全球AI新闻速递
1.Yandex 开源模型训练工具“YaFSDP”，提升 GPU 利用率。
2.全天候激光智能除草机器人落地，环境零污染。
3.苹果2024开发者大会-Siri 更智能。
4.CampusAI筹集1000万美元种子资金，创建虚拟校园用于学习AI技能。
5.OpenAI：宣布新任首席财务官、首席产品官，并与苹果达成合作。
6.微软：7月10日移除Copilot Pro的GPT Builder功能。
7.谷歌Deepmind：开放式AI是实现超级智能的关键。
8.粉笔：将在8月推出AI智能老师。
9.OpenAI：升级 ChatGPT 语音，以不同角色的声音说话。
10.系微Insyde推出首款 AI 驱动固件辅助技术--aiBIOS。
11.Stable Diffusion 3 开源倒计时，2B 单机可跑碾压闭源 Midjourney。
12.字节跳动相关人士回应“研发 AI 手机”：实为基于手机的大模型软件解决方案。
13.英国格拉斯哥大学哲学研究人员谈“AI 幻觉”：用“胡说八道”来形容更准确。
14.AI“幻觉”难解：谷歌搜索仍推荐用户往披萨里加胶水。
15.苹果高管：正努力将“Apple Intelligence”引入中国市场。
人工智能的未来
前沿人工智能并不安全
“有一天，所有移动的物体都将实现自动化。”
“有一天，一切都将机器人化。”
黄仁勋
在人工智能的领域，领导者们不再掩饰他们的野心。他们的目标是构建一个充斥着人工智能的世界。
但这里有一个不为人知的秘密：我们——或者说他们——并不清楚如何确保这些模型的安全性。
确实，我们正在开发能够与人类直接互动的人工智能，但如何确保它们在无人监督时不会造成伤害，这仍是一个未解之谜。
尽管全身型人工智能似乎还遥不可及，但制造潜在具有危险性的AI模型的风险可能比我们预想的要近很多。
你可能已经对满是炒作的AI新闻感到厌烦，这些报道只是在简单地复述已经发生的事情。但关于未来可能发生什么的深度报道却不多见。如果你希望以易于理解的方式预见AI的未来，那么你可能会对TheTechOasis的新闻通讯感兴趣。
在LLM（大型语言模型）的训练过程中，主要分为三个步骤：
设置护栏：在预训练阶段，模型通过吸收海量数据来学习语言的结构，尽管这些数据可能包含有害内容。这个阶段的目标是让模型理解单词如何组合，但还不足以指导其行动。
行为克隆：在这一步，模型学习如何根据提供的特定数据集与用户交互。这个阶段的模型还没有加入任何抵抗不当请求的保护措施。
对齐：最后，模型在保留前两阶段的知识和能力的基础上，通过“人类偏好”数据集进行调整，以理解它可以或不可以说的内容。
调整阶段是最为关键和耗时的，特别是在像GPT-4这样的模型上，可能长达六个月。这一步骤是为了确保模型不会被用来产生和传播有害内容。然而，令人遗憾的是，这一过程是可逆的，通过简单的微调就可以使一个表现良好的模型变得危险。
我们的模型对潜在的危险请求的抵抗力极其脆弱，因为它们依赖于单一的错误源。当我们深入网络层次，模型将构建更高级别的概念，如将“炸弹”这一词归类为“危险”。对齐的关键在于使模型意识到这些危险的概念，并据此拒绝执行可能的危险请求。
通过研究，我们知道模型的安全特性是可以被消除的，这就增加了制造出无法控制的强大AI的风险。
尽管大型科技公司可能会将这种风险描绘得非常严重，以促使政府进行监管，但实际上，最危险的响应可能仅仅是几次Google搜索就能找到的内容。
在开发出真正危险的模型之前，我们必须解决这些安全问题。看到像OpenAI这样的公司被指责不够注重安全，我们知道，即使是最强大的模型也是私有的，我们的发展速度可能超过了我们控制它们的能力。而且，不幸的是，在商业模式中，安全往往不是赚钱的优先考虑
Oracle 报告强劲订单并与 OpenAI 合作增强 Microsoft Azure AI 平台
跨国计算机技术公司甲骨文公布了其最新财务业绩详情，这得益于其对云计算和人工智能的承诺。
