IBM-人力资源的生成式人工智能笔记-全-

IBM 人力资源的生成式人工智能笔记（全）

001：课程介绍 🎬

在本节课中，我们将要学习生成式人工智能（AI）的基础介绍，了解其核心概念、应用潜力以及本课程的结构与学习目标。

想象一个由AI驱动的世界，它能让我们工作更高效、寿命更长、能源更清洁。这个世界已经到来。生成式AI对我们生活方式的各个方面都产生了巨大影响。

生成式AI模型能够模仿人类的思维和创造力，生成新颖的内容并执行复杂的任务。组织可以利用生成式AI提高生产力和盈利能力。个人可以使用生成式AI工具提升效率、为工作增添实际价值、节省成本并最大化品牌价值。

如果你尚未接触过生成式AI，那么这门课程正适合你。我们欢迎所有对快速发展的生成式AI领域抱有真诚兴趣的专业人士、爱好者、人力资源从业者和学生。无论你的背景或经验如何，这都是一门面向所有人的课程。

本课程旨在让你扎实理解生成式AI的能力、应用以及常见的模型和工具。课程结束时，你将能够描述生成式AI的能力及其在现实世界中的用例，识别不同领域和行业中生成式AI的应用，并探索常见的生成式AI模型和工具。

本课程是一个包含三个模块的聚焦课程。预计每个模块需要花费一到两个小时完成。

以下是本课程三个模块的主要内容概览：

模块1：你将学习生成式AI的核心概念，了解其在不同领域的应用案例，并理解其在生成文本、图像、代码、音频和视频方面的能力。
模块2：你将探索信息技术、娱乐、教育、金融和医疗保健等不同行业如何利用生成式AI。此外，在本模块中，你还将学习用于生成文本、图像、代码、音频和视频的常见模型和工具（如ChatGPT、DALL-E和Synthesia）的能力与特性。
模块3：你需要参与一个最终项目，并完成一个计分测验来检验你对课程概念的理解。你也可以访问课程术语表，并获得关于后续学习路径的指导。

本课程融合了概念讲解视频和辅助阅读材料。观看所有视频以充分掌握学习材料的潜力。你将体验到动手实验和一个展示生成式AI在多个领域常见用例的最终项目。每节课后都有练习测验帮助你巩固学习。课程结束时，你还需要完成一个计分测验。课程还提供讨论论坛，方便你与课程工作人员联系并与同学互动。最有趣的是，通过专家观点视频，你将听到经验丰富的从业者分享他们对生成式AI不同方面的见解。

当生成式AI正在全球范围内增强个人、组织和社区的创造力表达与专业能力时，这门课程为你提供了一个创造新体验的机会。

本节课中，我们一起学习了生成式AI的引入及其变革潜力，并概述了本课程的目标、结构和学习方法。我们了解到，生成式AI不仅是一个技术概念，更是提升个人和组织效能的重要工具。

002：为何选择IBM学习生成式AI

在本节课中，我们将探讨生成式AI为何成为各行业关注的焦点，以及为何选择IBM作为学习这项关键技能的平台。我们将了解生成式AI的广泛影响、企业对相关技能的需求，以及IBM在负责任地推进AI应用方面的独特优势。

生成式AI是每位领导者都在思考的问题。无论是在企业还是政府机构中，每个组织都在关注它。

随着关注而来的是机遇。各组织正在寻找理解这项技术的人才。

更重要的是，他们需要具备应用这项技术技能的人才。与以往许多流行技术不同，生成式AI几乎触及了每个职业中的每个角色。

生成式AI技能预计将变得非常重要，不仅对计算机科学家如此，对每个人都是如此。这些技能将变得像文字处理、电子表格甚至基本商业素养一样必不可少。因此，这些课程项目旨在让“每个人都掌握生成式AI”。

目前，人们对AI产生了许多新的兴趣。企业正在超越消费级AI的范畴进行探索。聊天机器人界面是展示生成式AI潜力的绝佳方式。

然而，现实生活中的用例是将生成式AI嵌入到现有流程中，使其成为几乎每个业务工作流程不可或缺的一部分。IBM很自豪能够帮助企业将生成式AI整合到其运营中。

作为这些课程项目的一部分，你将获得的技能应该有助于你的职业发展，并能立即应用到你的工作中。

企业对生成式AI的潜力感到兴奋，但同时也对其潜在风险感到担忧。这项使命至关重要，不容有失。

这些课程项目将为你提供处理AI伦理问题的技能，这些技能基于一种负责任的方法，这种方法真正始于IBM。

本节课中，我们一起学习了生成式AI的普遍重要性及其对各行各业的影响。我们了解到，掌握生成式AI技能正变得像使用办公软件一样基础，而IBM的课程不仅能提供实用的技术应用知识，还特别强调以负责任和合乎伦理的方式使用AI，这正是企业在采用新技术时所寻求的关键保障。选择IBM学习，意味着同时获得前沿技术能力和可信赖的实施框架。

003：2_生成式AI基础专项课程介绍

在本节课中，我们将介绍IBM的“生成式AI基础”专项课程。该课程旨在帮助初学者全面了解生成式AI的核心概念、工具和应用，无需任何技术背景。

你是否知道，全球的营销人员已经在使用生成式AI来创作内容、撰写文案、激发创意、分析市场数据以及生成图像？

根据彭博社的预测，生成式AI市场预计到2032年将达到1.3万亿美元。因此，深入了解生成式AI对你而言至关重要。

那么，生成式AI适合所有人吗？答案是肯定的。你可以利用其潜力，为自己创造更好的职业和生活。本专项课程适合任何对探索生成式AI力量充满热情的人，无需具备AI技术知识或背景。即使是初学者也能从中受益，因为它全面涵盖了生成式AI的基本概念、模型、工具和应用。

完成本专项课程后，你将能够：

解释生成式AI基础模型的基本概念、能力、模型、工具、应用和平台。
描述提示工程，并应用强大的提示工程技术来编写有效的提示，从而从AI模型中生成期望的结果。
讨论生成式AI的局限性，解释其伦理关切和负责任使用的考量。
认识到生成式AI在提升你职业生涯和帮助工作场所实施改进方面的能力。

本专项课程包含五门自定进度的课程，每门课程需要3到5小时完成。

上一节我们概述了课程的整体目标，本节中我们来看看具体的课程结构安排。

以下是五门课程的核心内容简介：

课程1：生成式AI导论
这是你理解生成式AI能力的第一步，其能力涵盖文本、图像、音频、视频、虚拟世界、代码和数据等多个领域。你将了解不同行业如何应用常见的生成式AI模型和工具，例如GPT、DALL-E、Stable Diffusion、IBM Granite和Synthesia。

课程2：提示工程
本课程介绍提示工程的概念，以及它如何帮助你释放ChatGPT等生成式AI工具的全部潜力。你将探索开发有效提示的技术、方法和最佳实践，并使用IBM Watsonx、Prompt Lab、Spellbook和Dust等常用工具进行实践。

课程3：生成式AI的核心概念
本课程聚焦于生成式AI的核心概念和构建模块，例如深度学习、基于Transformer架构的大语言模型、扩散模型和基础模型。你还将了解不同的生成式AI平台，如IBM Watsonx.ai和Hugging Face。

课程4：生成式AI的伦理与限制
在课程3学习了技术基础后，本课程将探讨与生成式AI相关的伦理考量。你将了解它对数据隐私与安全、版权侵权、劳动力以及环境的影响。同时，你将描述其局限性，如数据偏见、缺乏可解释性、透明度和可理解性，并识别生成式AI的常见误用，例如深度伪造和幻觉。

课程5：生成式AI的未来
最后，本课程讨论生成式AI的未来。你难道不想知道在那个未来里你的职业机会是什么吗？你将学习生成式AI如何影响和增强不同行业现有的职能、技能和工作角色，以及如何利用生成式AI构建自己的应用程序以创造新的商业机会。

本专项课程的内容旨在吸引并赋能你。通过观看精选的概念视频、聆听AI专家分享他们的见解和技巧，以及在实验和项目中实践技术，你将在日常生活中使用生成式AI工具和应用程序时感到更加自信。

目前，65%的生成式AI用户是千禧一代或Z世代，72%的用户是在职人士。通过本专项课程的学习，你将准备好加入生成式AI变革者的行列。

生成式AI属于每一个人。

本节课中，我们一起学习了IBM“生成式AI基础”专项课程的完整介绍。我们了解了课程的目标、适合人群、学习成果以及五门核心课程的具体内容。从基础概念到提示工程，从技术原理到伦理实践，再到未来展望，该课程为初学者提供了一条清晰的学习路径，帮助你自信地开启生成式AI之旅。

004：专家观点与领域专家介绍 👥

在本节课中，我们将认识几位在人工智能领域，特别是生成式AI方向拥有丰富经验的专家。他们将介绍自己的背景、专业领域以及对生成式AI的看法，帮助我们更好地理解这一技术在实际应用中的价值。

上一节我们了解了生成式AI的基本概念，本节中我们来看看行业专家们如何介绍自己。

以下是各位专家的自我介绍，包括他们的姓名、职位和所属组织。

Hello，我是 Abyi Goneja，我是人工智能领域的主题专家，同时也是 IID 的一名人工智能研究员。
Hello，我是 Sapida Sazader，我是 IBM 某 K 工程团队的 AI 引擎工程师。我很高兴能在这里与大家探讨生成式AI。
我是 Bradley Steinfeld，我是 IBM 的一名高级软件架构师。
Hello，我是 Mali，我在人工智能和数据工程领域拥有超过12年的经验。我目前是 Simply Contract Technologies 的一名数据架构师。
Hi，我是 Marty Briley，我是 Evergreen AI 的首席执行官兼创始人。

