随着大数据、云计算、人工智能等前沿技术的快速发展，企业的数字化转型正加速进行。在这种背景下，数字员工应运而生，成为提升业务效率、优化流程管理的重要手段。本次内训由TsingtaoAI公司专门为某央企运营商的培训团队打造，旨在让培训负责人及培训管理员深入理解AI技术赋能流程自动化的实际应用，探索如何打造专属数字员工，并推动企业内部培训流程的智能化升级。
培训对象及人数
某运营商总部、各省分及子公司培训负责人及培训管理员，约120人左右。
培训目标
- 深入理解大模型技术及其在AI领域的突破性应用。
- 掌握现有主流大模型的应用场景及其对流程自动化的赋能作用。
- 理解数字员工的概念、应用价值及未来发展的趋势。
- 制定企业专属数字员工的实施策略及落地方案。
- 掌握数字员工在企业内训、流程自动化等场景中的具体落地方法。
课程大纲模块
模块一：大模型的崛起与AI赋能的突破
- 大模型简介
-
- 大模型的定义及发展历程
- 大模型在AI领域的关键突破
- 从传统算法到大模型的技术进化路径
- 大模型的核心技术
-
- 自然语言处理（NLP）与生成式预训练模型（GPT）的核心技术概述
- Transformer架构的革命性影响
- 参数规模与模型性能的关系：从百万到千亿参数的模型演进
- 大模型带来的产业变革
-
- 大模型如何推动自动化和智能化的广泛应用
- 不同行业中大模型的创新应用案例：医疗、金融、制造、教育等
模块二：主流大模型及其应用实践
- 主流大模型介绍
-
- GPT系列（如GPT-4）、BERT、T5等知名模型的对比分析
- 各类大模型的核心功能及其适用场景
- 大模型的实践应用
-
- 大模型在文本生成、问答系统、翻译及情感分析中的具体应用
- 面向自动化流程的大模型应用：自然语言理解与任务自动化
- 案例分析：某企业如何利用大模型优化业务流程
- 大模型在企业培训中的应用
-
- 基于大模型的智能培训助手：个性化学习路径生成与知识推荐
- 如何通过大模型提升培训内容的自动化生成与更新效率
- 实践案例：大模型如何优化企业内训系统的内容管理和交互体验
模块三：数字员工的定义、价值与发展趋势
- 数字员工的概念及核心特征
-
- 什么是数字员工？——从传统RPA到智能AI助手
- 数字员工的核心特征：自主学习、持续改进、智能决策
- 数字员工与人类员工的协同作用
- 数字员工的价值与应用场景
-
- 数字员工为企业带来的实际价值：提高效率、降低成本、优化服务
- 不同行业的数字员工应用场景：金融、零售、制造、教育等
- 数字员工在流程自动化中的关键作用
- 数字员工未来发展的趋势
-
- 数字员工的技术演进方向：从静态流程到动态智能决策
- 数字员工在未来工作场景中的地位：替代性与增强性
- 人工智能、自动化与未来工作模式的深度融合
模块四：制定数字员工的使用策略和落地路径
- 企业数字员工使用策略的制定
-
- 根据企业业务需求定制数字员工使用策略
- 数字员工在不同业务流程中的分层部署：前台、中台与后台的应用
- 数据驱动的数字员工优化路径：从数据采集、分析到反馈优化
- 数字员工的落地路径
-
- 数字员工实施的关键步骤：需求分析、方案设计、技术选型、测试与迭代
- 技术与业务的结合：如何通过流程梳理实现数字员工的无缝落地
- 数字员工在企业现有IT架构中的集成与应用
- 成功案例分享
-
- 国内外企业成功落地数字员工的实践经验
- 如何根据行业特性定制数字员工落地方案
- 常见挑战与解决方案：技术瓶颈、人员培训、系统集成等
模块五：数字员工的落地方法及工具
- 数字员工实施的技术框架
-
- 数字员工的技术栈：RPA（机器人流程自动化）、AI模型、智能决策引擎等
- 如何基于企业现有系统架构引入并部署数字员工
- 数字员工与企业其他自动化工具的协同工作
- 数字员工落地的流程与工具
-
- 数字员工部署流程详细解析：从需求定义到上线运营
- 主要工具及平台介绍：UiPath、Automation Anywhere、Blue Prism等RPA工具
- 基于开源AI框架的定制化数字员工开发流程
- 数字员工的持续优化
-
- 数字员工的维护与持续优化：定期训练与模型更新
- 基于数据反馈的流程改进：如何提升数字员工的自主学习能力
- 保障数字员工在流程中的稳定性和安全性
讲师介绍
陈老师 大模型/深度学习/智算优化技术专家
教育背景
硕士学位 | 天津大学 专业：高性能计算
研究方向：分布式计算、深度学习模型优化、GPU加速计算。
专业领域
华为昇腾技术栈: 深入掌握华为昇腾AI计算平台，包括昇腾算子开发、HCCL集合通信优化、智算集群建设与性能调优。
