人工智能工程设计

图书目录:

目　　录

第 1章　概述 1

1.1　人工智能发展历程 1

1.2　人工智能工程设计思路 3

1.3　人工智能代表性研究成果 4

1.3.1　专家系统 4

1.3.2　深度神经网络 4

1.3.3　人工智能生成内容和大模型 5

1.4　新趋势和新特点 6

1.4.1　通用人工智能的涌现 6

1.4.2　智能系统面临的挑战 6

1.5　工作模式及生命周期模型 7

1.5.1　工作模式 7

1.5.2　生命周期模型 7

1.6　具体实现 8

1.7　小结 9

第 2章　智能系统规划 10

2.1　从传统信息化系统升级到智能系统 10

2.2　智能系统设计方法 14

2.2.1　系统设计策略和方法 14

2.2.2　业务架构设计策略和方法 15

2.2.3　智能系统顶层设计策略 16

2.3　小结 19

第3章　智能系统需求分析 20

3.1　业务架构分析与业务问题的提出 20

3.1.1　业务价值的源头分析 20

3.1.2　业务分类分析 21

3.1.3　业务分解分析 22

3.2　场景识别 23

3.2.1　寻找切入点 23

3.2.2　场景评估 25

3.3　可行性分析 25

3.3.1　成本分析 25

3.3.2　风险分析 26

3.3.3　效益分析 27

3.4　需求获取与需求分析 27

3.4.1　业务流与系统边界 27

3.4.2　需求获取 28

3.4.3　需求分析 28

3.5　案例分析：“学生课堂情绪预警管理”系统 30

3.5.1　问题提出 30

3.5.2　整理业务 30

3.5.3　寻找切入点 30

3.5.4　需求获取 31

3.5.5　需求分析 31

3.6　小结 33

第4章　智能系统架构设计 34

4.1　架构设计的八项原则 34

4.2　智能系统总体架构设计 35

4.3　以算力为基础的IaaS平台 36

4.3.1　算力基础设施 37

4.3.2　算力资源调度与管理平台 38

4.3.3　算力加速与服务平台 38

4.4　以数据为基础的PaaS平台 39

4.5　以大模型为基础的MaaS平台 40

4.6　面向智能应用的SaaS平台 42

4.7　智能系统架构设计中要注意的问题 44

4.7.1　架构设计中的层次关系与处理策略 44

4.7.2　数据流设计 44

4.7.3　接口设计 45

4.8　智能系统开发、部署和运维 47

4.9　智能系统伦理、安全和隐私保护 48

4.10　小结 48

第5章　智能系统算力平台设计 49

5.1　算力设计原则 49

5.2　算力资源识别 50

5.2.1　计算算力识别 50

5.2.2　存储算力识别 51

5.2.3　网络算力识别 51

5.3　算力资源需求分析 51

5.3.1　数据平台对算力资源的需求 51

5.3.2　算法平台对算力资源的需求 52

5.3.3　应用平台对算力资源的需求 53

5.3.4　训练平台对算力资源的需求 53

5.3.5　运维管理系统对算力资源的需求 54

5.3.6　隐私计算、安全和伦理对算力资源的需求 55

5.4　算力资源调度和管理平台 56

5.4.1　部署应用 56

5.4.2　选择云服务供应商 56

5.4.3　租用算力资源 57

5.4.4　资源调度和管理 57

5.4.5　安全和合规 57

5.5　算力加速技术与应用 57

5.5.1　硬件加速 57

5.5.2　软件优化 58

5.5.3　虚拟化技术和容器化技术 59

5.6　算力资源管理和服务管理 59

5.6.1　算力资源监控 59

5.6.2　算力资源调度 60

5.6.3　算力资源来源 60

5.6.4　算力资源计费管理 60

5.6.5　算力资源服务管理 61

5.7　算力网络设计 61

5.7.1　网络拓扑设计 61

5.7.2　带宽管理 61

5.7.3　网络安全防护 61

5.8　小结 62

第6章　智能系统数据平台设计 63

6.1　数据平台的构成 64

6.2　数据集的构建 65

6.2.1　数据采集策略 65