在认识了各位专家之后，接下来让我们深入了解他们的专业背景，包括多年的行业经验和相关资质。

以下是专家们对其背景和经验的分享。

Abyi Goneja: 关于我的背景，我在加拿大滑铁卢大学获得了人工智能领域的博士学位，在此之前，我正在攻读机器人学硕士学位。完成学业后，我开始在这一领域工作，从事大数据分析。之后移居美国，我仍然在同一领域工作。最近，随着大语言模型和生成式AI这一新趋势的出现，我一直在致力于为我们的客户在不同的用例中实施和应用这项技术。
Bradley Steinfeld: 我在 IBM 工作了超过10年，大部分时间都在教育领域的 Skills Network 团队工作。
Marty Briley: 我们在 Evergreen AI 从事多项业务，但我们专注于生成式AI。我们提供生成式AI培训、生成式AI战略咨询，以帮助您理解生成式AI在您组织中的定位。我们还有一个小型开发部门，可以帮助进行一些集成工作。但我为我们拥有的培训项目感到自豪，这些课程旨在培训您组织中的每个人，包括“AI基础”、“面向领导者的AI”和“面向高管的AI”。这些课程展示了如何利用现有工具来完成工作，适用于那些希望了解如何在当前工作流程中使用AI以提升工作效率、实现百倍改进的人。
Mali: 我曾在银行、金融、电子商务、制造和制药等多个行业工作。每个行业独特的挑战都丰富了我的专业知识和视角，让我认识到数据和人工智能所能带来的切实影响，而不仅仅是处理数据和算法。在我的职业生涯中，我投入了大量时间进行指导和培训，培养有抱负的AI专业人员和数据科学家。我的目标是培养新一代的专家，准备好应对我们数字世界中不断演变的挑战。我很高兴能与大家合作、学习并做出有意义的贡献。感谢大家的欢迎，我期待与大家一起踏上这段激动人心的旅程。

本节课中我们一起学习了多位生成式AI领域专家的背景介绍。通过了解他们的专业路径、行业经验以及对AI应用的见解，我们可以更直观地感受到生成式AI技术的多样性和实际应用潜力，为后续深入学习其具体应用场景打下基础。

005：生成式AI导论 🧠

在本节课中，我们将要学习生成式人工智能的基本概念、其发展历程，以及它与判别式AI的核心区别。我们将从AI的基础定义开始，逐步深入到生成式AI的工作原理、关键模型及其广泛的应用前景。

人工智能概述

人工智能，或称AI，已经存在多年，它塑造了我们生活的方方面面，并彻底改变了我们的工作和生活方式。

从本质上讲，AI可以定义为机器对人类智能的模拟。AI模型从海量的现有数据中学习，这个学习过程被称为训练。

人工智能的两种基本方法

人工智能有两种基本方法：判别式AI和生成式AI。

上一节我们介绍了AI的基本定义，本节中我们来看看这两种核心方法有何不同。

判别式AI

判别式AI是一种学习区分不同数据类别的方法。以下是其工作原理：

训练过程：一个判别式AI模型会获得一组训练数据，其中每个数据点都带有其类别的标签。
预测过程：模型通过判断新数据点落在决策边界的哪一侧，来预测其类别。
核心能力：判别式AI模型使用高级算法来区分、分类、识别模式，并根据训练数据得出结论。

一个判别式AI模型的应用实例是电子邮件垃圾邮件过滤器，它可以区分垃圾邮件和非垃圾邮件。

判别式AI模型最适合应用于分类任务。然而，它们无法理解上下文，也无法基于对训练数据的上下文理解来生成新内容。

生成式AI

而这正是生成式人工智能的用武之地。

生成式AI模型学习根据训练数据生成新的内容。它们能够捕捉训练数据的底层分布，并生成新颖的数据实例。

以下是生成式AI的工作流程：

输入提示：生成式AI从一个提示开始。这可以是文本、图像、视频或模型能够处理的任何其他输入。
生成内容：作为输出，模型会生成新的内容，包括文本、图像、音频、视频、代码和数据。
输出形式：生成式AI可以生成与提示相同形式的输出（例如，文本到文本），也可以生成与提示不同形式的输出（例如，文本到图像或图像到视频）。

这里有一个简单的例子来理解判别式AI与生成式AI的区别：

判别式AI最适合回答诸如“这张图片画的是鸟巢还是鸟？”这类问题。
生成式AI则会响应诸如“画一幅有三个蛋在里面的鸟巢图像”这样的提示。

如果说判别式AI模仿了我们的分析和预测能力，那么生成式AI则更进一步，模仿了我们的创造能力。正如《哈佛商业评论》的评论所言：“AI不仅可以提升我们的分析和决策能力，还能激发创造力。”生成式模型可以运用所学知识，基于信息创造出全新的内容。

生成式AI的技术基础

判别式模型和生成式模型都是使用深度学习技术创建的。深度学习涉及训练人工神经网络从海量数据中学习。

人工神经网络是由称为神经元的较小计算单元组成的集合，其建模方式类似于人脑处理信息的过程。

生成式AI的创造能力来源于特定的生成式AI模型，这些模型可以被视为生成式AI的构建模块。以下是几种关键模型：

生成对抗网络：GANs
变分自编码器：VAEs
Transformer模型
扩散模型

生成式AI的发展历程

生成式AI并非一个新概念，其根源可追溯到机器学习的起源。以下是其发展脉络：

20世纪50年代末：科学家提出机器学习时，就探索了使用算法创建新数据。
20世纪90年代：神经网络的兴起进一步推动了生成式AI的发展。
21世纪10年代初：在大规模数据集和增强计算能力的支持下，深度学习极大地促进了生成式AI的发展。
2014年：Ian Goodfellow及其同事引入了GANs，变革了生成式AI领域。
后续发展：GANs以及VAEs、Transformer等模型为生成式AI的增长以及基础模型和工具的开发奠定了基础。

基础模型是具有广泛能力的AI模型，可以被调整以创建更专业的模型或针对特定用例的工具。

其中一类特定的基础模型称为大语言模型，它们经过训练能够理解人类语言，并可以处理和生成文本。

2018年：OpenAI推出了基于Transformer的LLM——生成式预训练Transformer。
后续演进：GPT系列中的GPT-3和GPT-4、Google的PaLM、Meta的Llama等不同LLM显著增强了生成式AI生成连贯且相关文本的能力。
其他领域：在其他用例中也出现了类似的模型发展，例如用于图像生成的Stable Diffusion和DALL-E。

生成式AI的工具与应用

多种生成式模型的发展，催生了针对不同用例的生成式AI工具市场。以下是一些例子：

文本生成：ChatGPT， Gemini
图像生成：DALL-E 2， Midjourney
视频生成：Synthesia
代码生成：GitHub Copilot， AlphaCode

快速涌现的模型和工具为生成式AI在各个领域的应用开辟了广阔前景。引用麦肯锡关于生成式AI经济潜力的报告：“生成式AI有潜力改变工作的结构，通过自动化部分个人活动来增强个体工作者的能力。”该报告还预测，生成式AI对生产力的影响可能为全球经济增加数万亿美元的价值。

总结

本节课中我们一起学习了生成式AI的核心知识。我们了解到，生成式AI模型能够根据其训练数据生成新的内容。其创造能力建立在如GANs、VAEs、Transformer和扩散模型等模型之上。基础模型可以被调整以创建针对特定用例的专门模型或工具。最后，我们认识到生成式AI模型和工具在不同领域和行业中拥有广泛的应用范围。

006：生成式AI的核心能力 🚀

在本节课中，我们将学习生成式人工智能（Generative AI）的核心能力。我们将探讨文本生成、图像生成、音频生成、视频生成、代码生成、数据生成与增强，以及虚拟世界创建等关键功能，并了解它们在现实世界中的应用。

文本生成能力 📝

上一节我们介绍了生成式AI的概览，本节中我们来看看其文本生成能力。生成式AI的文本生成能力核心在于先进的人工智能驱动的大型语言模型（LLMs）。这些模型在大型数据集上进行训练，能够在各种情境下生成类人文本。它们学习数据中的模式和结构，以生成连贯且与上下文相关的回应。

以下是文本生成能力的一些具体应用：

文本补全与摘要：模型可以续写文本或生成内容摘要。
问答与翻译：模型能够回答问题或将文本翻译成不同语言。
代码生成与图文配对：模型可以生成代码片段，或将图像与描述性文本进行配对。
对话交互：聊天机器人和虚拟助理的对话功能由LLMs驱动。

一些流行的LLMs包括OpenAI的生成式预训练变换器（GPT）和Google的PaLM语言模型。

图像生成能力 🎨

接下来，我们探讨生成式AI的图像生成能力。生成模型能够基于深度学习技术（如生成对抗网络和变分自编码器）生成高质量、逼真的图像。这些生成的图像展现出真实的纹理、自然的色彩和精细的细节，给人以真实拍摄的印象。

以下是图像生成能力的一些具体应用：

生成虚构内容：例如，StyleGAN可以生成高分辨率、高质量的虚构人脸、动物或自然景观的新图像。
艺术创作：DeepArt可以从简单的草图创建复杂的艺术作品。
按描述生成图像：DALL-E可以根据用户的文字描述生成全新的图像。

除了艺术、设计、娱乐和游戏领域，生成的图像还可用于增强训练数据集，并辅助医学成像和科学可视化。

音频生成能力 🔊

现在，让我们转向音频生成能力。生成模型可以创作新的音乐作品，使用文本转语音技术将文本转换为音频，并创建合成语音和自然音质的语音。这些模型还能转换、修改、清理人声，降噪并提升音频质量，甚至能以相当高的相似度模仿人声。

以下是音频生成能力的一些具体应用：

生成原始音频：例如，WaveGAN可以创建新的、逼真的原始音频波形，包括语音、音乐和自然声音。
音乐创作：OpenAI的MuseNet可以结合各种乐器、风格和流派来生成新颖的音乐作品。
合成语音：Google的Tacotron 2和Mozilla TTS使用先进的TTS系统来创建接近人类音调、音高、语调、发音、节奏和表达的合成语音。

