大模型驅(qū)動(dòng)的研發(fā)效能實(shí)踐 顧黃亮 鄭清正 牛曉玲 車(chē)昕
定 價(jià)：99 元
- 作者：顧黃亮 鄭清正 牛曉玲 車(chē)昕
- 出版時(shí)間：2025/4/1
- ISBN：9787111772347
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類(lèi)：TP311.52
- 頁(yè)碼：
- 紙張：膠版紙
- 版次：
- 開(kāi)本：16開(kāi)
內(nèi)容簡(jiǎn)介這是一本從實(shí)踐角度深入探討如何利用大語(yǔ)言模型提升軟件交付全生命周期效率與效能的實(shí)戰(zhàn)性著作。全面細(xì)致地講解了研發(fā)和運(yùn)維人員需要掌握的大語(yǔ)言模型及其相關(guān)技術(shù)的原理，重點(diǎn)講解了如何借助大模型實(shí)現(xiàn)DevOps、SRE、平臺(tái)工程三大領(lǐng)域的智能化實(shí)踐，覆蓋開(kāi)發(fā)、測(cè)試、運(yùn)維、監(jiān)控、安全、項(xiàng)目管理等軟件開(kāi)發(fā)全流程和全場(chǎng)景，通過(guò)豐富的實(shí)例展示了其在實(shí)際工作場(chǎng)景中的具體應(yīng)用。本書(shū)的獨(dú)特之處在于它不僅涵蓋了基礎(chǔ)理論知識(shí)，如Transformer模型的基本原理及GPT系列模型的發(fā)展歷程，更注重于實(shí)踐應(yīng)用，提供了從預(yù)訓(xùn)練到微調(diào)的完整方法論。書(shū)中特別強(qiáng)調(diào)了大語(yǔ)言模型在降低IT人員認(rèn)知負(fù)荷方面的作用，通過(guò)集成多種工具和技術(shù)，幫助企業(yè)構(gòu)建更加高效、智能的軟件交付體系。此外，本書(shū)得到了來(lái)自企業(yè)級(jí)、學(xué)術(shù)界和研究機(jī)構(gòu)近20位專(zhuān)家的一致好評(píng)。通過(guò)閱讀本書(shū)，你將：?了解大語(yǔ)言模型的發(fā)展和起源?了解ChatGPT的相關(guān)內(nèi)容，包括GPT模型的結(jié)構(gòu)和完整實(shí)現(xiàn)?了解Transformer模型的基本原理?深入了解大語(yǔ)言模型的微調(diào)技術(shù)，軟件交付的三大底座以及RAG的基本原理?探索大語(yǔ)言模型在運(yùn)維場(chǎng)景中的實(shí)踐?探索大語(yǔ)言模型在編程場(chǎng)景中的實(shí)踐?探索大語(yǔ)言模型在測(cè)試場(chǎng)景中的實(shí)踐?探索大語(yǔ)言模型在安全場(chǎng)景中的實(shí)踐?接觸前沿的技術(shù)趨勢(shì)，了解實(shí)踐中的具體方法，清晰看懂實(shí)踐后的數(shù)據(jù)和數(shù)據(jù)
（1）作者背景資深：作者是某持牌金融機(jī)構(gòu)的資深研發(fā)效能專(zhuān)家，中國(guó)商聯(lián)專(zhuān)家智庫(kù)入庫(kù)專(zhuān)家，通信部和信通院特聘專(zhuān)家。（2）近20位專(zhuān)家力薦：長(zhǎng)江學(xué)者、國(guó)家智庫(kù)成員、信通院云大所所長(zhǎng)、清北教授、知名企業(yè)家和行業(yè)專(zhuān)家聯(lián)合推薦。（3）集大成之作：全面講解研發(fā)工程師和運(yùn)維工程師所需掌握的大模型知識(shí)，從實(shí)踐角度詳解大模型如何賦能DevOps、SRE、平臺(tái)工程，全面提升軟件交付全生命周期的效率與效能。
Preface 前 言
為什么要寫(xiě)這本書(shū)