智算集群建设与优化: 专注于大规模智算集群的设计、部署、设备选型、网络配置及系统集成，提升集群性能和稳定性。
深度学习与高性能计算: 研究和应用分布式训练框架、优化技术，进行大规模计算任务的高效处理。
网络与系统集成: 在复杂网络环境下进行系统集成，确保数据传输的高效性与系统的稳定性。
AI开发框架: 熟悉多种AI开发框架，包括NCE fabric、NCE insight fabric、MindX和ModelArts平台的高阶使用。
学术成就
论文发表: 在国际顶级期刊上发表多篇高影响力研究论文，涉及高性能计算与AI模型优化领域，包括：《IEEE Transactions on Neural Networks and Learning Systems》：论文集中于深度学习技术在高性能计算中的应用。《Frontiers in Immunology》：研究了GPU加速技术在生物信息学中的应用。
专利：
“图像分类方法及装置”：改进了图像分类的准确性和处理速度。
“神经网络模型的训练方法及装置”：优化了神经网络模型的训练效率。
国际会议: 多次在国际学术会议上发表演讲，涵盖AI、深度学习和高性能计算领域。
教学与培训经验
过往大模型相关的培训内容
- 大模型（LLM）技术原理与应用
- 大模型在不同行业的具体落地案例分析
- 机器学习与神经网络基础及进阶
- Python及Java编程语言应用
相关培训案例
- TsingtaoAI：为公司研发团队进行大模型技术培训，内容涵盖大模型的基本原理、开发实践以及在金融科技和营销业务中的应用。
- 苏泊尔：对IT/AI技术团队进行大模型技术培训，提升团队对大模型技术的理解、掌握和应用能力。
- 建设银行：开展关于大模型技术系统的专题培训，分享大模型系统设计、技术实现及实际应用中的经验和挑战。
孙老师，资深大模型算法专家
毕业于中国科学技术大学自动化系，拥有20+年IT/AI经验，先后在IBM、华为、顺丰、KPMG等知名企服务于DBS,UBS,HSBC等大型银行客户。2023年起All in生成式AI应用创业，专注于企业管理领域的AI咨询、系统实施和培训。精通生成式AI相关技术栈和应用系统设计开发。
2023.10-至今：生成式AI研发专家
持续跟踪国内外开源和闭源大模型的发展动态，进行本地部署或通过API集成到系统，熟悉GPT, Claude, Gemini, Llama, Mistral, Command R, GLM, Qwen, Deepseek, Moonshot, Xunfei Spark, Ernie, Yi, MiniMax等模型，能够根据不同行业不同的业务场景进行模型选取
熟悉大量开源嵌入模型和向量数据库，如BGE, Jina, Nomic等系统嵌入模型和Qdrant, Milvus, Chroma, LanceDB, Fincore等向量数据库，并能提供选型建议
熟练掌握Langchain, Llamaindex, Langgraph等生成式AI应用开发框架，并能根据不同行业的业务场景选型和应用
研究了多个开源和闭源平台级产品，包括Coze, DSPy和各模型厂商提供的在线chatbot和智能体平台等
设计开发了多个生成式AI应用，从简单的多轮对话聊天机器人，到RAG、Agent、Agentic Workflow还有Vscode代码生成插件和浏览器插件；精通生成式AI应用系统架构设计和系统调优
部署了stable-diffusion模型进行文生图能力评估测试，同时持续跟踪国内外文生图模型和平台发展, 熟悉国内厂商文生图平台及API
部署并在系统种集成了speech-to-text和text-to-speech的模型，如Whisper, EmotiVoice
进行了多场大模型技术应用培训，包括对金融行业的IT团队进行的“AIGC大模型技术在企业经营管理的场景化应用“培训。
2017-2023，KPMG中国智能创新中心技术负责人
创建了KPMG中国智能创新中心，管理着从设计、开发、交付、上线到运维的全流程，团队规模将近500人。带领团队面向公司内外部客户设计和开发人工智能、大数据驱动的解决方案，围绕信用、风险、合规等业务领域构建知识库、算法模型和业务系统。服务的客户包括国内外知名企业，如HSBC，平安集团、招商银行、太平洋保险、蚂蚁金服等等。
2001-2014，IBM，从技术开发到业务管理
作为技术团队负责人，带领团队进行应用系统设计、开发、测试、上线和运维；服务的客户包括：PCCW、DBS、国泰航空、UBS、UPS、深圳机场物流园等。
