上交大&清华&阿里&上海AI Lab联合发表了一篇关于大型语言模型（LLM）与数据管理（DATA）相互作用的综述性研究，全面探讨了两者之间的双向关系，即数据管理对LLM的支撑作用（DATA4LLM）以及LLM在数据管理中的应用（LLM4DATA）。

详细分析了在LLM生命周期的不同阶段（如预训练、持续预训练、指令微调、强化学习、检索增强生成、代理工作流等）中，数据管理的关键技术和挑战，并提出了相应的解决方案。同时，还讨论了LLM在数据操作、数据分析和系统优化等数据管理任务中的应用进展，为未来的研究方向和实践应用提供了指导。

一、DATA4LLM技术

详细探讨了数据管理在支持大型语言模型（LLM）中的作用，即DATA4LLM。这一部分的核心内容聚焦于如何通过数据处理、存储和提供服务来满足LLM在不同生命周期阶段（如预训练、持续预训练、指令微调、强化学习、检索增强生成等）的需求。以下是该部分的详细总结：

1.1 LLM的不同阶段，数据的特征

在LLM的不同阶段，数据的特征（如数据规模、数据域多样性和数据格式）存在显著差异。这些差异要求不同的数据管理策略。例如，在预训练阶段，LLM需要大规模、多样化的数据来获取广泛的语言理解能力；而在指令微调阶段，则需要更小规模但更高质量的数据来指导模型学习特定任务。

1.2 大模型数据处理

数据处理是LLM训练的基础，涉及数据采集、去重、过滤、选择、混合和合成增强等多个步骤。这些步骤确保了输入LLM的数据具有高质量、多样性和及时性。

• 数据采集：从网络爬取文本和图像，以及从复杂数据源（如扫描或手写文档）中提取数据。使用工具如Trafilatura、PaddleOCR等进行内容提取和实体链接。
• 数据去重：通过哈希识别和嵌入聚类等技术识别重复数据，减少冗余。
• 数据过滤：基于样本质量、内容安全等标准筛选数据，去除低质量或有害样本。
• 数据选择：选择能够准确代表目标分布的子数据集，通过相似性、优化和模型评估等方法实现。
• 数据混合：通过启发式优化、双层优化和分布鲁棒优化等方法，调整不同数据集的混合比例，以优化模型性能。
• 数据合成：通过程序辅助验证、语义评分和多智能体一致性过滤等技术，生成高质量的合成数据，解决数据稀缺、隐私等问题。

1.3 大模型数据存储

数据存储技术确保LLM训练和推理过程中数据的高效存储和访问。关键技术和策略包括：

• 数据格式：使用TFRecord、MindRecord等格式存储训练数据，以及Pickle、ONNX等格式存储模型数据。
• 数据分布：采用分布式文件系统（如JuiceFS、3FS）和异构存储系统，将数据分布在多个存储节点上，提高存储效率和可扩展性。
• 数据组织：通过内容组织、分块、嵌入、压缩和索引等技术，优化检索效率和准确性。例如，向量检索和图检索技术通过将数据转换为向量形式或图结构，提高检索效率。
• 数据移动：通过缓存数据、离线计算和存储计算重叠等技术，加速数据从存储节点到计算节点的移动。
• 数据容错：采用检查点存储和冗余计算等技术，确保在训练中断时能够快速恢复。
• KV缓存：通过内存布局优化、存储卸载、KV压缩和高效索引等技术，提高LLM推理阶段的效率。

1.4 大模型数据服务

数据服务技术确保数据在LLM训练和推理过程中被高效地提供和使用。关键技术和策略包括：

• 数据打乱：通过样本评分、模型状态评分和训练策略，选择和提供适合LLM训练的数据。
• 数据压缩：通过规则模板、模型驱动的方法，压缩模型输入数据，以适应上下文窗口限制或提高性能。
• 数据打包：通过短序列插入、优化序列组合和语义打包等技术，确保训练输入的统一序列长度。
• 数据溯源：通过嵌入标记和统计溯源等技术，确保LLM生成内容的事实一致性。