大語(yǔ)言模型在完成各類(lèi)NLP（自然語(yǔ)言處理）下游任務(wù)方面有了顯著進(jìn)步，各種垂直領(lǐng)域的大模型如雨后春筍般不斷涌現(xiàn)。然而，在軟件交付領(lǐng)域，各企業(yè)的實(shí)踐較為滯后，缺乏有說(shuō)服力的相關(guān)案例。在軟件交付領(lǐng)域，DevOps的熱度最高且實(shí)踐較為成熟，圍繞DevOps能力衍生出了DevSecOps、DataOps、NoOps、MLOps等一系列細(xì)分領(lǐng)域。在后DevOps時(shí)代，傳統(tǒng)能力的右移激活了SRE（網(wǎng)站可靠性工程），進(jìn)一步凸顯了可靠性與穩(wěn)定性保障，尤其在技術(shù)層面與業(yè)務(wù)連續(xù)性緊密關(guān)聯(lián)。同時(shí)，平臺(tái)工程提供了更全面的全局性思路，在SRE和DevOps體系的基礎(chǔ)上進(jìn)行了擴(kuò)展，提供了支撐全面且具備業(yè)務(wù)視角的產(chǎn)品開(kāi)發(fā)交付平臺(tái)。
未來(lái)，隨著企業(yè)規(guī)模的不斷擴(kuò)大和商業(yè)模式的持續(xù)轉(zhuǎn)變，軟件交付能力需要實(shí)現(xiàn)質(zhì)的提升。DevOps體系提供了流水線交付構(gòu)件的能力，SRE提供了高可靠的應(yīng)用程序交付基礎(chǔ)架構(gòu)，平臺(tái)工程致力于解決組織架構(gòu)內(nèi)不同部門(mén)的工具協(xié)同問(wèn)題。相關(guān)研究數(shù)據(jù)顯示，大多數(shù)企業(yè)在軟件交付過(guò)程中，盡管進(jìn)行了多種嘗試和實(shí)踐，但仍然遇到了一個(gè)共同的問(wèn)題—認(rèn)知負(fù)荷。復(fù)雜的工具和細(xì)化的流程顯著增加了IT人員的認(rèn)知負(fù)荷，眾多工具和框架需要IT人員學(xué)習(xí)和應(yīng)用，而這些繁雜且不斷涌現(xiàn)的技術(shù)反而阻礙了IT人員最為關(guān)鍵的本職工作—軟件交付。
與此同時(shí)，隨著越來(lái)越多的大語(yǔ)言模型的涌現(xiàn)，也需要一個(gè)具備集成能力的平臺(tái)，推動(dòng)人工智能的真正落地，幫助IT人員構(gòu)建更強(qiáng)大、更豐富的軟件交付數(shù)據(jù)集，擴(kuò)展軟件交付領(lǐng)域?qū)Ｓ姓Z(yǔ)料庫(kù)的詞表，最終通過(guò)模型能力助力DevOps、SRE和平臺(tái)工程的落地及智能化實(shí)踐，以提升軟件交付領(lǐng)域的開(kāi)發(fā)、測(cè)試、運(yùn)維、監(jiān)控、安全等場(chǎng)景的效率并節(jié)約成本。
基于以上背景，我們編寫(xiě)了這本關(guān)于大模型在軟件交付過(guò)程中的實(shí)踐的參考書(shū)，旨在幫助讀者全面理解大模型的基礎(chǔ)理論，深入掌握大語(yǔ)言模型的知識(shí)框架，了解大模型在軟件交付過(guò)程中的應(yīng)用價(jià)值。
讀者對(duì)象
對(duì)DevOps體系、SRE和平臺(tái)工程感興趣的人員。
軟件交付鏈路上的節(jié)點(diǎn)人員，如項(xiàng)目經(jīng)理、需求分析師、研發(fā)工程師、測(cè)試工程師、運(yùn)維工程師、安全管理人員。
對(duì)大語(yǔ)言模型感興趣的人員。
本書(shū)內(nèi)容
本書(shū)共11章，從邏輯上分為三篇。
基礎(chǔ)篇（第1～3章）簡(jiǎn)要介紹大語(yǔ)言模型的發(fā)展與起源、Transformer模型及ChatGPT相關(guān)內(nèi)容，涵蓋GPT模型的結(jié)構(gòu)與完整實(shí)現(xiàn)，以及Transformer模型的基本原理。
