叶梓，上海交通大学计算机专业博士毕业，在校期间的主研方向为数据挖掘、机器学习、人工智能。毕业后即进入某大型软件上市公司从事大数据、人工智能等技术相关工作，曾先后作为技术经理或总工程师，负责大型信息平台、市级信息平台的建设工作，并参与省级信息平台的建设；主持制定了包括多份信息化工程标准。在大数据应用、数据治理、人工智能等方面都有着丰富的经验。

《高质量数据集与大模型应用技术》

一、高质量数据集与数字化转型

1. 高质量数据集
   • 政策解读、定义与评估标准（准确、完整、一致、时效、可追溯）
   • 可用性与合规性（个人信息保护影响、数据出境安全、伦理）
   • 采集、整合与标注（授权链哈希+区块链时间戳；双盲+AI预标）
   • 公平性与偏见审计（Demographic Parity、Equal Opportunity）
   • 前沿趋势说明（合成、多模态、隐私保护等）
2. 数字化转型案例分析
   • 为达成共识的第一个案例
   • 华为数字化转型历程与经验教训
     • 面临的挑战（多方服务对象、全球化运营难题等）
     • 转型路径：“3+3+5+6+7+2”模式
3. 数字化转型的实施路径
   • 企业数字化转型的难点与应对策略
   • 业务变革趋势与背景
   • 行业数字化转型的实践（医疗领域的控费与流程优化）
   • 实践案例：某集团的数字化转型（“1+3+4+N”系统架构等）
   • 实现路径总结（摸清家底、整体规划、局部先行、渐进推广）
4. 数据治理与管理
   • 数据治理的定义与重要性
   • 数据管理体系（DAMA、DCMM、信通院体系等）的对比与应用
   • 数据管理与数据资产的关系
   • 数据资产管理体系的构建思路
5. AI赋能数据治理
   • 标准化对齐（消除口径差异、标准化映射、主数据匹配、数据质控）
   • 效率提升（数据清洗、数据提取、血缘发现、ETL脚本、辅助测试）
   • 智能发现与洞察（异常发现与溯源、智能去重、分级分类、自动化标注）
   • 智能交互式赋能（智能问数、可视化）

二、大模型技术与应用

1. 大模型发展现状与技术概览
   • 国内外大模型厂商、产品及动态
   • 硬件厂商的发展（国内GPU厂商、公有云服务商等）
   • 关键技术点（适应低配条件的技术、处理复杂任务的技术）
   • 提示词工程与思维链（Chain-of-Thought）方法
   • 技术路线选择：微调、RAG、agent、MCP？
2. 微调实践（可选）
   • Llama-factory支持的模型
   • 数据准备：Alpaca和ShareGPT格式的数据集。
   • SFT微调步骤（加载数据集、设置参数、保存模型等）。
   • 强化学习的微调步骤（PPO、DPO特定数据集、RM等）
   • 微调参数详解
3. 基于大模型的知识库建设步骤
   • 需求分析：明确知识库的目标和应用场景。
   • 数据收集与整理：从企业文档、FAQ中提取知识。
   • 知识表示：表格知识、向量表示、树状结构、知识图谱等。
   • 知识库如何增强大模型性能。
   • 实时知识更新与模型同步。
   • 案例分析：知识库在客服场景中的应用。
4. RAG技术概述
   • RAG（Retrieval-Augmented Generation）的定义与优势
   • 词嵌入技术基础
     • 词嵌入与语义空间
     • 向量数据库
     • 混合检索与多路召回
   • RAG技术实践
     • 基模选择（qwen、DS、GLM、书生等）
     • 数据准备技巧（OCR、理解表格、半结构化）
     • chunk技巧（摘要、重叠、长度选择、构造问题）
     • 查询扩展与改写（指代消解、HyDE）
     • 提示词优化技巧：（RTGO、Costar、CRISPE、BROKE等）
     • 多轮问答技巧（任务框架、信息提取、追问策略、可信度）
5. 零/低代码Agent工具
   • Dify：低代码ai开发平台
   • N8n：更灵活的选择
   • Coze：大量的agent可供选择
   • MCP的介绍和演示
6. 大模型（知识库）应用案例
   • 大模型应用落地场景（舆情分析、政策问答、辅助立法、酒店客服等）
   • 基于大模型的卫生应用（临床辅助决策、智能流调系统、中医图谱等）
   • 基于语义和空间的聚类（市民热线多诉合并）
   • 多模态大模型的发展（图像生成、视频生成等）
   • Agent技术的应用与最新发展（MCP接口等）
7. 智能应用产品的落地
   • 核心价值（真实场景与业务闭环、有所不为才能有所为）
   • 对标与门槛（资源/行业/技术/生态/标准/成本）
   • 持续改进的动力（体验、黏性、个性化、第三方）

三、讨论（不限于以下主题）

1. 数字化转型与大模型技术的融合趋势与发展方向
2. 企业如何在数字化转型中应用大模型技术，提升竞争力
3. 智能应用产品化的实现要素