生成的音频在媒体、创意、娱乐、培训、教育、游戏和虚拟现实等多个领域有广泛应用。

视频生成能力 🎬

上一节我们了解了静态图像的生成，本节中我们来看看动态视频的生成。生成式AI模型可以创建从基本动画到复杂场景的动态、清晰的视频。这些模型通过融入时间连贯性将图像转化为动态视频。在自然语言处理中，时间连贯性指的是意义或上下文随时间推移的一致性和连续性，这使得模型能在视频中展现流畅的运动和合理的过渡。

以下是视频生成能力的一些具体应用：

基于文本生成视频：例如，流行的AI模型VideoGPT可以根据用户提供的文本提示生成新视频。用户可以指定期望的内容来指导视频生成过程，包括补全、编辑、合成、预测和风格迁移。

生成的视频可用于艺术、娱乐、教育、游戏、医学和研究等领域。

代码生成能力 💻

生成式AI的另一项强大能力是代码生成。生成模型可以根据所需功能，生成新的代码片段、函数或完整程序。这些模型在现有代码库上进行训练，能够完成或创建代码、重构代码、识别并修复代码错误、测试软件以及创建文档（包括注释、函数描述和使用示例）。

以下是代码生成能力的一些具体应用：

AI编程助手：例如，GitHub Copilot和IBM Watson Code Assistant是基于AI的编程助手，可帮助自动补全代码、加速困难任务并为给定输入生成代码。

AI生成的代码可用于软件和Web开发、机器学习和自然语言处理、数据科学与分析、机器人技术与自动化、视频游戏和AR/VR环境开发，以及音视频和语音处理。软件开发人员可以利用代码生成能力来编写、调试和测试代码。

数据生成与增强能力 📊

接下来，我们探索生成式AI的数据生成与增强能力。生成模型可以生成新数据并扩展现有数据集。生成合成数据集有助于增加数据的多样性和变化性，从而带来更稳健和有效的模型性能。

以下是数据生成与增强能力的一些具体应用：

生成多种数据类型：这些模型可以为图像、文本、语音、表格数据和统计分布、时间序列数据、金融数据等生成新样本并增强数据集。

生成式AI的数据生成与增强能力在医学、医疗保健、游戏、教育与培训、艺术与创意、自动驾驶汽车等众多领域有应用。

虚拟世界创建能力 🌐

生成式AI模型的另一项强大能力是创建高度逼真和复杂的虚拟世界。你可以创建模拟真实行为、表情、对话甚至决策的虚拟形象。你还可以创建具有真实纹理、声音和遵循物理世界原则的物体的复杂虚拟环境。元宇宙平台使用生成模型为个体用户创造独特和个性化的体验。

以下是虚拟世界创建能力的一些具体应用：

创建虚拟身份：生成式AI还能创建具有独特个性的虚拟身份，虚拟形象可以被赋予特定的个性特征，并反映在其行为和对话中。

生成式AI的虚拟世界能力在游戏、娱乐、教育、增强与虚拟现实、元宇宙平台以及虚拟影响者和数字人格等领域有应用。

总结 📚

本节课中，我们一起学习了生成式AI模型的一些核心能力及其在现实世界中的应用。我们了解到，生成式AI可以创建连贯且与上下文相关的内容，生成逼真的高质量图像、合成语音、新音频和动态视频。此外，生成式AI模型还能生成和补全代码，合成新数据以增强现有数据集，并创建高度逼真和复杂的虚拟世界，包括虚拟形象和数字人格。

007：生成式AI能力解析 🧠

在本节课中，我们将聆听AI专家对生成式AI核心能力的解析，了解它如何为企业和专业人士带来变革。

概述

本节内容汇集了多位专家的见解，系统性地介绍了生成式AI的常见能力及其在各行各业的应用价值。我们将从内容创作、任务自动化到行业解决方案，全面解析这项技术如何提升效率、激发创意并驱动个性化体验。

生成式AI的常见能力 🛠️

上一节我们了解了生成式AI的基本概念，本节中我们来看看专家们总结出的具体能力。

生成式AI为企业与专业人士提供了多种有益的能力。它尤其擅长内容创作，例如生成文本、图像、音乐甚至视频，从而简化和加速市场营销与创意流程。

以下是基于大语言模型的一些常见用例：

总结：快速归纳长文档或对话的核心内容。
提取：从复杂信息中精准抓取关键数据或要点。
生成：根据指令或上下文创造全新的文本、代码等内容。
分类：对信息进行自动归类和打标签。
代码生成：辅助编写和调试程序代码。

生成式人工智能的应用不仅限于生成原始数据，还包括生成模式、配置和设置等多种形式。具体到工业领域，合成数据能以多种方式帮助各行各业。

一个我们与客户合作中非常常见的用例是 RAG（检索增强生成）。这是一个当前非常流行和普遍的用例，因为我们的客户拥有许多私有文档，他们不希望将这些文档暴露在公有云或公开环境中，但他们又希望快速从这些文档中检索信息。

生成式AI不仅仅是一个花哨的玩具，它是一个游戏规则改变者。想象一下，拥有一个数字助手，它能激发你的创造力、理解你的需求并为你节省时间——这正是生成式AI所做的。所以，别再猜测了，拥抱未来吧。生成式AI的到来是为了让一切变得更快、更好、更个性化。

生成式AI如何使企业与专业人士受益 💡

了解了核心能力后，我们接下来看看这些能力具体能带来哪些商业价值和个人效率的提升。

生成式AI可以通过多种方式帮助我们。例如，在文本生成方面，GPT等模型可以帮助生成用于营销材料的文案。在图像生成方面，DALL-E等工具可以创建非常接近真实效果的图像和视频。它还能帮助进行音乐和音频生成、数据合成与增强。

AI驱动的内容生成节省了时间，并通过自动化撰写报告、创建社交媒体帖子和设计图形等任务来降低成本。此外，生成式AI通过个性化推荐和交互式聊天机器人增强了客户体验，从而提升了参与度和满意度。在设计和产品开发中，它有助于快速生成多种设计变体，实现快速原型设计和探索创新解决方案。

例如，在医疗保健行业，涉及合成数据生成和合成图像生成的操作可以保护患者隐私——即保护患有特定疾病的人的隐私。生成式AI也可用于金融分析中的欺诈检测。众所周知，它在制药行业被用于发现更多的药物模式。因此，这是一个应用范围非常广泛的结构，生成式AI正在不断提供巨大帮助。

它能绘制令人惊叹的图画，撰写引人入胜的故事，甚至像专业人士一样翻译语言。个性化推荐？没问题。这个AI伙伴能准确找到你想要的东西，无论是电影、产品，甚至是职业道路。在医疗保健和航空等领域，它创建用于培训的真实模拟，使学习变得安全高效。但这还不是全部，生成式AI自动化了任务，让你能腾出时间专注于最重要的事情。

因此，所有这些任务都有助于我们增强创造力、个性化体验并做出数据驱动的决策，从而最终提高效率、竞争力和客户满意度。

总结

本节课中，我们一起学习了专家视角下的生成式AI核心能力。我们了解到，它不仅是强大的内容创作工具，能完成总结、提取、生成和分类等任务，更是通过RAG（检索增强生成） 等技术处理私有信息的关键。更重要的是，生成式AI通过自动化流程、提供个性化解决方案和生成合成数据，为包括医疗、金融在内的各行各业带来了效率提升、成本节约和创新动力。它正成为一个不可或缺的数字助手，推动工作方式向更快、更好、更智能的方向发展。

008：生成式AI的演进历程 🤖

在本节课中，我们将聆听专家们的见解，共同探讨生成式人工智能的演进历程。我们将了解它是如何从早期的概念发展到如今成为行业焦点的，并理解它与传统人工智能方法的根本区别。

生成式AI的演进历程 📈

上一节我们介绍了本课程的主题，本节中我们来看看生成式AI是如何一步步发展至今的。

生成式AI与人工智能一同演进，但最近获得了更多关注。它在超过20年的时间里一直存在，但并未真正流行。最近，随着像生成对抗网络和变分自编码器这类技术的出现，它获得了更大的发展势头，几乎已成为行业的未来。

生成式AI的演进历程以其创造新颖原创内容能力的显著进步为标志。早期的生成式AI模型在连贯性和质量上略有不足。但自从GPT-3，以及随后的GPT-4和DALL-E等模型出现后，它们能够生成高度复杂的文本和图像，从而增强了各个领域的创造力和自动化水平。

简单来说，生成式AI已经到来，它是一个创意引擎。可以把它想象成一个超级聪明的艺术家，不仅能遵循指令，更能创造新事物。它能绘画、写故事，甚至能提出全新的想法。

以下是其演进过程中的几个关键阶段：

第一阶段：基于规则的机制与传统模型
系统仅在我们提供的上下文范围内工作，并严格遵循预设的规则。
第二阶段：机器学习与统计模型
这些模型能够从数据中发现模式。基于半监督学习、监督学习或强化学习，它们比基于规则的系统更智能，并能识别出一些规律。
第三阶段：深度学习与神经网络
它们能以更先进的方式在数据集中发现模式，并处理非结构化的数据。
第四阶段：生成对抗网络
这是一个生成式任务和生成新数据的新时代。GANs通过一个“生成器”和一个“判别器”的对抗过程来学习并创造内容，能生成非常逼真的图片和艺术作品。
第五阶段：Transformer模型
像LSTM和Transformer这类神经网络，帮助我们更先进地处理某些用例、非结构化数据和时间序列数据集。特别是2017年提出的Transformer架构，为生成式任务开启了新纪元。如今，许多类似GPT的模型在开源社区中可用，其核心思想是拥有一个在海量数据上预训练的模型，可以轻松针对特定任务进行微调。

生成式AI与传统AI的区别 🔄

了解了演进历程后，本节我们来探讨生成式AI与传统AI方法有何不同。

传统AI与生成式AI的区别在于：传统AI侧重于分析和预测现有数据，例如分类、回归、推荐等任务。相比之下，生成式AI，特别是随着生成对抗网络和Transformer模型的出现，能够创造出与训练数据相似的新数据。

