课程时长

2天（6小时/天）

课程大纲

模块一：机器学习与生成式大模型（第一天）

1. 机器学习回顾
a. 机器学习简介
b. 机器学习经典应用回顾

i. 分类任务：欺诈检测、个性化推荐、流失分析

ii. 聚类任务：用户人群聚合、客户反馈聚合

c. 机器学习的现实挑战

2. GPT时代下的机器学习实践项目流
a. 起始：信息检索与脑暴
b. 执行：问题定义与模型选择
c. 实现：模型实现与代码生成
d. 数据准备：数据收集与探索分析
e. 数据增强：数据预处理与补全
f. 特征工程：特征枚举与交叉
g. 模型验证：模型超参数调优
h. 模型部署：建议部署环境与监控线上情况
i. 业务落地：模型解释与效果评估
j. 总结：项目报告生成

3. 机器学习与chatGPT能力结合
a. 挑战：全自动机器学习的回顾与可能性
b. 辅助提效：基于chatGPT的交互式机器学习环境搭建
c. 全监管模式：基于Agent机制下的chatGPT调度机器学习全流程探索

4. 大模型时代下的金融场景实践
a. 咨询问答类：财务顾问、售前客服、知识问答
b. 摘要总结类：投顾信号、政策分析、财报观点
c. 复杂分析类：逻辑推理、金融计算、财富顾问
d. 任务执行类：信贷审批、策略触发、买卖服务
e. 内容生成类：行情解读、模板填充、研报撰写
f. 金融安全类：法律建议、风险提示、合规评价

5. AI在金融行业实践展望
a. 重塑营销：流水线营销素材生产+个性化定制产品
b. 重塑服务：从降本增效到价值创造（尤其对于销售，反馈与反思）
c. 重塑办公：知识助手、分析增强与工作伴侣（决策辅助）
d. 重塑风控：把对话纳入，全风控感知与流程管理

6. 其他金融科技案例实践分析
a. AI在支付系统中的落地应用价值
b. AI在数据隐私合规中的落地应用

7. 实践挑战
a. 机器学习场景落地改造
b. 使用chatGPT协助的数据风险
c. 大小模型嵌套的整体框架

模块二：大模型实践概览（第二天）

理论向（上午）：大模型技术背景与应用介绍

1. 热身暖场：自我介绍&引子（chatGPT的前世今生）

2. 大模型的能力演进与现实边界：探讨大模型的技术能力和前沿进化方向。

a. 闭源模型概览（chatGPT、Claude、Gemini、kimi等）

b. 国外开源大模型概览（llama、Grok、Mistral、Gemma等）

c. 国内开源大模型概览（通义千问、百川、智谱、deepseek等）

d. 生活中的大模型：以搜索应用为例（秘塔猫、Kimi、Perplexity 等）

e. 前沿能力与展望

3. 大模型业界前沿产品与公司

a. 大模型应用行业地图（工具向  &  娱乐向）
b. 基础类大模型应用（chatGPT、豆包 等）
c. 办公泛工具类（AI-PPT、效率、创意）
d. 垂直场景类2B应用（客服、营销、培训等）
e. 情感陪伴类C端应用（星野、talkie、筑梦岛等）
f. 金融大模型场景实践（咨询问答、售前客服、安全风控）

4. 多模态业界前沿产品介绍。

a. 多模态应用行业地图（工具向  &  娱乐向）
b. 基础类视觉图片应用（美图、稿定、MJ等）
c. 基础类视频应用（Runway、Pika、Pixelverse & 快手可灵、LumaAI）
d. 营销类产品应用（妙思、轻舸、来画 ）
e. AI+行业（教育/硬件 等）

5. 互动：自由问答

实践向（下午）：简单开发概览+提示词方法介绍

1. 大模型应用开发实践范式（整体开发流程概览，包括安全、备案需求）

a. 技术路线选型
b. 落地实践路径
c. 团队构成与资源准备
d. 模型安全、模型备案、算法备案

2. 大模型落地失败的一百种可能性

a. 当下大模型哪些能力具备
b. 哪些大模型能力不具备

3. 提示词工程的最佳实践【实践-prompt-文本】

a. 基于结构化prompt
b. 基于CoT的prompt优化
c. 基于RAG的领域能力提升
d. 基于functionCall的专业能力提升
e. 基于ReAct框架协同推理与行动

4. 提示词深度应用实例演示：

a. 测试用例生成
b. SQL生成、代码Copilot
c. 角色扮演任务
d. 基于知识增强的对话助手任务

5.互动：

a. 自由问答，帮助听众结合自身场景，构造落地任务；
b. 通过修改Prompt构造方法，基于RAG技术，产出对应领域问答Bot

分组练习：结合自己工作的业务特点进行效果输出AIGC效果。