6.2.2　数据集划分方法 65

6.2.3　数据集质量评估 66

6.3　数据存储与数据库 67

6.3.1　面向智能系统的数据库选型 67

6.3.2　数据库规划与设计 69

6.3.3　数据库性能优化 70

6.3.4　数据库安全与隐私保护 70

6.4　数据清洗 71

6.4.1　数据去重 71

6.4.2　缺失值处理 71

6.4.3　异常值处理 72

6.4.4　数据标准化与归一化 72

6.5　数据标注 72

6.5.1　标注流程 73

6.5.2　标注方法 74

6.6　数据集管理 75

6.6.1　数据集版本控制 75

6.6.2　数据集生命周期管理 76

6.6.3　数据集质量管理 76

6.7　小结 77

第7章　智能系统算法设计 78

7.1　小模型场景下的算法设计 78

7.1.1　问题导向的设计理念 78

7.1.2　分类问题 79

7.1.3　回归问题 80

7.1.4　分组问题 81

7.1.5　生成问题 83

7.1.6　预测问题 84

7.2　大模型微调技术 85

7.2.1　LoRA 85

7.2.2　前缀调优 86

7.2.3　提示调优 87

7.2.4　P调优 88

7.3　算法优化技巧 89

7.3.1　模型简化和压缩 89

7.3.2　高效的训练策略 90

7.3.3　超参数调优 91

7.3.4　算法并行化和分布式训练 91

7.4　小结 92

第8章　智能系统开发、部署和运维 93

8.1　智能体构件设计 93

8.1.1　智能体构件的职责规约 94

8.1.2　智能体构件的数据实现 95

8.1.3　智能体构件的业务流转接口实现 96

8.1.4　智能体构件的交互实现 97

8.2　系统开发环境搭建工具 98

8.2.1　数据处理工具和框架 98

8.2.2　智能报告工具 98

8.2.3　开发工具 98

8.3　系统测试与质量保证 99

8.3.1　智能系统质量要素的独特性 99

8.3.2　测试需求管理 99

8.3.3　测试方案生成 101

8.3.4　测试代码编写与测试自动化 101

8.3.5　测试报告生成 102

8.4　部署与交付 102

8.4.1　部署策略与流程 102

8.4.2　试运行 103

8.4.3　持续集成与持续部署 103

8.5　系统运维 104

8.5.1　运维策略与措施 104

8.5.2　系统监控与报警 104

8.5.3　故障排除与恢复 104

8.6　系统优化 105

8.6.1　需求预期管理 105

8.6.2　需求变更管理 105

8.6.3　系统优化实现技术 105

8.6.4　个性化及个性化版本管理 106

8.7　小结 106

第9章　智能系统伦理、安全和隐私保护策略 107

9.1　伦理考虑与指南 107

9.1.1　人工智能的伦理挑战 108

9.1.2　伦理指南与实践 108

9.1.3　社会责任与参与 109

9.2　安全性设计与应对策略 110

9.2.1　安全威胁与风险 110

9.2.2　安全性设计原则 111

9.2.3　应对策略与实践 111

9.3　隐私保护与应对策略 114

9.3.1　隐私挑战和风险 114

9.3.2　应对策略 115

9.4　小结 117

第 10章　行业应用 118

10.1　概述 118

10.1.1　大模型+营销 118

10.1.2　大模型+办公 119

10.1.3　大模型+游戏 120

10.1.4　大模型+影视 121

10.1.5　大模型+制造 122

10.1.6　大模型+教育 122

10.2　医疗行业典型案例 123

10.3　金融行业典型案例 124

10.4　小结 126

第 11章　总结和展望 127

11.1　人工智能在应用中所面临的挑战 127

11.2　人工智能技术发展的趋势及其对软件开发的影响 129

11.2.1　技术发展方向 129

11.2.2　应用领域的拓展 134

11.2.3　大模型对软件开发的影响 136

11.3　小结 138