人工智能在过去五六十年里，经历了从基础水平到应用和预测水平的发展。而生成式AI更侧重于利用人工智能技术生成类人的高质量输出。

本质区别在于：传统AI执行你告诉它的任务，而生成式AI则能自行构思和创造，就像一个酷炫的AI发明家，准备释放人工智能的创造力。

总结 ✨

本节课中，我们一起学习了生成式AI的演进历程及其与传统AI的核心区别。我们了解到，生成式AI已经从早期的、能力有限的模型，发展到如今能够创造高度复杂和原创内容的强大工具，这主要得益于生成对抗网络和Transformer架构等关键技术的突破。同时，我们也明确了生成式AI的核心在于“创造”新数据，这与传统AI专注于“分析”和“预测”现有数据的范式形成了鲜明对比。

009：生成式AI的应用场景 🚀

在本节课中，我们将学习生成式AI在不同领域的具体应用。我们将探讨它在IT与DevOps、娱乐、教育、银行与金融、医疗保健以及人力资源等领域的实际用例，了解这项技术如何改变各行各业的工作方式。

IT与DevOps领域的应用 💻

上一节我们介绍了生成式AI的基本概念，本节中我们来看看它在IT与DevOps领域的应用。生成式AI能够帮助改进软件交付流程和基础设施管理。

以下是生成式AI在IT与DevOps中的主要应用：

代码生成：生成式AI的代码生成能力减少了手动编码的工作量和在重复性任务上花费的时间。
代码审查：由生成式AI驱动的代码审查工具，如GitHub Copilot和Synk DeepCode，会检查代码库和编码标准，以提升代码质量和可维护性。
自动化测试：生成式模型可以生成模拟用户行为的合成测试用例和测试数据。测试用例的变化会影响软件的效率、可靠性和健壮性。像Applitools和Testim这样的工具通过增加数据集的深度和多样性来保证充分的测试覆盖率。
监控与异常检测：用于监控和检测代码中的异常。例如，IBM的Watson AIOps和Moogsoft AIOps会分析系统日志、指标和其他数据。这有助于进行主动维护和故障排除，减少停机时间并防止关键故障。
自动化文档与部署：GitLab Duo通过自动创建发布说明、变更日志以及更新部署模板和脚本来支持持续集成与部署（CI/CD）流程。
其他应用：其他应用包括自然语言界面、自动化基础设施管理和预测性维护。

娱乐领域的应用 🎬

现在，让我们看看生成式AI在娱乐领域的应用。生成式AI工具可以生成各种合成内容，如音乐、剧本、故事、视频、电影和电子游戏。它们还可以翻译、本地化和个性化内容。

以下是生成式AI在娱乐领域的主要应用：

游戏开发：像Side Effects Software的Houdini这样的游戏开发工具，利用生成式AI的力量来创建游戏、动画、增强现实和虚拟现实体验，以及具有独特行为的角色。
虚拟形象：最近，由生成式AI驱动的虚拟影响者和虚拟形象也日益流行，它们能与用户互动，创造引人入胜的体验。

教育领域的应用 📚

生成式AI产生重大影响的另一个领域是教育。从内容生成到个性化和自适应学习体验，再到模拟体验式学习，生成式AI的影响是巨大的。

以下是生成式AI在教育领域的主要应用：

语言翻译：凭借其语言能力，它们可以提供语言翻译，使内容能以不同语言访问。
个性化学习：它们可以生成作业以提供即时反馈，并创建支持个体学习者节奏和优势的学习路径与评估策略。
学习分析：可以根据学习者的表现和偏好生成分类法。
特殊需求识别：生成式算法可以检测特殊需求和学习障碍，以帮助学习者和教育者制定特定的课程计划。
知识追踪：生成式算法也被用于追踪学习者随时间推移的进度，即知识追踪。这有助于为个体需求提供合适的节奏和内容。
其他应用：辅导支持、虚拟和模拟环境以及包容性教育也从中受益。
工具示例：例如，Nolej能在几分钟内提供AI生成的电子学习内容，包括针对目标主题的互动视频、术语表、练习题和摘要。Duolingo是一个语言学习平台，它使用GPT-3来纠正法语语法并为英语创建测试项目。

银行与金融领域的应用 💰

银行和金融机构极大地受益于生成式AI自动检测风险、生成见解并提供具备金融知识的建议的能力。

以下是生成式AI在银行与金融领域的主要应用：

行业专用模型：Kore.ai KG是首个银行业专用的LLM，它帮助银行应用程序提供类人的、具备金融知识的响应。
风险评估：例如，DataRobot可以通过模拟潜在的欺诈场景来生成合成用例，以检测信用风险、欺诈风险和市场波动。
信用评分：Personetics和AIO Logic利用生成式模型来检测风险、确定利率并构建定制贷款。它们自动化评估客户信用度并设定信用额度或保险费率。
市场分析：像BloombergGPT这样的NLP驱动生成式AI可以分析新闻、文章、社交媒体和其他分类文本数据，以更有效地进行市场情绪分析和管理投资组合。
客户服务：生成式AI工具建立了对话系统，并使用机器人顾问、聊天机器人和虚拟助手来协助财务规划。
其他应用：监管合规与报告、财务预测、投资组合优化、反洗钱和算法交易是一些受益极大的领域。需要注意的是，其中一些应用和工具同时利用了生成式和判别式AI模型。

医疗保健领域的应用 🏥

现在，让我们讨论生成式AI在医学和医疗保健研究、药物发现、诊断和患者护理方面的一些应用。

以下是生成式AI在医疗保健领域的主要应用：

医学影像分析：凭借其生成类似于患者数据的合成图像的能力，生成式模型提高了用于医学影像分析的深度学习模型的健壮性。这些模型可以为数据非常有限的罕见医疗状况合成数据。这有助于促进研究、训练AI模型并为罕见病例开发新的诊断工具。
药物发现：在药物发现中，这些模型通过生成新分子、加速药物发现过程并降低开发成本来提供帮助。
远程医疗：远程医疗和远程监控也受益于生成式AI驱动的对话工具。例如，Rasa可以与患者建立具备医学知识的对话，以提供即时医疗建议、健康相关支持和个性化治疗计划。
其他应用：该领域的其他应用包括电子健康记录管理、医疗保健欺诈检测以及医学模拟和培训。

人力资源领域的应用 👥

让我们看看生成式AI如何赋能人力资源部门，使其自动化重复性任务、提供有价值的见解并简化HR流程。

以下是生成式AI在人力资源领域的主要应用：

任务自动化：例如，Watson X Orchestrate帮助自动化HR任务，如创建职位需求、筛选和入围相关简历、安排面试、候选人入职等。
人才招聘：Talenteria专注于人才招聘。
员工互动：Leena AI使用对话式AI系统来自动化HR任务和员工互动。
绩效管理：McCormick专注于工作场所和绩效管理，自动生成绩效文档和评估。
其他应用：生成式AI在HR中的其他应用包括培训与发展、分析与决策制定，以及合规与政策实施。

对工作方式的广泛影响 🌐

虽然我们今天只讨论了几个领域，但生成式AI最终被认为会对所有行业产生重大影响。另一个产生重大影响的领域是我们的工作方式。

根据麦肯锡关于生成式AI经济潜力的报告，当前的生成式AI和其他技术有潜力自动化目前占用员工60%至70%时间的工作活动。到2030年至2060年间，当今一半的工作活动可能被自动化。生成式AI日益增长的理解自然语言的能力，最终将影响甚至通常与高等教育和习得技能相关的知识型工作。

总结 📝

本节课中我们一起学习了生成式AI在各个领域的流行应用。然而，重要的是要注意，生成式AI的潜在应用在所有行业和生活的各个方面几乎是无限的。

在IT与DevOps中，应用包括代码生成、代码审查、自动化测试、监控与异常检测、自动化文档以及持续集成与部署流程。
在娱乐领域，生成式AI通过生成各种合成内容以及翻译、本地化和个性化内容，提供了令人兴奋的可能性。
在教育领域，生成式AI改变了教育的覆盖范围和质量，影响着学习者、教育者和教育技术。
在金融领域，应用领域包括风险评估、信用评分、情绪分析、投资组合管理、合规、预测、培训和客户服务。
在医疗保健领域，我们看到应用包括医学研究、诊断、药物发现、医学培训和患者护理。
在HR领域，应用涉及人才招聘、员工互动、绩效管理、培训与发展、HR分析和政策实施。
在工作场所，生成式AI的应用正在改变我们的工作方式，使我们更高效、更成功。

010：文本生成工具 📝

在本节课中，我们将要学习生成式AI中的文本生成工具。我们将了解其核心原理、主流模型的能力，并通过具体工具来探索如何生成各种类型的文本。

概述

文本生成是生成式AI的核心能力之一。本节将介绍其基础——大语言模型，并探讨以ChatGPT和Bard为代表的主流文本生成工具的关键功能与特点。

大语言模型（LLMs）基础

生成式AI文本生成能力的核心是大语言模型。这些模型基于训练期间学习到的模式和结构进行工作。

大语言模型能够解读上下文、语法和语义，从而生成连贯且符合语境的文本。它们通过分析词语与短语之间的统计关系，来适应不同语境下的创意写作风格。

其核心关系可以概括为：
输入文本 (Prompt) → LLM (基于统计模式) → 输出文本 (Generated Text)