**二、**LLM4DATA技术

详细探讨了大型语言模型（LLM）在数据管理中的应用，即LLM4DATA。聚焦于如何利用LLM的技术能力来增强数据管理任务，包括数据操作、数据分析和系统优化。

2.1 LLM 用于数据操作

LLM在数据操作中的应用主要集中在数据清洗、数据集成和数据发现。这些任务的目标是准备高质量的数据集，以支持非LLM应用，如机器学习模型的训练或数据分析任务。

• 数据清洗：LLM可以用于数据标准化、错误处理和数据填补。例如，LLM可以通过自然语言提示生成数据清理操作，或者通过上下文增强技术识别和纠正数据中的错误。

• • 数据标准化：使用LLM生成的提示或操作来标准化数据格式，如日期格式或文本样式。
  • 错误处理：通过LLM直接处理数据错误，或通过上下文增强技术识别和纠正错误。
  • 数据填补：利用LLM生成缺失值，或通过检索增强生成（RAG）方法填补缺失数据。

• 数据集成：LLM可以用于实体匹配和模式匹配，以识别和对齐不同数据源中的相关实体和模式。

• • 实体匹配：通过LLM生成的提示或多模型协作来匹配数据条目，确保它们指向相同的现实世界实体。
  • 模式匹配：使用LLM生成的提示或检索增强生成（RAG）技术来识别不同数据库模式之间的对应关系。

• 数据发现：LLM可以用于数据剖析和数据注释，以生成描述性元数据和语义标签。

• • 数据剖析：通过LLM生成数据集的描述性元数据，帮助用户更好地理解数据内容。
  • 数据注释：使用LLM为数据元素分配语义或结构标签，如列类型或实体类型。

2.2 LLM 用于数据分析

LLM在数据分析中的应用主要集中在结构化数据、半结构化数据和非结构化数据的分析。这些任务的目标是利用LLM的语义理解和推理能力，提供更高效和准确的数据分析解决方案。

• 结构化数据分析：

• • 自然语言接口：通过NL2SQL和NL2Code技术，将自然语言查询转换为SQL命令或Python代码，从而简化数据操作。
  • 语义分析：通过多步问答和端到端问答技术，提供更复杂的语义分析能力，如表总结和事实验证。

• 半结构化数据分析：

• • 标记语言分析：利用LLM直接从标记语言（如XML、JSON）中提取和解释层次关系、属性和嵌套结构。
  • 半结构化表分析：处理具有复杂结构组织的半结构化表，如合并单元格的表格。

• 非结构化数据分析：

• • 文档分析：通过OCR依赖和OCR自由方法，处理包含图像、表格、图表等复杂布局的文档。
  • 程序分析：利用LLM作为漏洞检测工具，通过程序分析技术提高漏洞检测的准确性。

2.3 LLM用于数据系统优化

LLM在数据系统优化中的应用主要集中在配置调优、查询优化和异常诊断。这些任务的目标是利用LLM的推理和生成能力，提高数据系统的性能和可靠性。

• 配置调优：

• • 提示工程：通过手动设计或自动生成提示，指导LLM进行数据库配置调优。
  • 检索增强：通过检索增强技术，为LLM提供历史调优经验，提高调优的准确性。
  • 目标对齐：通过额外的训练，使LLM更好地对齐调优目标，如数据库性能优化。

• 查询优化：

• • 提示工程：通过手动设计或自动生成提示，指导LLM进行SQL查询重写或计划选择。
  • 检索增强：通过检索增强技术，为LLM提供查询优化知识，提高优化的准确性。
  • 训练增强：通过额外的训练，使LLM更好地对齐查询优化目标，如查询性能提升。

• 异常诊断：

• • 提示工程：通过手动设计提示，指导LLM进行系统异常诊断。
  • 检索增强：通过检索增强技术，为LLM提供历史诊断经验，提高诊断的准确性。
  • 多智能体协作：通过多智能体协作机制，提高诊断的全面性和准确性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】