進(jìn)階篇（第4～6章）重點(diǎn)講解大語(yǔ)言模型的微調(diào)技術(shù)、RAG的基本原理，以及軟件交付的三大底座——DevOps、平臺(tái)工程和SRE。
實(shí)踐篇（第7～11章）重點(diǎn)講解大語(yǔ)言模型在運(yùn)維、測(cè)試、編程、項(xiàng)目管理、安全中的應(yīng)用。
勘誤和支持
由于我們的水平有限，書(shū)中難免存在不足或錯(cuò)誤，敬請(qǐng)讀者批評(píng)指正。如有寶貴意見(jiàn)，歡迎發(fā)送至郵箱363328714@qq.com，期待讀者的真摯反饋。
致謝
本書(shū)的編寫(xiě)得到中國(guó)信息通信研究院的大力支持。
感謝云智慧的張博、北京大學(xué)的李戈教授和李力行博士、清華大學(xué)的裴丹教授、南京大學(xué)的裴雷教授、復(fù)旦大學(xué)的彭鑫教授、上海交通大學(xué)的束駿亮博士、蜚語(yǔ)科技的陳悅、LigaAI的周然及南京郵電大學(xué)的季一木教授，他們提供了大量素材和建議。
感謝阿里巴巴的劉凱寧、B站的劉昊、騰訊的楊軍和陳自欣、美圖的石鵬、趣丸的劉亞丹、DevOps聯(lián)盟的劉征、快貓星云的來(lái)煒、廣發(fā)證券的彭華盛、聯(lián)通軟研院的李明亮、浙江移動(dòng)的葉曉龍?jiān)诒緯?shū)寫(xiě)作過(guò)程中給予的支持和幫助。
此外，感謝SRE精英聯(lián)盟，尤其是趙成和黨受輝，給予了我們很多思路和啟發(fā)。
最后，感謝我的家人給予的鼓勵(lì)，他們永遠(yuǎn)是我最堅(jiān)強(qiáng)的后盾。
顧黃亮，資深DevOps/研發(fā)效能專(zhuān)家，有多年的運(yùn)維研發(fā)經(jīng)驗(yàn)，專(zhuān)注企業(yè)IT數(shù)字化轉(zhuǎn)型和落地，致力于企業(yè)智慧運(yùn)維體系的打造。現(xiàn)在就職于某持牌金融機(jī)構(gòu)。中國(guó)商聯(lián)專(zhuān)家智庫(kù)入庫(kù)專(zhuān)家、國(guó)家互聯(lián)網(wǎng)數(shù)據(jù)中心產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟智庫(kù)專(zhuān)家委員會(huì)副主任委員、江蘇銀行業(yè)和保險(xiǎn)業(yè)金融科技專(zhuān)家委員會(huì)候選專(zhuān)家、工信部企業(yè)數(shù)字化轉(zhuǎn)型IOMM委員會(huì)特聘專(zhuān)家、中國(guó)信通院可信云標(biāo)準(zhǔn)特聘專(zhuān)家、中國(guó)信通院低代碼/無(wú)代碼推進(jìn)中心特聘專(zhuān)家，騰訊云最具價(jià)值專(zhuān)家TVP，阿里云最有價(jià)值專(zhuān)家MVP。著有暢銷(xiāo)書(shū)《DevOps權(quán)威指南》《企業(yè)級(jí)DevOps實(shí)戰(zhàn)案例：持續(xù)交付篇》《研發(fā)運(yùn)營(yíng)一體化（DevOps）能力成熟度模型》和《企業(yè)IT運(yùn)維發(fā)展白皮書(shū)》核心作者，多個(gè)技術(shù)峰會(huì)演講嘉賓。
鄭清正，金融科技研究中心高級(jí)研究員，英國(guó)杜倫大學(xué)計(jì)算機(jī)系博士，英國(guó)斯旺西大學(xué)計(jì)算機(jī)軟件工程碩士，曾任華為技術(shù)規(guī)劃工程師、圖像研究工程師。專(zhuān)注研究金融大數(shù)據(jù)風(fēng)控、機(jī)器視覺(jué)等領(lǐng)域。 參與人臉識(shí)別、電信CRM、內(nèi)存數(shù)據(jù)庫(kù)等系統(tǒng)開(kāi)發(fā)；發(fā)表論文3篇，授權(quán)專(zhuān)利3篇。