该公司高于预期的预订量和主要的云合作伙伴关系反映出其在挑战亚马逊、微软和谷歌等行业领导者方面不断取得进展。
值得关注的公告包括甲骨文与 OpenAI、微软公司和 Alphabet Inc. 旗下谷歌建立云合作伙伴关系。这些联盟将把微软 Azure AI 平台扩展到甲骨文云基础设施 (OCI)，增强 OpenAI 生成 AI 服务的能力，目前该服务每月支持超过 1 亿用户。
OpenAI 首席执行官 Sam Altman 表示很高兴能与微软和甲骨文合作，他表示：“OCI 将扩展 Azure 平台，使 OpenAI 能够继续扩大规模。”甲骨文董事长兼首席技术官 Larry Ellison 也表达了同样的看法，他强调，在打造全球最强大的大型语言模型的竞争中，对甲骨文第二代人工智能基础设施的需求是“无限的”。
Oracle 领先的 AI 基础设施正在推动创新，OpenAI 加入了各行各业的数千家 AI 创新者行列，这些创新者在 OCI 上运行 AI 工作负载。Adept、Modal、MosaicML、NVIDIA、Reka、Suno、Together AI、Twelve Labs、xAI 等公司正在利用 OCI Supercluster 来训练和推理下一代 AI 模型。
OCI 专门打造的 AI 功能使初创公司和企业能够在 Oracle 分布式云中更快、更可靠地构建和训练模型。对于训练大型语言模型 (LLM)，OCI Supercluster 可以扩展到 64k NVIDIA Blackwell GPU 或 GB200 Grace Blackwell Superchips，通过超低延迟 RDMA 集群网络连接，并可选择 HPC 存储。
强劲的财务表现
此外，甲骨文报告称，其第四财季剩余履约义务总额（衡量未来合同销售额的指标）大幅增长 44%，达到 980 亿美元，超过分析师平均预期的 739 亿美元。首席执行官 Safra Catz 表示，这一增长得益于对 AI 工作负载的强劲需求。
卡兹表示，在人工智能工作负载的巨大需求的推动下，截至 2025 年 5 月的当前财年，收入增长将达到两位数。她补充说，随着云部门的“产能开始赶上需求”，全年的增长应该会加速。
甲骨文还宣布了一项新协议，将在谷歌的云基础设施上提供其同名数据库，这是去年年底与微软达成的类似协议的补充。埃里森指出，与微软的交易“将加速我们的云数据库增长”。
Evercore ISI 分析师柯克·马特恩 (Kirk Materne) 表示，甲骨文云基础设施业务的发展势头“不可否认”，他将 OpenAI 的公告描述为“人工智能领域的另一个积极数据点”。卡兹进一步透露，云基础设施部门将在本财年增长 50% 以上。
甲骨文股价飙升，在纽约收盘价为 123.88 美元后，尾盘升至 137.37 美元的高点，今年以来涨幅近 18%，并在 3 月份创下历史新高。在截至 5 月 31 日的季度中，出租计算能力和存储的云部门收入增长 42%，达到 20 亿美元，超过了分析师的平均预期。
然而，甲骨文的应用软件业务却出现放缓，其云应用部门（包括面向企业财务的 Fusion 应用）的销售额增长 10% 至 33 亿美元，低于分析师的预期。这种放缓归因于技术预算被投入到人工智能工具上，Salesforce Inc. 和 Workday Inc. 等同行的业绩不佳就是明证。
尽管如此，彭博行业研究分析师安努拉格·拉纳 (Anurag Rana) 表示，新的合作伙伴关系可能会加速甲骨文云基础设施业务的增长，并可能抵消应用程序增长的放缓。
甲骨文的业绩还受到其医疗部门的影响，该部门包括 2022 年 6 月以 280 亿美元收购的电子健康记录业务 Cerner。该公司正在将传统软件业务转向云端，但面临着客户流失和重新谈判旗舰联邦合同等挑战。
卡兹宣布，甲骨文将不再在收益报告中单独列出 Cerner 的财务业绩，“因为该公司目前正处于增长模式。”此外，该公司计划退出其广告业务，该业务在截至 5 月 31 日的财年仅创造了 3 亿美元的收入。
