李烨-ai范式演进对ai落地的影响.pdf

1、AI范式演进对AI落地的影响李烨 微软（亚洲）互联网工程院演讲嘉宾李烨微软（亚洲）互联网工程院 首席算法工程师曾在SUN、EMC 等跨国IT公司的核心研发部门工作，20年软件研发经验，10+年 AI 产品研发经验微软 AI Vertical 团队 AI 架构师,7 年 AI2B 经验微软 AI Talent Program（ATP）创始人、架构师专家领域：知识图谱、智能对话、自然语言理解、人工智能行业解决方案、人工智能行业赋能科普作家，著有 算法第一步、机器学习极简入门、人工智能入行实战：从校园到职场等书目 录CONTENTSAI 落地与 AI2B 项目经验AI2B 项目类型及类型判别生成式

2、AI 技术的爆发生成式 AI 对 AI2B 的冲击让 AI 在各行各业真正落地AI 落地与 AI2B 项目经验PART 01AI 落地 AI 落地的判别标准 利用 AI 技术 在真实的场景中 解决实际问题 并产生商业效用 AI 在不同行业的落地情况 软件/互联网行业其他行业AI 落地的挑战 商业效用（开源节流）-任务执行的自动化-基于人工智能的非机械性自动化 产生商业效用的必要条件 确定有效 端到端可用 直接挑战 判别 AI 技术的效用 在产品层完成数据、模型与业务逻辑的对接探索-风险AI2B 项目总结AI2B 项目经验 2016 甲方：多个行业头部企业 金融、保险、医疗、汽车、电信、教育 4

3、0+项目；20+产品 研发模式联合研发自主研发定制研发 解决方案 知识图谱 智能对话 这些项目最终实现 AI 落地了吗？AI2B 项目的研发模式 3B：Build，Buy，Borrow Build：内部团队自主研发 Buy：采购第三方定制研发 Borrow：联合研发最先出局的是哪种模式？Borrow-“AI 行业解决方案”真命题？伪命题？行业间差异 vs 企业间差异 头部企业 vs 中小型企业 业务的重合度 核心业务 其他业务AI2B 项目中的常见问题 需求不清/不准 不知道该干什么“AI 能干什么-能把这个能力放到什么场景”不知道这么做的后果“模型的输出是什么-把输出扔给用户”评估标准缺失

4、解决方案有效的标准？Business metrics？Benchmark？Passmark？AI 部分的必要性？“先别管模型，我要 XXX 功能”AI2B 项目的深层问题 AI 技术的特点 不确定性 “黑盒”业务、数据与技术分离 项目角色/资源的错配 驱动者 核心资产 工具业务技术数据AI2B 项目类型及类型判别PART 02AI2B 项目的类型AI 落地策略体验、尝试新技术应用新技术解决实际问题鹦鹉项目找个不碍事的场景 Have a try鹦鹉场景产生实际效用的场景猎犬项目猎犬场景立项路径遇到实际问题-寻求解决方案-选型 AI 技术创新-听说 AI 很酷-用 AI 创新AI2B 项目开始前判

5、断类型：出发点 AI2B 项目的甲方 IT 部门 业务部门 IT 部门主导+业务部门参与“创新部门”AI2B 项目开始前判断类型：可能性 甲方的资源 业务出口 领域专家 数据AI2B 项目开始前判断类型：切入点 AI 落地漏斗模型 场景决定了 要做什么 有什么数据 有什么影响 核心场景 or 边缘场景 业务场景 or 职能场景 营销场景 or 服务场景 闭环场景 or 开放场景场景问题任务模型生成式 AI 技术的爆发PART 03生成式 AI 认识 AIGC 生成式 AI能够创建新内容、数据或解决方案的算法和模型通过大量的数据训练，学习特定领域的模式和结构，并生成全新的输出能够进行某种程度的“

6、创新”新的 AI 范式：大模型(Large Model)+提示 工程(Prompt Engineering)预训练大模型模板原始输入模板提示输出嵌入剥离结果提示工程的兴起及对各个行业的冲击 提示工程 通过设计精确的输入指令或问题来优化和指导大型与训练模型的输出以自然语言作为输入激发大模型的潜能针对不同任务获得不同输出 提示工程带来的影响 效率提升“跨界”法律场景：利用 LLM 草拟合同金融场景：利用 LLM 制定量化交易策略利用 LLM 生成知识图谱利用 LLM 编程+封面设计龙生九子龙王道：“舍妹有九个儿子 第一