许多文本生成模型都基于大语言模型构建，例如生成式预训练变换模型和Pathways语言模型。这些模型已发展为多模态模型，提供多种能力。

主流文本生成工具

接下来，我们通过两个流行的工具——ChatGPT和Bard，来了解这些模型的具体能力。

ChatGPT：基于GPT模型的对话引擎

ChatGPT基于GPT大语言模型，并采用了先进的自然语言处理技术。最初，ChatGPT仅接受文本提示来生成新内容；而在新版本中，它已能同时接受图像和文本输入。

ChatGPT为文本生成提供了多样化的能力，尤其擅长进行流畅且基于上下文的对话。

以下是ChatGPT的一些核心应用示例：

进行对话式学习：你可以像与人交谈一样，通过连续提问来深入学习一个概念。
- 例如，输入提示：“我听说过生成式AI，想了解更多。” ChatGPT会提供一些基本信息。
- 接着，你可以基于上下文进一步提问来细化研究，例如：“我如何利用生成式AI来提升我的讲故事技巧？” ChatGPT会根据你提供的上下文和问题给出相应回答。
协助创意任务：它可以帮助你完成各种创造性工作。
- 例如，输入提示：“帮我创建一个演示学习平台功能的幻灯片。” ChatGPT会为特定幻灯片提供标题、内容和视觉元素的建议。
多语言支持：虽然ChatGPT最精通英语，但它也能理解并响应多种其他语言。
- 例如，提示它“用法语和西班牙语写‘你好’”，它就能生成所需的输出。这使得它成为学习新语言或任何科目的有用工具。

Google Bard：基于PaLM模型的网络研究助手

另一个流行的文本生成工具是Google Bard。它基于谷歌的先进语言模型PaLM。

PaLM是Transformer模型与谷歌Pathways AI平台的结合体。Pathways AI基于专门的“路径”模块，每个模块负责特定任务，如自然语言处理或机器翻译。除了庞大的文本和代码训练数据集，Bard还能从互联网上的资源中提取信息来响应提示。

你可以尝试不同的提示来探索Bard的能力：

获取信息摘要：尝试使用提示来获取某个主题的最新新闻摘要。
- 例如：“提供关于乌克兰战争的最新新闻摘要。”它会为你提供多个回复草稿，你可以选择其中一个或重新生成。
生成创意或解决问题：尝试让它为某个问题提供策略。
- 例如，提示它：“为推广一个时尚品牌提供一个数字营销活动策略。”它会提供一个分步进行的营销活动方法。

工具对比与更多用例

与ChatGPT和Bard交互后，你会发现它们各有侧重：

ChatGPT 在生成动态响应和维持对话流方面更有效。
Bard 在研究某个主题的最新新闻或信息方面可能是更好的选择，因为它能通过谷歌搜索和谷歌学术访问网络资源。

需要认识到，包括GPT和PaLM在内的生成式AI模型仍在不断进化，其能力和特性可能会发生变化。

除了ChatGPT和Bard，它们还能胜任许多其他有价值的任务：

数学与问题解决：它们可以帮助你处理基础数学、统计和通过这些学科解决问题。
金融分析：它们也精通金融分析、投资研究、预算制定等。
代码生成：ChatGPT和Bard可以生成代码，并跨各种编程语言和框架执行与代码相关的任务。

其他文本生成工具简介

市场上还存在许多其他文本生成工具，它们各有专长：

Jasper：生成任何长度的高质量营销内容，并能贴合品牌声音。
Writesonic：为不同类型的文本（如文章、博客、广告和营销文案）提供特定模板。
Copy.ai：擅长为社交媒体、营销和产品描述创建内容。

此外，还有一些针对特定用例的工具：

摘要工具（如Resoomer）：通过提取关键思想或概念来生成文本摘要。
分类工具（如YouClassifer）：用于为一段文本分配一个或多个类别。
情感分析工具（如Brand24）：生成能反映人类语言中所表达的基础情感的文本。
多语言翻译工具：例如Language Weaver和Yandex Translate。

隐私考量与开源替代方案

需要注意的是，许多开源的生成式AI工具会收集并审查与其共享的数据，以改进其系统。在与这些工具交互时，这是一个重要的考虑因素，应避免分享任何机密或敏感信息。

那么，我们是否有保护隐私的开源替代方案呢？答案是肯定的。

例如：

GPT4All：可以安装在你的机器上，作为具有隐私意识的聊天机器人运行，无需互联网或图形处理单元。
H2O AI 和 PrivateGPT：这类聊天机器人旨在通过在没有互联网连接的情况下在本地机器上运行，利用大语言模型的能力来保护用户隐私。

不仅如此，你还可以通过将这些工具链接到你组织的文档和数据库，来为特定组织内部使用进行定制。

文本生成工具的优势总结

基于生成式AI的文本生成工具提供了诸多好处：

优秀的学习助手：它们能提供分步解释。
提升效率：能快速生成不同形式的文本，为作者和创作者带来效率。
激发创造力：它们能增强创造力并激发新想法。
充当虚拟助手：通过实现引人入胜的交互式对话，它们可用作虚拟助理和聊天机器人。
提高生产力：通过自动化重复性写作任务，可以提高组织的生产力。
支持全球化：借助多语言支持，它们能够为全球受众实现沟通和内容本地化。

课程总结

本节课中，我们一起学习了文本生成工具的核心知识。

我们了解到，大语言模型通过解读上下文、语法和语义来生成连贯且符合语境的文本，它们是许多生成模型的基础。两个流行的生成工具是OpenAI的ChatGPT（基于GPT模型）和Google的Bard（基于PaLM模型）。ChatGPT和Bard都能生成不同类型的文本、翻译语言，并以交互式和信息丰富的方式回答你的问题。

我们还讨论了一些其他工具，包括Jasper、Copy.ai、Writesonic。在隐私保护方面，开源的文本生成器包括GPT4All、H2O AI和PrivateGPT。

011：图像生成工具 🖼️

在本节课中，我们将学习生成式AI在图像生成方面的基本能力，并介绍几种常见的图像生成模型与工具的核心功能。通过学习，你将能够描述这些模型如何工作，并了解如何利用它们来创建和修改图像。

概述

生成式AI图像生成模型能够根据文本描述创建全新的图像，并能对真实或生成的图像进行定制化修改，以获得期望的输出。例如，你可以生成一个“小女孩手拿一本书”的图像，随后还可以将书中封面的颜色进行更改。

上一节我们介绍了生成式AI的基本概念，本节中我们来看看它在图像生成领域的具体应用和工具。

图像生成的基本流程

让我们通过一个免费的AI图像生成工具来实际生成一张新图像。你需要输入一段描述你想要的图像的文本提示词。

例如，你可以输入以下提示词：“夕阳下，一艘小船在平静的湖面上航行，周围是郁郁葱葱的绿树和宁静的天空。”

提示词的质量直接决定了生成图像的准确性与质量。

选择好风格后，即可生成图像。工具通常会生成多张图像供你选择下载，你也可以通过修改提示词来生成其他图像。

图像生成模型的进阶能力

除了基础的文生图，图像生成模型还具备更多高级功能。

图像到图像转换

图像到图像转换指的是将一个领域的图像转换到另一个领域，同时保留原始图像的内容和风格。

以下是其常见应用场景：

将草图转换为逼真的图像。
将卫星图像转换为地图。
提升安防摄像头图像的分辨率与细节。
应用于医学影像增强。

风格迁移与融合

风格迁移与融合涉及提取一张图像的风格，并将其应用到另一张图像上，从而创建混合或融合图像。

例如，将一幅绘画作品的风格应用到一张照片上。

图像修复

图像修复指的是重建图像中缺失或损坏的部分，使其变得完整。

这项技术可用于：

艺术品修复。
法证分析。
移除图像中不需要的物体，同时保持画面的连续性和上下文。
在增强现实中，将虚拟物体无缝融合到真实场景中。

图像扩展

图像扩展是指通过生成与原始图像连贯的新部分来扩展原始图像。

这可以用于：

生成更大尺寸的图像。
提升图像分辨率。
创建全景视图。

核心图像生成模型

生成模型和工具的图像生成与修改能力，随着其底层模型的进化而不断发展。

DALL·E 🎨

OpenAI的DALL·E基于在大型图像及其文本描述数据集上训练的GPT模型。DALL·E能够生成多种风格的高分辨率图像，包括逼真的照片和绘画。其新版模型提供了生成多种图像变体，以及通过图像修复和扩展进行图像转换的能力。

Stable Diffusion 🌪️

Stable Diffusion是一个开源的文生图扩散模型。扩散模型是一种能够创建高分辨率图像的生成模型。Stable Diffusion主要用于基于文本提示生成图像，但也可用于图像到图像转换、修复和扩展。

其核心过程可以简化为一个逐步去噪的公式：x_{t-1} = f(x_t, prompt)，其中模型根据提示词，一步步将随机噪声 x_T 转化为目标图像 x_0。

StyleGAN 🎭

StyleGAN模型将图像内容和图像风格的建模分离开，从而能够精确控制风格，并操纵特定特征（如姿势或面部表情）。StyleGAN已进化到能够生成具有更逼真细节的高分辨率图像。

常用图像生成工具

你可以使用一些免费工具来探索生成式AI的文生图能力。

以下是几款流行的免费在线工具：

Craiyon：能够生成不同形式和风格的图像。
FreePik：提供多种预训练风格，允许你创建自定义风格。
Pixlr：一款在线图像编辑器，集成了AI生成功能。

风格化与社区平台

除了基础生成，还有一些专注于特定领域的工具。

DeepArt.io 是一个在线平台，可以将照片转化为不同艺术风格的作品。

MidJourney 是一个平台，它构建了一个图像生成社区，帮助艺术家和设计师使用AI创作图像，并探索彼此的作品。

API集成

许多生成式AI图像生成器也提供应用程序接口，允许将它们的功能嵌入到不同的软件程序和工具中。

一些提供API的流行图像生成器包括：

DALL·E
MidJourney
Craiyon

科技巨头的入场

微软和Adobe等科技巨头也已进入AI图像生成器领域。

微软 Bing Image Creator 🖥️

微软Bing图像生成器基于DALL·E模型。你可以通过访问Bing.com/create或通过Microsoft Edge浏览器来使用该工具。这使得Microsoft Edge成为首个集成AI图像生成器的浏览器。