总体而言，甲骨文对云计算和人工智能的战略重点，加上重要的合作伙伴关系和不断增长的需求，使公司在竞争激烈的技术领域保持持续增长和成功。
总结：Oracle 业绩和战略发展的核心要点
1.强劲的财务表现：甲骨文报告其剩余履约义务大幅增长，增幅达 44%，达到 980 亿美元，超出分析师预期。这一增长归因于对 AI 工作负载的强劲需求。
2.云计算和人工智能领域的战略合作伙伴关系：
3.Oracle 与 OpenAI、微软和谷歌等领先的科技公司建立了重要的合作伙伴关系。这些合作旨在将 Microsoft Azure AI 功能与 Oracle 云基础设施 (OCI) 集成，从而提高 OpenAI 的 AI 服务的性能。
此次合作将把 Azure 的平台功能扩展到 OCI，使 OpenAI 能够扩展其目前每月支持超过 1 亿用户的服务。
3.Oracle云基础设施（OCI）的扩展：
各行各业的数千名 AI 创新者正在利用 OCI 来运行 AI 工作负载。Adept、Modal、MosaicML、NVIDIA 等公司正在使用 OCI 的超级集群来训练和部署下一代 AI 模型。
OCI Supercluster 专为 AI 应用而设计，能够扩展到 64k NVIDIA Blackwell GPU 或 GB200 Grace Blackwell Superchips，具有超低延迟 RDMA 集群网络和可选的 HPC 存储。
4.人工智能基础设施的增强：
Oracle 的 AI 基础设施定位为 AI 行业的领先平台，对于训练大型语言模型 (LLM) 和其他复杂的 AI 应用程序至关重要。
5.云收入增长：Oracle 的云部门（尤其是计算和存储部门）最近一个季度的收入增长了 42%，达到 20 亿美元，显示出强劲的发展势头。
6..商业战略的转变：
Oracle 宣布与 Google 达成新协议，将在 Google 的云基础设施上提供其数据库，这是与 Microsoft 达成的类似协议的补充。此举预计将加速 Oracle 云数据库产品的增长。
尽管应用软件业务（尤其是企业财务的云应用）有所放缓，但 Oracle 仍专注于合作伙伴关系和基础设施增强，以潜在地抵消这种减速。
未来前景：随着业务不断转向云和以人工智能为中心的运营，甲骨文有望继续增长。该公司计划大幅扩张其云基础设施部门，目标是本财年实现 50% 以上的增长。
人工智能与生产力
面向开发人员的十大人工智能 API
人工智能 (AI) 已成为现代软件开发中的关键力量，使应用程序能够提供更智能、更直观的体验。API（应用程序编程接口）是允许开发人员轻松将 AI 功能集成到其应用程序中的网关。在这里，我们探讨了开发人员在下一个项目中应考虑的十大 AI API。
1. 文件堆栈
Filestack 是一个强大的文件处理 API，提供强大的文件上传、处理和转换工具。它结合了 AI 来增强图像识别、内容审核和面部检测等功能。
主要特征：
图像和视频处理
图片内容审核
基于机器学习的图像识别
安全文件处理
2.IBM Watson
BM Watson 提供全面的AI 工具和服务，涵盖自然语言处理、机器学习和计算机视觉。其 API 使开发人员能够构建和训练模型、分析数据并将 AI 无缝集成到他们的应用程序中。
主要特征：
用于对话界面的 Watson Assistant
自然语言理解
视觉识别
语音转文本和文本转语音
3.OpenAI GPT-4
OpenAI 的 GPT-4 是一种最先进的语言模型，擅长生成类似人类的文本。它广泛用于创建聊天机器人、内容生成和语言翻译等应用。
主要特征：
自然语言理解与生成
上下文文本完成
高级对话代理
语言翻译
4. Google Cloud AI
Google Cloud AI 提供广泛的机器学习和 AI 服务。借助视觉、语音、语言和结构化数据的 API，它支持从简单的图像识别到复杂的数据分析的一系列应用。