牛曉玲，DevOps標(biāo)準(zhǔn)工作組組長(zhǎng)，DevOps 國(guó)際標(biāo)準(zhǔn)編輯人。長(zhǎng)期從事開(kāi)發(fā)運(yùn)維方面的相關(guān)研究工作，包括云服務(wù)的運(yùn)維管理系統(tǒng)審查等相關(guān)工作。參與編寫(xiě)《云計(jì)算服務(wù)協(xié)議參考框架》《對(duì)象存儲(chǔ)》《云數(shù)據(jù)庫(kù)》《研發(fā)運(yùn)營(yíng)一體化（DevOps）能力成熟度模型》《Y.3525 Cloud computing-Requirement for cloud service development and operation management 》《云計(jì)算運(yùn)維智能化通用評(píng)估方法》等20余項(xiàng)國(guó)內(nèi)標(biāo)準(zhǔn)和國(guó)際標(biāo)準(zhǔn)。參與評(píng)估DevOps能力成熟度評(píng)估超過(guò)50個(gè)項(xiàng)目，具有豐富的標(biāo)準(zhǔn)編制及評(píng)估測(cè)試經(jīng)驗(yàn)。
車(chē)昕，中國(guó)信通院云計(jì)算與大數(shù)據(jù)研究所政企數(shù)字化轉(zhuǎn)型部副主任，主要從事企業(yè)數(shù)字化轉(zhuǎn)型成熟度模型IOMM、可信數(shù)字化服務(wù)、數(shù)字基礎(chǔ)設(shè)施一體化云平臺(tái)、中臺(tái)系列、低/無(wú)代碼、組裝式、安全生產(chǎn)、智慧運(yùn)營(yíng)等領(lǐng)域技術(shù)研究和轉(zhuǎn)型咨詢(xún)規(guī)劃，制定相關(guān)標(biāo)準(zhǔn)、開(kāi)展評(píng)估測(cè)試、組織技術(shù)實(shí)踐交流等工作。
目 錄 Contents
前言
本書(shū)贊譽(yù)
第1章 初識(shí)大語(yǔ)言模型1
1.1 大語(yǔ)言模型的發(fā)展1
1.2 常見(jiàn)的大語(yǔ)言模型3
1.2.1 統(tǒng)計(jì)學(xué)模型N-gram3
1.2.2 統(tǒng)計(jì)學(xué)模型HMM4
1.2.3 神經(jīng)網(wǎng)絡(luò)模型RNN6
1.2.4 自然語(yǔ)言處理中的傳統(tǒng)模型
LSTM7
第2章 大語(yǔ)言模型的基石—
Transformer10
2.1 Transformer模型的由來(lái)10
2.2 Transformer模型的基本原理11
2.2.1 詞嵌入13
2.2.2 位置編碼17
2.2.3 注意力機(jī)制20
2.3 Transformer注意力機(jī)制的技術(shù)
實(shí)現(xiàn)24
2.3.1 自注意力機(jī)制的設(shè)計(jì)細(xì)節(jié)26
2.3.2 多頭注意力機(jī)制的設(shè)計(jì)細(xì)節(jié)30
2.4 Transformer模型總結(jié)31
第3章 從Transformer到
ChatGPT33
3.1 ChatGPT的由來(lái)33
3.2 二元語(yǔ)法模型34
3.2.1 文本如何轉(zhuǎn)換為數(shù)字35
3.2.2 如何設(shè)計(jì)模型35
3.2.3 如何訓(xùn)練模型38
3.3 GPT模型40
3.3.1 GPT模型的結(jié)構(gòu)40
3.3.2 GPT模型的設(shè)計(jì)實(shí)踐42