Adobe Firefly 🔥

Adobe Firefly是专为与Adobe创意云应用程序（如Photoshop和Illustrator）集成而设计的一系列生成式AI工具。Firefly使用Adobe Stock图片、开放许可内容和公共领域内容进行训练。

Firefly支持超过100种语言的文本提示，并包含多种工具，允许你操控颜色、色调、光照、构图，以及进行生成式填充、文本效果、生成式重新着色、3D转图像和图像扩展等操作。

总结

本节课中我们一起学习了生成式AI在图像生成领域的应用。我们了解到，基于生成式AI的模型和工具可以通过文本或图像提示来生成新图像，并提供图像到图像转换、风格迁移、图像修复和扩展等能力。几种重要的图像生成模型包括DALL·E、Stable Diffusion和StyleGAN。市场上有多种图像生成工具可供选择，它们提供了多样化的图像生成和转换功能。部分图像生成器还能以API形式集成。此外，我们还了解到Adobe Firefly这类专为与创意软件深度集成而设计的生成式AI工具套件。

012：音视频生成工具 🎵🎬

在本节课中，我们将学习生成式AI在音频和视频创作领域的应用。你将了解这些工具如何生成富有影响力的媒体内容，掌握其主要功能，并探索生成式AI重塑虚拟世界的能力。

音频生成工具

上一节我们介绍了生成式AI的概况，本节中我们来看看它在音频生成方面的具体应用。生成式AI音频工具能够帮助公司和个人，无论其经验如何，简化流程，将复杂的创意变为现实。

以下是生成式AI音频工具的三个主要类别：

语音生成工具：这类工具主要是文本转语音工具，能将文本转换为音频。虽然朗读技术并非全新，但生成式AI架构升级了其工作方式。深度学习算法在大量人类语音数据集上反复训练，使其能够分解并高效复制发音、语速、情感和语调等声音特征。因此，生成式AI文本转语音工具能创造出更准确、更自然的语音。
音乐创作工具：这些工具允许你从广泛的音乐库中选择不同的音乐流派、乐器风格和旋律。你只需输入基于需求的文本提示，工具便能创作简短的旋律或即兴重复段、建议或添加乐器、创作新歌曲，或为你的视频制作配乐。
音频增强工具：这类工具经过预训练，能够识别特定声音，可以为你的音频添加有趣的声音效果，或去除不需要的噪音。例如，它们可以帮助去除背景噪音、增强低质量录音，并添加所需的音效。

许多音乐生成工具也具备音频编辑和增强功能。

视频生成工具

了解了音频工具后，我们转向视频生成。有些项目需要的不仅仅是精选的音效。生成式AI视频工具可以在日常生活中使用。

以下是使用生成式AI视频工具的几种方式：

你可以使用工具将现有视频片段转换为不同风格。
你可以使用文本、图像或视频输入来创建视频。
你可以上传照片，如果没有照片，可以使用文本提示生成所需图像。
你可以录制旁白、增强音频、转换视频文件格式并发布视频。
你甚至可以创建自定义虚拟形象以增强品牌辨识度。

虚拟世界增强

生成式AI不仅能创作音视频，还能增强你的虚拟世界体验。你可以创建具有混合特征和异域风情的独特虚拟世界。

以下是生成式AI在虚拟世界中的应用：

生成个性化体验：元宇宙平台利用生成式AI创造更个性化、更具吸引力的用户体验。
快速生成3D内容：游戏元宇宙允许你快速生成3D对象，甚至创建具有特定个性特征的虚拟形象，这些特征会体现在其表情、行为和决策中。
构建与连接：例如，有些平台是一个元宇宙，用户可以在其中即时构建、拥有并向全球推广他们的游戏。另一些工具则帮助创建和连接定制的移动游戏资产。

总结

本节课中，我们一起学习了生成式AI音视频工具如何产生影响。通过简单的文本提示，你可以生成多种语言的人声语音、录制歌曲、添加音效或去除噪音。你还可以制作视频和动画，构建增强版的和充满异域风情的虚拟世界。

013：代码生成工具 🛠️

在本节课中，我们将学习生成式AI在代码生成方面的基本能力，探讨相关工具的优势与局限，并介绍几种常见的代码生成模型和工具。

概述

生成式AI模型和工具能够基于自然语言输入生成代码。它们基于深度学习和自然语言处理技术，理解上下文并生成符合语境的代码。这些工具不仅能生成新代码片段，还能优化现有代码、进行跨语言转换，并协助调试和文档编写。

代码生成的核心能力

以下是生成式AI代码工具的主要功能：

生成新代码：根据文本提示生成全新的代码片段或程序。
代码补全：预测并补全部分编写的代码片段。
代码优化：生成现有代码的优化版本。
代码转换：将代码从一种编程语言转换为另一种。
生成文档：为代码生成摘要和注释，以改进文档。
提供解决方案：描述待解决的问题，工具会推荐算法、数据结构和合适的编程方法。

通用文本模型的代码生成能力

上一节我们介绍了代码生成的基本功能，本节中我们来看看像GPT这样的通用文本模型在代码生成方面的表现。

OpenAI的GPT模型在类人文本生成方面表现出色，在代码创建方面也展示了令人印象深刻的能力。

例如，通过基于GPT的ChatGPT工具生成简单的Python代码。当你输入提示：“写一段Python代码来生成问候某人的消息”，ChatGPT会生成相应的代码。有趣的是，它还会提供如何运行这段代码的指导。

重要提示：为了生成有效的代码，你需要提供清晰的提示，指定编程语言，并说明其他相关的要求和约束。

为了演示GPT如何帮助调试代码，可以在ChatGPT中输入错误的代码作为文本提示。ChatGPT会提供正确的代码，并解释所做的修正。

GPT还能够将代码从一种编程语言翻译到另一种，并生成代码文档和注释以提高可读性。

基于GPT的模型和工具已经发展到能够生成更长、更准确的代码。这使得开发者可以利用这些模型和工具来开发应用程序、网站和插件。此外，GPT的演进使其能够根据图像生成代码。例如，你可以输入课程大纲的图片，来生成一个功能完整的应用程序代码。

Google的Gemini也提供了代码生成和调试功能，支持超过20种编程语言。

ChatGPT和Gemini是学习新编程语言的宝贵工具，因为它们能提供逐步的详细解释以帮助理解。它们擅长生成具有基本逻辑和编程概念的代码。然而，它们可能无法从头开始生成大型或复杂的代码。虽然这些工具理解编程概念和语法，但可能无法完全理解语义。因此，生成的代码可能在技术上是准确的，但仍可能无法按预期运行。

需要注意：这些模型的知识受限于其训练数据。特定版本的GPT可能不了解其训练后发布的编程框架和库。例如，GPT-3.5的知识截止日期是2021年9月。因此，如果你需要生成更新版本的代码，可以考虑使用专门为代码生成设计的模型和工具。

专用代码生成工具

了解了通用模型的局限性后，我们来看看一些专门为代码生成设计的工具。

GitHub Copilot 🤖

GitHub Copilot是一个AI代码生成器，可以根据多种编程语言和框架生成代码。它由OpenAI Codex驱动，Codex是一个生成式预训练语言模型，帮助开发者生成基于解决方案的代码。Copilot在自然语言文本和公开来源（包括GitHub仓库）的源代码上进行训练。它可以作为扩展集成到流行的代码编辑器（如Visual Studio）中，并能生成遵循最佳实践和行业标准的代码片段。

Polycoder 💻

Polycoder是一个开源的AI代码生成器。它基于GPT模型，并在用12种编程语言编写的各种GitHub仓库数据上进行了训练。它在编写C语言代码方面特别准确。Polycoder提供了一个广泛的预定义模板库，可作为各种用例代码生成的蓝图。它可以帮助创建、审查和精确定制符合要求的代码片段。

IBM Watson Code Assistant ☁️

不同的代码生成器提供特定的功能和特性。然而，当需求是让混合云开发者编写满足多样化需求的代码时，IBM Watson Code Assistant是一个选择。它建立在IBM watsonx.ai的基础模型之上，适用于任何技能水平的开发者。

你可以将Watson Code Assistant与代码编辑器集成。它使开发者能够通过实时推荐、自动补全功能和代码重构辅助，准确高效地编写代码。此外，你可以将代码或项目文件输入Watson Code Assistant进行分析。它会识别模式、提出改进建议并生成代码片段或模板。开发者可以为特定项目需求定制生成的代码。

其他工具与优势

除了上述工具，还有许多其他AI驱动的代码生成器和代码助手工具可以帮助开发者更快地编写准确代码。

Amazon CodeWhisperer：可以集成到代码编辑器中，提供实时代码推荐。
Tabnine：有助于实现准确的代码补全。
Replit：一个为用户提供编码、学习和协作的交互式空间的平台。

优势与注意事项

具有自动代码编写和优化功能的基于AI的代码生成器，帮助开发者提高了生产力和代码质量。它们支持快速原型设计以迭代设计想法。这些工具还通过支持多语言代码翻译，有助于实现跨平台兼容性和迁移。基于AI的代码生成器遵循一致的模式和编码标准，可以建议重构模式以遵循最佳实践。

然而，使用这些工具时需要谨慎，以确保AI生成的代码不会导致伦理问题，例如安全漏洞，因为这些工具可能被用于生成恶意代码，或者其训练数据可能存在偏见。

总结

本节课中，我们一起学习了基于生成式AI的模型和工具可以根据文本和图像提示生成新代码、优化现有代码并生成基于解决方案的代码。ChatGPT和Gemini适用于简单的代码生成、调试和学习编程。而GitHub Copilot、Polycoder和IBM Watson Code Assistant等主流代码生成器则提供了实时推荐、代码重构和解决方案模板等多样化功能。总体而言，代码生成器提高了生产力，加速了开发周期，促进了编码最佳实践，并培养了统一的编码标准。