主要特征：
用于图像分析的 Cloud Vision API
云语音转文本和文本转语音
自然语言应用程序编程接口
AutoML 用于自定义模型训练
5.亚马逊Lex
Amazon Lex 是一种使用语音和文本构建对话界面的服务。它提供自动语音识别 (ASR) 和自然语言理解 (NLU) 的深度学习功能，以创建复杂的聊天机器人。
主要特征：
与 AWS 服务集成
自动语音识别
自然语言理解
聊天机器人的无缝部署
6. Microsoft Azure 认知服务
Microsoft Azure 认知服务提供各种API，为应用程序带来 AI 功能。从视觉和语音到语言和决策，这些 API 使开发人员能够构建智能应用程序。
主要特征：
计算机视觉 API
语音服务
语言理解（LUIS）
个性化服务和异常检测
7.Clarifai
Clarifai 专注于图像和视频识别。其 API 为视觉搜索、面部识别和视频分析提供了强大的工具，使其成为需要强大视觉 AI 功能的开发人员的热门选择。
主要特征：
图像和视频识别
面部识别
视觉搜索
自定义模型训练
8. DeepAI
DeepAI 提供了一套 API，旨在为开发人员带来深度学习功能。它包括图像和文本处理，提供图像着色、文本生成和风格转换等功能。
主要特征：
图像着色与生成
文本生成和摘要
风格转换
图像识别
9. Aylien
Aylien 专注于自然语言处理和文本分析。其 API 提供从文本中提取见解的工具，包括情绪分析、实体识别和内容分类。
主要特征：
情绪分析
实体识别
文本分类
文章提取和摘要
10.Wit.ai
Facebook 旗下的 Wit.ai 是一个构建对话界面的平台。它允许开发人员处理自然语言并轻松创建语音和基于文本的机器人。
主要特征：
自然语言处理
基于语音和文本的交互
意图识别
实体提取
结论
得益于这些强大的 API，将 AI 集成到应用程序中从未如此简单。无论您需要自然语言处理、图像识别还是对话代理，这十大 AI API 都能提供工具和功能，让您的想法变为现实。利用这些 API，开发人员可以构建更智能、更直观的应用程序，以满足当今精通技术的用户的需求。
面向开发人员的人工智能 API 常见问题解答
1. 什么是 AI API，它们如何使我的开发项目受益？
答： AI API（应用程序编程接口）是 AI 平台提供的预构建工具，允许开发人员将人工智能功能集成到他们的应用程序中，而无需从头开始构建这些功能。它们可以通过以下方式使您的项目受益：
减少开发时间和成本。
提供自然语言处理、图像识别和机器学习等先进的人工智能技术。
通过聊天机器人、语音识别和预测分析等功能增强应用程序的性能。
2. AI API 有哪些常见用例？
答： AI API 可应用于各个领域和行业。常见用例包括：
自然语言处理：文本分析、情感分析、语言翻译和聊天机器人。
计算机视觉：图像和视频识别、面部检测和物体检测。
语音处理：语音转文本、文本转语音和语音识别。
预测分析：预测趋势、异常检测和推荐系统。
数据分析：自动数据分类、汇总和实体提取。
3. 如何为我的项目选择正确的AI API？
答：选择正确的 AI API 取决于几个因素：
项目要求：确定您需要的特定 AI 功能（例如，NLP、计算机视觉）。
易于集成：寻找具有全面文档且易于集成的 API。
可扩展性：确保 API 可以处理应用程序的当前和未来的工作负载。
成本：考虑定价模型以及它如何适合您的预算。
支持和社区：检查可用的支持选项和用户社区的规模，以便进行故障排除和建议。
4. 有哪些流行的 AI API 可供开发人员使用？
答：一些流行的 AI API 包括：
Filestack：用于文件处理和图像识别。
IBM Watson：提供包括 NLP、机器学习和计算机视觉在内的广泛的 AI 服务。
OpenAI GPT-4：用于自然语言理解和生成。
Google Cloud AI：用于视觉、语音、语言和自定义机器学习模型。
