习。此外还简要讨论了这些类型如何使人工智能和机器学习真正实现学习，然后全面介绍了深度学习和人工神经网络，这些技术是生成式 AI 的基础。
- 什么是人工智能？
- 什么是机器学习？
有监督学习
无监督学习
强化学习
- 机器学习如何学习？
- 什么是深度学习？
人工神经网络
- 判别式 AI
生成式 AI
本部分深入探讨了两种最流行、最著名的生成式 AI 形式：文本生成和自然语言处理，以及图像生成和扩散模型。
- 文本生成和自然语言处理
文本生成和自然语言处理的基石是大型语言模型 (LLM)。我们将深入探讨什么是 LLM，以及 LLM 在解决文本问题方面为何比传统的机器学习方法更先进、更有效，并将重点介绍 Transformer 架构。然后，我们将讨论这些方法的工作原理，以及如何对其进行开发来利用您自己的数据解决实际使用案例。本模块的最后一部分将介绍基础模型 (FM)，此类模型可通过使用预先训练好的高性能 LLM 大大降低企业使用生成式 AI 的成本。
- 什么是大型语言模型？
- 这与过去的方法有何不同？
- Transformer 架构
- 条件文本生成
- 开发大型语言模型 (LLM)
- 演示：Amazon SageMaker JumpStart 基础模型
- 图像生成和扩散模型
动态图像生成与合成在过去几年中取得了重大进展，尤其是引入了基于扩散的模型，这是本部分的讨论重点。我们将讨论扩散模型的工作原理，以及如何通过训练使其不仅能够生成图像，还能根据用户提供的提示生成图像，以定义生成的图像类型。
- 扩散模型
- 训练扩散模型
- 有效的扩散模型
- 改善噪声预测和去除
- 潜在空间
- 文本条件
- 文本转图像合成
- 演示：通过 Amazon SageMaker JumpStart 使用 Stable Diffusion 模型
生成式 AI 的实际应用
虽然生成式 AI 通过面向消费者的应用获得了广泛关注，但真正能为企业带来好处的是面向业务的应用。虽然传统的 AI 方法已经存在了一段时间，但生成式 AI 带来了新一轮的可能性，这是传统方法无法实现的。本部分将讨论生成式 AI 在企业中的一些实际使用案例。
- 内容生成
- 原型设计
- 数据分析
- 内容分析
- 聊天机器人和虚拟助手
- 创新优势
负责任的 AI 和包容性 AI
与任何技术一样，生成式 AI 也存在滥用和歪曲的可能性。本课程的最后一个模块将讨论如何利用生成式 AI 打造负责任且具有包容性的产品和服务。
- 生成式 AI 的范围
- 对代表性不足的群体的影响
- 毒性
- 幻觉
- 知识产权
- 抄袭和作弊
- 对现有工作性质的颠覆
总结：打造负责任的 AI 产品和服务
课程的总结部分为希望继续学习生成式 AI 的学员提供了下一步计划，并就 AWS Training and Certification 提供的课程和学习途径提出了建议。