014：生成式AI工具的有效运用 🧠

在本节课中，我们将学习AI专家们分享的使用生成式AI工具（如文本、图像和代码生成工具）的个人经验，并探讨这些工具的优势与挑战。

专家经验分享 🗣️

上一节我们介绍了课程背景，本节中我们来听听AI专业人士的实际使用体验。

一位专家分享道，他尝试了多种生成式AI工具，涵盖文本、代码、图像、视频、音乐和3D文件生成等领域。他明确指出，就首次尝试即能获得满意结果而言，文本生成和代码生成是目前表现最好的领域。这不仅因为这些模型感觉上经过了更多优化，也因为市面上有更多关于如何设计提示词（prompt） 以获得优质输出的指导。

工具选择与模型多样性 🛠️

没有哪个单一的大型语言模型能够应对所有生成式AI用例。因此，针对任何特定任务，都可以考虑并使用多种大型语言模型。这些模型或由开源社区提供，或由具备训练能力的组织发布。此外，还存在微调（fine-tuning） 的概念，这意味着你可以考虑使用一个大型语言模型，并针对你的数据或客户数据进行微调，而无需巨大的计算资源或海量数据。

以下是不同生成任务的主流工具选择：

文本生成：基于GPT-3的ChatGPT模型和Google Bard是非常流行的平台，它们也具备代码生成能力。然而，在代码生成方面，GitHub Copilot表现更佳。其他常用工具还包括Copilot AI、Jasper、Phrasee IO和MS Copilot。

图像生成：视觉领域可分为图像生成、视频生成和设计生成三类。对于图像生成，DALL-E是最受欢迎的工具之一。从平台角度看，Midjourney也非常流行。值得注意的是，DALL-E可以与ChatGPT结合使用，且ChatGPT的高级版本正逐步集成DALL-E功能。

代码生成：除了上述提到的ChatGPT和GitHub Copilot，专门用于此用例的大型语言模型还包括Microsoft Copilot、IBM Watson Code Assistant、Ponicoder和OpenAI Codex。

这些是流行的选择，对于创建你所需的任何材料（特别是文本）来说，它们已经足够好。

优势与挑战 ⚖️

接下来，让我们探讨使用生成式AI工具的几点好处与挑战。

优势在于它们可以帮助你创建一个良好的基线，用于开发你的内容。当然，你不能完全依赖这些技术，因为所有生成的内容都存在局限性。

挑战则体现在更小众的领域，尤其是音乐或3D文件/模型生成。在这些领域，通常更难获得你想要的结果，生成过程耗时更长，并且目前需要更多的试错。专家明确预见，未来情况会变得更简单、更好，并且更重要的是走向多模态（multimodal），即通过单一界面无缝处理所有不同类型的生成任务。但就目前而言，他建议尽可能尝试所有工具，即使你现在不感兴趣，因为未来它们可能会变得非常有用。

总结 📝

本节课中，我们一起学习了AI专家使用各类生成式AI工具（文本、图像、代码）的实践经验，了解了针对不同任务应如何选择工具和模型，并分析了当前使用这些工具的优势与面临的挑战。关键要点是：文本和代码生成相对成熟，需善用提示词技巧；没有万能模型，可根据任务选择或微调；面对新兴领域需保持耐心并积极尝试。

015：跨领域生成式AI应用探索 🧠

在本节课中，我们将聆听专家们的见解，共同探索生成式AI在不同行业领域的潜在应用。我们将看到，这项技术远不止于文本生成，它正在深刻改变教育、金融、医疗等多个关键领域的工作方式。

概述：无处不在的生成式AI

生成式AI几乎在每一个行业都拥有潜在的应用前景。为了深入理解，我们将跟随专家的视角，聚焦几个特定领域进行探讨。

教育领域的应用 🎓

上一节我们提到了生成式AI的广泛潜力，本节中我们来看看它在教育领域的具体实践。

在Skill Network，我们已经开始在多个环节实施生成式AI。我们不仅开发了能够自动批改作业和测验的工具，更重要的是，它能在学习者答错时提供反馈。借助生成式AI，这几乎可以零成本实现。我们只需设计一个提示词，例如：“请根据以下评分标准批改此作业，如有错误，请生成一段文字帮助学习者从错误中学习。”

此外，我们还有一个名为“TI”的个人导师，它是一位AI助教，可以解答你遇到的几乎所有问题。例如，当你在实验中卡住、不知如何继续，或遇到错误信息时，只需将错误信息交给TI，它就会帮助你解决问题——无论是定位代码中的错误，还是提供修复思路。这创造了一种双向互动模式，让你能即时提问并获得帮助，无需在留言板上等待数天或数周。

更重要的是，有了这位全程陪伴的个人导师，你能够随时获得作业的批改和反馈。这对我们而言非常实用，因为有些课程拥有成千上万甚至更多的学习者，仅凭有限数量的讲师和助教，根本不可能批改如此多的作业。生成式AI有效地填补了这一空白。

以下是生成式AI在教育中的核心应用方式：

自动评分与反馈：使用提示词工程，让AI根据评分标准批改作业并提供个性化学习建议。
个人AI助教：构建一个能够实时回答技术问题、调试代码的对话式助手。
规模化教学支持：解决大规模在线课程中师资不足的问题，为每位学习者提供即时支持。

金融领域的变革 💹

了解了教育领域的创新后，我们转向金融世界，看看生成式AI如何改变游戏规则。

生成式AI正在改变金融世界。首先，它像一名侦探，能够识别交易中的可疑活动以防止欺诈。其次，它通过分析海量市场运作数据，帮助交易员做出更明智的决策。此外，它还驱动着你在网上看到的那些友好的聊天机器人，帮助客户处理咨询和交易。

像摩根大通和高盛这样的大型机构已经在使用生成式AI。摩根大通的“COIN”系统用于快速理解法律文件，节省了时间和金钱。高盛则用它来预测市场走势，为交易员提供优势。因此，生成式AI正在变革金融业，而这仅仅是个开始。准备好迎接未来吧，届时你的资金将更安全、投资更智能、银行体验比以往任何时候都更顺畅。

以下是生成式AI在金融领域的核心应用：

欺诈检测：分析交易模式，实时识别异常和潜在欺诈行为。
市场分析与预测：处理大量非结构化数据，生成市场洞察和预测报告。
智能客服与自动化：通过聊天机器人处理客户查询、账户管理甚至部分交易流程。
文档智能处理：快速解析、总结复杂的法律与合规文件。

医疗与生命科学的突破 🏥

看过了金融领域的效率提升，我们进入关乎人类健康的医疗领域，探索生成式AI如何推动生命科学的前沿研究。

生成式AI在医疗领域具有变革性潜力。课程中描述的一些应用包括但不限于IT与开发运维、医疗保健、工业、金融、人力资源、营销和娱乐。

具体到医疗健康行业，生成式AI带来了诸多进步，例如医学影像生成。通过创建合成影像数据，它使我们能够构建、训练和验证更强大的、用于医学影像的机器学习模型。它还能帮助药物发现。在制药行业，生成式AI一个流行的应用方向是生成个性化医疗方案。它被用于创建氨基酸序列、蛋白质模式和基因组模式，特别是利用这些信息为相关症状制定个性化医疗方案。其核心概念是，利用可用数据和信息创造更好、前所未有的模式，这一点因生成式AI而变得更容易。

生成式AI在健康领域具有变革潜力，它通过生成具有所需特性的分子结构来辅助药物发现，显著加快了研究进程。

以下是两个成功的项目案例：

DeepMind的AlphaFold：该项目使我们能够根据氨基酸序列预测蛋白质的3D结构。
AI赋能影像分析：利用生成对抗网络（GANs）生成合成数据，并用这些生成的图像构建更强大的卷积神经网络，从而更准确地检测乳腺癌，帮助诊断过程并造福患者。

此外，Insilico Medicine公司利用生成式AI识别新的候选药物，加速了早期发现阶段。同时，它通过增强图像分辨率和检测异常来辅助医学影像分析，从而提高诊断准确性。另一个值得注意的项目是英伟达与伦敦国王学院的合作，他们使用AI模型创建合成脑部MRI扫描图像，用于培训放射科医生，且无需担心隐私问题。

以下是生成式AI在医疗领域的核心应用与公式表示：

医学影像增强与生成：使用GANs等模型生成合成数据以扩充数据集。
- 核心概念公式：GAN = Generator（生成器） + Discriminator（判别器），两者在对抗中学习，最终生成器能产生以假乱真的数据。
药物发现与分子设计：生成具有特定属性（如药效、低毒性）的新分子结构。
个性化医疗：分析患者基因组、蛋白质组等数据，生成定制化的治疗或健康管理方案。
辅助诊断：通过图像分析模型（如CNN）检测医学影像中的病变。
- 代码概念：预测结果 = CNN_模型(输入影像)，模型通过训练学习从影像中提取特征并做出分类。

总结

本节课中，我们一起学习了生成式AI在多个核心领域的跨界应用。我们看到：

在教育领域，它化身个人导师和自动评分系统，实现个性化、规模化的学习支持。
在金融领域，它作为分析引擎和自动化工具，提升风控、交易和客服的效率和智能。
在医疗领域，它成为科研加速器，在医学影像分析、新药研发和个性化医疗方面展现出巨大潜力。

这些案例表明，生成式AI的核心价值在于其创造（生成新内容、新方案） 和增强（提升效率、精度、体验） 的能力。它并非遥不可及的未来科技，而是正在各行各业落地生根，解决实际问题的强大工具。理解这些应用场景，将帮助我们更好地把握技术趋势，思考其在自身领域的可能性。

016：生成式AI与代理型AI对比 🤖

在本节课中，我们将要学习生成式人工智能与代理型人工智能之间的核心区别。我们将探讨它们各自的工作原理、典型应用场景，以及它们如何共同构建更强大的智能系统。

概述

生成式AI与代理型AI是人工智能的两种不同实现方式。生成式AI是我们熟悉的聊天机器人、图像生成器等，其本质是反应式系统。代理型AI则不同，它是主动式系统。两者虽然功能不同，但常常共享大型语言模型这一共同基础。