Amazon Lex：用于构建对话界面。
Microsoft Azure 认知服务：用于视觉、语音、语言和决策。
Clarifai：用于图像和视频识别。
DeepAI：用于图像和文本处理。
Aylien：用于文本分析和 NLP。
Wit.ai：用于构建对话机器人。
5. 使用 AI API 有哪些限制或挑战？
答：虽然 AI API 提供了许多好处，但仍存在一些需要注意的限制和挑战：
数据隐私和安全：确保 API 提供商遵守数据隐私法规并安全地处理您的数据。
成本：根据使用情况，成本可能会增加，特别是在处理大量数据时。
依赖性：过度依赖第三方 API 可能会产生依赖性，如果服务中断或停止，可能会影响您的应用程序。
定制：某些 API 可能无法提供特定应用程序所需的定制级别，因此需要额外的开发工作。
性能： API 性能可能因网络延迟和提供商的基础设施而有所不同，从而影响实时应用程序。
了解这些常见问题可以帮助开发人员在将 AI API 集成到他们的项目中时做出明智的决策，确保他们有效地利用这些强大的工具。
10 款最热门的新生产力应用程序
- 2024 年 5 月
从先进的 SaaS和生产力助推器到突破性的 AI 工具、必不可少的远程工作资源，以及针对开发人员、营销人员、金融科技爱好者甚至约会场景的高级解决方案——此列表应有尽有。
迈向人工智能：人工智能学习路线图
人工智能 (AI) 已成为当今世界的游戏规则改变者。人工智能技术的快速发展为科技领域的从业者开辟了新的机遇和可能性。无论您拥有机器学习、数学、统计学还是编程背景，现在都可以比以往任何时候都更轻松地深入 AI 世界并开始使用它。在这篇博客中，我们将为您提供全面的路线图，以扩展您的 AI 技能组合，学习 AI 的基础知识，并探索如何使用 AI 进行构建。让我们开始吧！
为什么要学习人工智能？
人工智能、机器学习和深度学习自 20 世纪 50 年代就已出现，但我们今天谈论的人工智能，即生成式人工智能，是机器学习和深度学习的一个子集。生成式人工智能通过使机器能够编写代码、生成图像、创作音乐、诊断罕见疾病等，彻底改变了各个行业。随着公司希望实施人工智能解决方案来解决特定问题，对人工智能有深刻理解并能构建可靠且可扩展的人工智能工具的人才的需求巨大。通过学习人工智能，您可以产生重大影响并为解决现实问题做出贡献。此外，了解人工智能可以帮助您避免对这项强大技术的误解和误传。
开始使用 AI
说到学习人工智能，没有一刀切的路线图。不过，您可以采取一些基本步骤来开启你的人工智能之旅。让我们一一探索。
1.学习编程基础知识
Python 是人工智能、机器学习和深度学习领域使用最广泛的编程语言之一。要想有效地使用人工智能，掌握一些 Python 编码知识至关重要。你可以先熟悉 Python 的基础知识，例如数据类型、数据结构、条件、循环、函数和面向对象编程。此外，你还可以探索基本的 Python 库，例如用于数值计算的 NumPy、用于数据整理的 pandas 和用于数据可视化的 matplotlib。Python 广泛的开源库生态系统让你可以开发几乎任何你想要的东西。
2.学习 Git 版本控制
Git 是一款开源软件，用于跟踪项目中的更改和管理项目版本。学习 Git 版本控制至关重要，尤其是在与他人合作完成复杂项目时。Git 经常与 GitHub 混淆，后者是 Git 存储库的托管平台。您可以使用 GitHub 与他人共享您的项目并为开源项目做出贡献。要开始使用 Git，您可以安装 GitHub Desktop 或使用终端命令与 Git 交互。
3. 掌握使用 API 的艺术
API（应用程序编程接口）是计算机程序相互通信的一种方式。了解如何使用 API 为开发 AI 应用程序开辟了无限可能。您可以发出 API 请求来获取数据或执行模型预测。了解 API 将使您能够开发自己的 AI 工具、将 AI 模型集成到现有系统中并创建创新解决方案。探索不同的 API 并尝试使用它们来增强您的 AI 技能。