3.4 簡(jiǎn)單GPT模型的完整實(shí)現(xiàn)46
3.5 GPT模型的優(yōu)化53
3.5.1 樣本數(shù)據(jù)的精細(xì)化處理53
3.5.2 特殊符號(hào)的引入54
3.5.3 早停策略的應(yīng)用56
3.5.4 模型訓(xùn)練中的強(qiáng)化學(xué)習(xí)57
3.6 GPT模型總結(jié)59
第4章 大語(yǔ)言模型的微調(diào)技術(shù)61
4.1 微調(diào)的基本概念61
4.1.1 適配器微調(diào)63
4.1.2 前綴微調(diào)64
4.1.3 LoRA65
4.1.4 QLoRA65
4.2 微調(diào)中的關(guān)鍵技術(shù)66
4.2.1 PEFT工具包66
4.2.2 LoRA67
4.3 微調(diào)技術(shù)的應(yīng)用案例69
4.3.1 BERT分類(lèi)模型69
4.3.2 基于BERT分類(lèi)模型的微調(diào)78
4.3.3 QLoRA中使用的量化技術(shù)82
第5章 企業(yè)AI應(yīng)用技術(shù)—
RAG85
5.1 RAG技術(shù)的基本原理85
5.2 RAG技術(shù)的應(yīng)用案例87
5.2.1 客服問(wèn)答系統(tǒng)87
5.2.2 財(cái)富管理系統(tǒng)88
5.2.3 RAG2SQL90
5.2.4 多智能體系統(tǒng)93
第6章 軟件交付的三大底座100
6.1 DevOps100
6.1.1 DevOps的概念100
6.1.2 DevOps與企業(yè)和IT組織
的關(guān)系101
6.1.3 DevOps究竟是什么103
6.1.4 DevOps的數(shù)字可視能力103
6.1.5 DevOps的科技左移能力104
6.1.6 DevOps的數(shù)字運(yùn)營(yíng)能力105
6.1.7 DevOps的彈性合作能力107
6.1.8 DevOps的數(shù)字風(fēng)險(xiǎn)能力107
6.1.9 大語(yǔ)言模型下的DevOps108
6.2 平臺(tái)工程110
6.2.1 平臺(tái)工程的概念110
6.2.2 平臺(tái)工程的關(guān)鍵屬性111
6.2.3 平臺(tái)工程的核心模塊115
6.2.4 平臺(tái)工程的能力要求115
6.2.5 平臺(tái)工程的最佳實(shí)踐118
6.2.6 平臺(tái)工程與DevOps、SRE
的區(qū)別119
6.2.7 大語(yǔ)言模型下的平臺(tái)工程120
6.3 SRE122
6.3.1 SRE的由來(lái)122
6.3.2 SRE的目標(biāo)122
6.3.3 SRE團(tuán)隊(duì)的使命122
6.3.4 SRE團(tuán)隊(duì)的存在形式123
6.3.5 應(yīng)用韌性架構(gòu)設(shè)計(jì)124
6.3.6 構(gòu)建可靠性設(shè)計(jì)126
6.3.7 變更評(píng)審設(shè)計(jì)128
第7章 大語(yǔ)言模型在運(yùn)維場(chǎng)景中
的實(shí)踐133
7.1 日志運(yùn)維智能化133
7.1.1 日志的概念134
7.1.2 日志運(yùn)維的基本流程134
7.1.3 日志運(yùn)維的痛點(diǎn)136
7.1.4 如何解決日志運(yùn)維的痛點(diǎn)137
7.2 智能運(yùn)維知識(shí)庫(kù)的構(gòu)建146
7.2.1 構(gòu)建運(yùn)維知識(shí)庫(kù)的難點(diǎn)和
優(yōu)勢(shì)146
7.2.2 構(gòu)建運(yùn)維知識(shí)庫(kù)的技術(shù)路徑147