人工智能的理论基础
要想在人工智能领域打下坚实的基础，深入研究人工智能的理论方面至关重要。以下是您应该关注的一些关键领域：
1.机器学习
机器学习算法可分为监督学习和无监督学习。监督学习涉及使用标记数据训练模型，而无监督学习则处理未标记数据。尽管当今的人工智能严重依赖深度学习，但了解机器学习的基本概念和算法是值得的。
2.深度学习
深度学习是机器学习的一个子集，涉及神经网络。神经网络擅长处理非结构化数据，例如文本和图像。要掌握深度学习，请熟悉神经网络中的前向传播、反向传播、梯度下降和权重更新等概念。虽然了解底层数学知识很有用，但开始深度学习时不必深入研究数学知识。相反，请专注于实际实施和现实世界的项目。
3.计算机视觉和强化学习
计算机视觉和强化学习是值得探索的 AI 子领域，具体取决于您的兴趣。计算机视觉用于教导机器理解和解释视觉数据，而强化学习则侧重于训练 AI 代理根据奖励和惩罚做出决策并采取行动。这些领域为开发高级 AI 应用程序提供了激动人心的机会。
将理论付诸实践
学习人工智能不仅仅是理解理论，还要将其应用于现实场景。以下是一些可以将人工智能知识付诸实践的方法：
1. 建立小型项目
首先构建小型 AI 项目，获得实践经验并熟悉不同的 AI 工具和框架。您可以实现基本的神经网络、开发聊天机器人，或使用 Python 和相关库（如 TensorFlow 或 Keras）进行数据分析项目。构建小型项目将帮助您将知识联系起来并加强对 AI 概念的理解。
2. 记录你的项目
文档对于参考和知识共享至关重要。跟踪您的 AI 项目并记录下来以供将来参考。通过博客文章或社交媒体分享您的项目也可以帮助其他人从您的经验中学习和受益。
3. 探索专业化
随着您在 AI 之旅中不断进步，您可能会发现自己感兴趣的特定领域。深入研究这些领域并发展专业化。阅读书籍、研究论文、文章和观看视频，以更全面地了解主流媒体报道之外的 AI 主题。探索高级提示工程方法、AI 安全、AI 安全研究和 AI 法规等主题，以拓宽您的知识面并为 AI 社区做出贡献。
人工智能路线图
1.深度学习和生成式人工智能
深度学习是一种使用人工神经网络处理复杂模式的机器学习。深度学习模型具有多层互连的神经元，因此能够学习比传统机器学习模型更复杂的模式。生成式人工智能是深度学习的一个子集，专注于根据现有数据创建新内容。它使用人工神经网络生成文本、图像、音频和合成数据。生成式人工智能模型可以使用监督、无监督和半监督方法处理标记和未标记的数据。
2. 生成式人工智能模型
生成式 AI 模型可分为两种类型：生成式和判别式。判别式模型用于根据数据点特征与标签之间的关系对数据点的标签进行分类或预测。另一方面，生成式模型则根据现有数据的学习概率分布生成新的数据实例。生成式模型能够生成新内容，例如文本、图像、音频和视频。它们从训练数据中学习模式，并可以生成与训练数据相似的新样本。另一方面，判别式模型可以区分不同类型的数据实例。
3. Transformer 和生成式 AI
Transformer 是一种模型架构，它在 2018 年彻底改变了自然语言处理。Transformer 由编码器和解码器组成，编码器处理输入序列并将其传递给解码器，解码器学习如何解码相关任务的表示。生成式 AI 模型（尤其是基于 Transformer 的模型）有时会产生幻觉或无意义的输出。这可能是由于训练数据不足、数据嘈杂、缺乏上下文或缺乏约束等因素造成的。及时设计（包括创建特定输入来控制生成模型的输出）可以帮助缓解此问题。
4. 人工智能应用
生成式 AI 在各个行业都有着广泛的应用。文本转文本模型可用于翻译或其他基于文本的任务。文本转图像和文本转视频模型可以根据文本输入生成视觉内容。文本转任务模型经过训练，可根据文本输入执行特定任务，例如回答问题或做出预测。基础模型是在大量数据上预先训练的大型 AI 模型，可以针对特定的下游任务进行微调。它们有可能通过检测欺诈、提供个性化支持等方式彻底改变医疗保健、金融和客户服务等行业。
5. 生成式人工智能工具
Google Cloud 提供了各种用于开发和部署生成式 AI 模型的工具和资源。Generative AI Studio 提供预先训练的模型、微调工具和部署选项。Generative AI App Builder 允许用户使用可视化编辑器和对话式 AI 引擎创建无需编码的生成式 AI 应用。PaLM API 提供对大型语言模型和用于原型设计和实验的生成式 AI 工具的访问。总之，生成式 AI 是一个令人着迷的领域，专注于根据现有数据创建新内容。它使用深度学习模型（例如 transformers）来学习模式并生成文本、图像、音频和视频的新组合。借助生成式 AI 工具和资源，开发人员可以探索生成式 AI 在各种应用和行业中的潜力。
2024 年学习生成式人工智能的路线图
先决条件
1. Python编程语言-1个月
完整的 Python；
快速 API 教程。
2. 基础机器学习自然语言处理（第 1 天 - 第 5 天）
为什么选择 NLP？
Word2vec、AvgWord2vec。
3. 深度学习基本概念（第 1 天至第 5 天）
ANN — 多层神经网络的工作原理；
前向传播、后向传播；
激活函数、损失函数；
优化器。
4. 高级 NLP 概念（第 6 天 - 最后一个视频）
RNN、LSTM RNN；
GRU循环神经网络；
双向 LSTM RNN；
编码器解码器，注意力就是你所需要的，顺序到顺序；
变压器。
5. 踏上生成式人工智能之旅（GPT4、Mistral 7B、LLAMA、Hugging Face 开源 LLM 模型、Google Palm 模型）
OpenAI；
Langchain 教程与项目；
查尼利特；
谷歌双子座。
5.矢量数据库和矢量存储
ChromaDB；
FAISS 矢量数据库，利用了 Facebook AI 相似性搜索 (FAISS) 库；
基于Lance数据格式的LanceDB矢量数据库；
Cassandra DB 用于存储向量
6. LLM项目的部署
AWS
Azure
语言服务
HuggingFace 空间
结论
人工智能正在快速发展，学习人工智能是一个持续的过程。通过遵循结构化的路线图，您可以扩展您的人工智能技能，学习人工智能的基础知识，并开发实用的人工智能应用程序。无论您是人工智能初学者还是有一定经验，都有充足的资源可帮助您踏上人工智能之旅。继续学习、实验和记录您的进步。拥抱人工智能的变革力量，成为这场激动人心的技术革命的一部分。
为什么解锁客户数据是获得人工智能回报的关键
随着当前生成式人工智能技术的迅猛发展，消费者希望他们与品牌的所有互动都能个性化。这些对个性化的期望促使许多公司实施人工智能，以便为客户提供更独特、更具吸引力和更令人满意的体验。
事实上，Twilio 的《2024 年客户参与度状况报告》汇集了来自全球 4,750 名企业领袖和 6,300 名消费者的见解，该报告发现，76% 的企业表示，提供个性化的客户参与是他们今年的“高度”或“关键”优先事项——而他们认为部署人工智能是实现这一目标的关键。
然而，只有 16% 的受访公司认为他们拥有了解客户需求所需的数据。
对于希望充分利用人工智能来建立更好的客户互动的公司来说，要点很明确：在没有首先建立强大的客户数据基础的情况下，不要浪费精力实施人工智能。
以下是公司如何做到这一点并释放其客户关系潜力的方法。首先要建立直接关系以了解您的客户；创建全面的客户档案；并激活“滞留”客户数据。
了解你的客户
许多公司认为他们了解客户，但今年的研究显示，客户期望与公司实际交付的成果之间存在巨大差距。81% 的公司表示他们非常了解客户，但只有不到一半（46%）的客户表示同意。
为了赢得并保持客户忠诚度，企业需要与客户建立直接的数字关系，而不是通过第三方广告商或供应商进行中介。这是缩小客户期望与现实之间差距的关键。