7.2.3 運(yùn)維知識(shí)庫(kù)的應(yīng)用案例149
7.3 智能運(yùn)維工單150
7.3.1 智能運(yùn)維工單的作用151
7.3.2 構(gòu)建智能運(yùn)維工單的技術(shù)
路徑152
7.3.3 智能運(yùn)維工單的應(yīng)用案例154
7.4 大模型運(yùn)維能力評(píng)測(cè)155
7.4.1 構(gòu)建評(píng)測(cè)數(shù)據(jù)集155
7.4.2 評(píng)測(cè)工具和方法156
7.4.3 評(píng)測(cè)結(jié)果156
7.5 基于多智能體的微服務(wù)根因分析157
7.5.1 微服務(wù)架構(gòu)的挑戰(zhàn)157
7.5.2 多智能體系統(tǒng)158
7.5.3 多智能體系統(tǒng)的應(yīng)用案例158
第8章 大語(yǔ)言模型在測(cè)試場(chǎng)景
中的實(shí)踐162
8.1 測(cè)試的痛點(diǎn)162
8.2 動(dòng)態(tài)測(cè)試技術(shù)的智能化演進(jìn)163
8.2.1 動(dòng)態(tài)測(cè)試技術(shù)的基本概念163
8.2.2 常見(jiàn)的動(dòng)態(tài)測(cè)試技術(shù)164
8.2.3 動(dòng)態(tài)測(cè)試技術(shù)的痛點(diǎn)166
8.2.4 大模型在動(dòng)態(tài)測(cè)試領(lǐng)域的
應(yīng)用嘗試167
8.3 靜態(tài)測(cè)試技術(shù)的智能化演進(jìn)171
8.3.1 靜態(tài)測(cè)試技術(shù)的基本概念171
8.3.2 常見(jiàn)的靜態(tài)測(cè)試技術(shù)172
8.3.3 靜態(tài)測(cè)試技術(shù)的痛點(diǎn)173
8.3.4 大模型在靜態(tài)測(cè)試領(lǐng)域的
應(yīng)用嘗試175
8.4 大語(yǔ)言模型在測(cè)試場(chǎng)景下的
落地難點(diǎn)178
8.4.1 大語(yǔ)言模型的處理窗口
瓶頸179
8.4.2 模型的幻覺(jué)問(wèn)題179
8.4.3 RAG與Agent的取舍179
8.4.4 基座模型的選擇180
8.4.5 大語(yǔ)言模型微調(diào)的必要性180
8.4.6 模型的可解釋性與透明性180
8.4.7 大語(yǔ)言模型在測(cè)試場(chǎng)景中的
性能評(píng)估180
8.4.8 大語(yǔ)言模型的維護(hù)與更新181
8.5 基于靜態(tài)分析和RAG的漏洞
自動(dòng)化修復(fù)方案181
第9章 大語(yǔ)言模型在編程場(chǎng)景
中的實(shí)踐184
9.1 代碼大模型184
9.1.1 代碼大模型的定義和特點(diǎn)184
9.1.2 常見(jiàn)的代碼大模型186
9.2 代碼的下游任務(wù)188
9.2.1 文本到代碼任務(wù)188
9.2.2 代碼到代碼任務(wù)189
9.2.3 代碼到文本任務(wù)191
9.2.4 代碼到模式任務(wù)191
9.2.5 文本到文本任務(wù)192
9.3 代碼生成和補(bǔ)全192
9.3.1 代碼生成和補(bǔ)全技術(shù)的
發(fā)展歷史192
9.3.2 常見(jiàn)的代碼生成和補(bǔ)全技術(shù)193
9.3.3 基于可視化編排進(jìn)行代碼生
成和補(bǔ)全194
9.3.4 基于輸入輸出樣例進(jìn)行代碼
生成和補(bǔ)全195
9.3.5 基于代碼語(yǔ)料進(jìn)行代碼生成
和補(bǔ)全196
9.3.6 基于功能描述進(jìn)行代碼生成
和補(bǔ)全199
9.3.7 基于語(yǔ)言模型進(jìn)行代碼生成