我们的研究确定了一组“互动领导者”，即能够有效示范企业如何与客户建立关系的品牌。这组品牌在全面了解客户方面做得更好，并能展示这一点。他们提供全渠道互动，个性化客户体验，并使用第一方数据而不是第三方 cookie 来指导他们的互动。这些品牌使用人工智能来结束一对多个性化的古老方法，并为个人客户提供独特的体验。
最引人注目的是，这些品牌的战略投资获得了回报，平均收入增长了 123%，客户保留率也高于其他品牌。它们也表明，其他投资于了解客户的公司将获得什么：从对人工智能和个性化的投资中提高转化率、提高客户保留率和提高投资回报率。
用统一的客户视图取代孤立的客户数据
Twilio 的 2024 年客户参与度报告还发现，64% 的公司正在使用 AI 通过整合来自多个来源的数据、标准化数据格式、填充缺失值、协调不一致的数据和删除重复信息来构建每个客户的统一视图。
构建统一的客户档案可以带来巨大的好处，使企业能够实时掌握每个客户的关键背景信息。统一的档案总结了客户与公司的所有互动，并有助于概述客户的意图和兴趣。它甚至可以预测未来的用户行为，例如购买或流失的高倾向。这种对客户的 360 度视图使公司能够适应不断变化的客户需求，并在正确的时间向正确的人传递正确的信息。
例如，在拉丁美洲提供 100% 在线教育的英国大学 (Universidad Uk)使用Twilio 的 Unified Profiles 和 Agent Copilot 解决方案，将新一代人工智能技术和实时客户数据引入 Twilio Flex 平台，以提供个性化的客户体验。
“在短短两个月内，我们的支持运营和学生互动就得到了显著改善，”英国大学首席运营官 Iván Cantú 表示。“我们将学术咨询的平均处理时间缩短了 30%，并且通过部署由 Unified Profiles 实时通知的 AI 机器人来处理大多数学生查询，从而解决了 70% 的支持案例。将来自各种来源的实时数据整合到 Flex 中，使我们能够简化沟通流程，并主动支持拉丁美洲的学生和美国的西班牙语使用者”
激活您的客户数据
数据孤岛是许多企业的头疼问题，也是导致客户体验脱节和千篇一律的罪魁祸首。但在生成式人工智能时代，数据孤岛是灾难的根源。孤岛会阻止公司访问实时数据，从而无法通过人工智能与客户互动，进而生成有关客户偏好的更精确信息，从而形成持续改进的循环。数据孤岛等于静态的客户关系，无法发展和适应客户不断变化的需求和行为。此外，依赖不准确或质量低劣的数据会损害人工智能模型并产生误导性的输出或“幻觉”。这些不准确的数据会扭曲对客户偏好的理解，从而导致糟糕的体验，削弱客户的信任和忠诚度。
幸运的是，定位和使用“卡在”堆栈中的数据（例如客户数据电子表格、数据仓库等存储系统或数据来源软件）不需要彻底改造 IT 基础设施。许多公司已经实施了客户数据平台 (CDP) 和客户互动平台 (CEP) 等工具和技术。下一步是使用 AI 在它们之间建立集成和互操作性。我们的研究发现，47% 的品牌计划到 2025 年通过为其 CDP 或 CEP 添加 AI 功能来实现这一目标。
CraftJack 就是一个成功的例子，它帮助房主在他们所在地区找到技术熟练、可靠的承包商。通过将 CraftJack 现有的客户互动渠道与Twilio Segment 的 CDP连接起来，CraftJack 为活动提供了可靠、最新的客户数据，并提供个性化沟通。
此外，企业还可以利用 Twilio 的Agent Copilot 和 Unified Profiles等工具，这些工具利用生成式 AI 和实时客户数据来帮助企业提供一致的客户体验。
企业如何激活其客户数据是实现有凝聚力、定制化体验的基础，也是释放任何人工智能投资回报的基础。
个性化互动长期以来一直是企业的首要任务。生成式人工智能的最新进展不仅带来了个性化的重大变革，而且带来了企业与客户互动方式的真正变革和代际变化。现在是企业建立强大的客户数据基础以抓住时机并超越客户期望的时候了。