和補(bǔ)全200
9.3.8 代碼生成與補(bǔ)全的痛點(diǎn)202
9.4 基于Agent的項(xiàng)目級(jí)代碼生成
方法203
9.4.1 項(xiàng)目級(jí)代碼生成在企業(yè)中
的痛點(diǎn)203
9.4.2 Agent的技術(shù)實(shí)現(xiàn)204
9.4.3 事務(wù)自動(dòng)處理在開(kāi)發(fā)場(chǎng)景中
的運(yùn)用207
9.4.4 項(xiàng)目研發(fā)問(wèn)答場(chǎng)景208
9.4.5 從需求到完整的項(xiàng)目級(jí)代碼
生成場(chǎng)景208
第10章 大語(yǔ)言模型在項(xiàng)目管理
場(chǎng)景中的實(shí)踐210
10.1 項(xiàng)目需求分析與任務(wù)規(guī)劃210
10.1.1 需求分析211
10.1.2 任務(wù)規(guī)劃213
10.2 溝通與協(xié)作214
10.2.1 溝通與協(xié)作的重要性215
10.2.2 大語(yǔ)言模型在溝通與協(xié)
作場(chǎng)景中的作用216
10.2.3 大語(yǔ)言模型提升溝通效率
和整合資源的能力218
10.3 項(xiàng)目風(fēng)險(xiǎn)管理與決策支持220
10.3.1 風(fēng)險(xiǎn)管理221
10.3.2 決策支持222
10.4 項(xiàng)目執(zhí)行階段的智能優(yōu)化225
10.4.1 工作流程及資源管理的
挑戰(zhàn)225
10.4.2 大語(yǔ)言模型如何賦能工作
流程及資源管理225
10.5 大語(yǔ)言模型在項(xiàng)目管理中的
實(shí)踐案例227
10.5.1 輔助理解客戶(hù)需求227
10.5.2 提升內(nèi)部信息流轉(zhuǎn)效率229
10.5.3 實(shí)現(xiàn)項(xiàng)目風(fēng)險(xiǎn)和進(jìn)度的
自動(dòng)分析功能231
10.5.4 助力任務(wù)分配的高效合理232
第11章 大語(yǔ)言模型在安全場(chǎng)景
中的實(shí)踐235
11.1 大語(yǔ)言模型催生安全新范式235
11.1.1 大語(yǔ)言模型在安全領(lǐng)域中
的優(yōu)勢(shì)235
11.1.2 大語(yǔ)言模型在安全領(lǐng)域中
的挑戰(zhàn)236
11.2 大語(yǔ)言模型在安全領(lǐng)域中的
應(yīng)用場(chǎng)景236
11.2.1 異常檢測(cè)236
11.2.2 威脅識(shí)別與分類(lèi)237
11.2.3 自動(dòng)化威脅狩獵237
11.2.4 釣魚(yú)攻擊識(shí)別238
11.2.5 惡意軟件檢測(cè)238
11.2.6 入侵檢測(cè)系統(tǒng)239
11.2.7 安全策略建議239
11.2.8 預(yù)測(cè)性威脅建模240
11.2.9 數(shù)據(jù)泄露預(yù)防240
11.2.10 安全教育與訓(xùn)練240
11.2.11 情報(bào)共享與協(xié)作241
11.2.12 合規(guī)性監(jiān)控241
11.3 大語(yǔ)言模型在安全領(lǐng)域中的
風(fēng)險(xiǎn)241
11.3.1 原生風(fēng)險(xiǎn)241
11.3.2 應(yīng)用安全風(fēng)險(xiǎn)242
11.3.3 對(duì)抗風(fēng)險(xiǎn)243
11.4 大語(yǔ)言模型的零樣本漏洞修復(fù)
研究243
11.4.1 研究背景243
11.4.2 研究思路244
11.4.3 實(shí)驗(yàn)過(guò)程244
書(shū)單推薦