生成式AI：反应式的内容生成器 🎨

上一节我们介绍了两种AI的基本概念，本节中我们来看看生成式AI的具体特点。

生成式AI系统本质上是反应式的。它们等待用户执行特定操作，即等待用户输入提示。一旦收到提示，它们的任务就是基于提示内容生成某种形式的内容。它们利用在训练中学到的模式进行生成。

以下是生成式AI可以生成的内容类型：

文本
图像
代码
音频

生成式AI本质上是复杂的模式匹配机器。它们从海量数据集中学习了单词之间、像素之间、声波之间的统计关系。因此，当你提供一个提示时，生成式AI会根据其训练来预测接下来应该出现的内容。但其工作止步于生成内容。没有你的进一步输入，它不会采取额外步骤。

代理型AI：主动的目标追求者 🚀

与生成式AI不同，代理型AI系统不是反应式的，它们是主动式系统。

和生成式AI一样，代理型AI通常也始于用户提示。但这个提示随后被用来通过一系列行动来追求目标。代理系统基本上会经历一个生命周期。

以下是代理型AI工作周期的步骤：

感知：感知其环境。
决策：决定要采取的行动。
执行：执行所决定的行动。
学习：从行动输出中学习，然后循环往复，整个过程只需最少的人力干预。

共同的基础：大型语言模型 (LLM) 🧠

这两种AI方法通常共享一个共同的基础，即大型语言模型。

LLM是聊天机器人的核心支柱。虽然图像和音频生成通常使用扩散模型等其他工具，但聊天机器人使用的是LLM。同时，LLM也为代理系统提供了推理引擎的动力。

在深入探讨之前，我们先看看一些现实世界的应用案例。

现实应用与用例对比 🔍

也许这不能给我带来最好的形象，但我想我不是唯一一个使用生成式AI来协助内容创作任务的人，尤其是创意内容创作。

例如，一个视频博主可能使用生成式AI系统来审阅脚本、建议缩略图概念，甚至生成背景音乐。但在每一步中，都存在一个人类创作者。人类创作者审视生成的内容，审核它，检查是否符合要求，并对其进行优化。人类导演着整个过程：AI生成可能性，而人类对其进行筛选。

代理型AI则在需要持续管理和包含多步骤流程的场景中表现出色。考虑一个个人购物代理：给定一个要购买的产品作为输入，它会主动在各个平台上搜寻库存，监控价格波动，处理结账流程，甚至协调送货。它自主运行，仅在需要时才向你寻求输入。

代理的思维：思维链推理 ⚙️

它是如何做到这一点的？事实证明，支撑许多生成式AI的LLM，也可以用来为AI代理提供推理能力。

本质上，我们在这里利用了生成式AI“思考”问题的能力，这有一个名称，叫做思维链推理。这正是LLM非常擅长的。这是一个代理将复杂任务分解为更小逻辑步骤的过程，类似于人类解决难题的方式。

想象一下，我们想要一个代理来规划组织会议这样的复杂任务。它会使用生成式AI生成内部对话。对话可能是这样的：首先，我需要了解会议的需求、规模、会期、预算等。然后，我应该研究符合这些参数的可用场地。接着，对于符合要求的场地，我需要检查其可用性等等。这实际上是代理在采取行动前，通过自我对话来探索问题空间。生成式AI基本上是驱动代理决策的认知引擎。

展望未来：智能协作 🤝

展望未来，最强大的AI系统可能既不是纯粹的生成式，也不是纯粹的代理型。它们将成为智能协作者，能够理解何时通过生成来探索选项，何时通过代理行动来执行行动方案。

就像一个知道何时生成同人小说下一章的代理，以便在我完成视频拍摄后（或者也许现在）就能准备好。

总结

本节课中我们一起学习了生成式AI与代理型AI的核心区别。生成式AI是反应式的内容生成工具，擅长基于提示创造文本、图像等内容。代理型AI是主动式的系统，能够感知、决策、执行并学习，以自主完成多步骤目标。两者常以大型语言模型为基础，未来趋势是融合两者优势，形成能理解场景并智能协作的AI系统。

生成式AI用于人力资源：P17：课程介绍2 🎯

在本节课中，我们将学习提示工程的基础知识，了解其核心概念、课程目标以及你将掌握的具体技能。

专家知道所有答案，前提是你提出了正确的问题。有趣的是，这正是我们为生成式AI模型设计提示词所遵循的原则。我们使用提示词来查询和提问AI应用，例如聊天机器人、图像、音频或视频生成工具，甚至虚拟世界。提示词能够优化生成式AI模型的响应。其力量在于你所提出的问题。了解如何编写有效且直接的提示词，将使你能够生成更精确、更相关的内容。

现在，一个很好的问题是：完成本课程后，我能做什么？

本课程面向所有初学者，无论是专业人士、爱好者、从业者还是学生，只要对学习如何编写有效提示词抱有真诚的兴趣。这是一门面向所有人的课程，无论你的背景或经验如何。

在本课程结束时，你将能够：

解释提示工程和生成式AI模型的概念及其相关性。
应用创建提示词的最佳实践。
评估常用的提示工程工具。
应用常见的提示工程技术和方法来编写有效的提示词。

这是一门精炼的课程，包含三个模块，每个模块需要一到两个小时完成。

上一节我们介绍了课程的整体目标，本节中我们来看看课程的具体结构安排。

以下是本课程三个模块的详细内容：

模块1：你将学习提示工程的概念，从如何定义提示词及其构成要素开始。你将学习应用编写有效提示词的最佳实践，并评估常见的提示工程工具，例如IBM Watson X Prompt Lab、Spellbook和Dust。
模块2：你将研究各种提示工程方法，如面试模式、思维链和思维树。你将发现巧妙设计提示词的技术，例如零样本和少样本，以产生精确且相关的响应。
模块3：邀请你参与一个最终项目，并提供一个分级测验来测试你对课程概念的理解。

你还可以访问课程术语表，并获得关于后续学习步骤的指导。

本课程融合了概念讲解视频和辅助阅读材料。观看所有视频以充分掌握学习材料的潜力。你将通过实践实验室和一个最终项目来享受动手操作的乐趣，该项目演示了如何在IBM生成式AI教室中通过创建有效的提示词来优化结果。

课程包含练习测验，帮助你巩固学习。课程结束时，你还需要完成一个分级测验。课程还提供了讨论论坛，以便与课程工作人员联系并与同伴互动。

最有趣的是，通过专家观点视频，你将听到经验丰富的从业者分享他们对提示工程中使用的工具、方法以及编写有效提示词的艺术的见解。

你准备好学习关于编写提示词的一切，以释放生成式AI的全部潜力了吗？让我们开始吧。

本节课中，我们一起学习了本课程的核心目标、你将获得的能力以及详细的课程模块安排。我们了解到，掌握提示工程是有效利用生成式AI的关键，而本课程将通过理论、实践和专家见解，引导你从入门到应用。

018：1_提示词的定义

在本节课中，我们将要学习什么是提示词。通过本节内容，你将能够定义提示词及其构成要素，并解释编写有效提示词对于引导生成式AI模型产生预期结果的重要性。

什么是提示词？🤔

生成式AI模型的一项显著能力是其输出与人类创作的内容高度相似：相关、有语境、富有想象力、细致入微且语言准确。而生成这种输出的关键因素之一就是提示词。

那么，什么是提示词？提示词是你提供给生成式模型的任何输入，用以产生期望的输出。你可以将其视为你给模型的指令。

例如：

写一小段文字描述你最喜欢的度假胜地。
编写HTML代码，为在线表单生成一个城市下拉选择框。

这些都是用于产生特定输出的直接提示词。提示词也可以是一系列指令，用于逐步优化输出以达到预期结果。

例如：

写一个关于火星上学习生活的短篇故事。
他在研究期间面临了哪些挑战？

从这些例子可以看出，提示词包含问题、上下文文本、引导模式或示例，以及基于这些以自然语言形式提交的请求而提供给模型的部分输入。生成式AI模型收集信息、进行推断并提供创造性的解决方案。这些指令帮助模型基于提供的输入，产生相关且合乎逻辑的回应或输出。

从“朴素提示”到“有效提示”🛠️

让我们看更多例子来更好地理解这一点。

假设你想让模型写一个关于农民在10年内成为成功商人的奋斗与成就的短篇故事。如果你的提示词是“一个小镇富人的故事。他的奋斗与成就。”，模型会产生一个通用的输出，这就是我们所说的朴素提示。它意味着以最简单的方式向模型提问。

为了向模型准确传达你的意图，你可以进行简单的调整，从而显著改善结果。你的提示词需要有上下文、恰当的结构并且易于理解。

因此，你可以将提示词重写为：
写一个关于农民在10年内成为富有且有影响力的商人的奋斗与成就的短篇故事。

再看另一个例子，你想让模型生成你想象中的日落风景图像。将提示词写为“山间的日落图像”可能无法给出你想要的输出。这个提示词过于简短，缺乏对你脑海中图像的详细描述。

你可以将提示词重写为：
生成一幅描绘宁静日落的图像，场景是坐落在群山之间的河谷。

有效提示词的构成要素🧱

为了掌握编写有效提示词的艺术，让我们逐一理解一个结构良好的提示词的构成要素。

以下是构建有效提示词的四个关键部分：

指令
指令为模型提供关于你希望执行任务的明确指导，引导生成式AI模型的行为，以影响其回应的形成。
示例：写一篇600字的文章，分析全球变暖对海洋生物的影响。
上下文
上下文有助于建立构成指令背景的环境，并为生成相关内容提供一个框架。
为了理解这一点，让我们为上一个例子中的提示词添加一些上下文。
示例：近几十年来，全球变暖发生了显著变化，导致海平面上升、风暴强度增加和天气模式改变。这些变化对海洋生物产生了严重影响。写一篇600字的文章，分析全球变暖对海洋生物的影响。
这个提示词将帮助模型生成与上下文一致的输出。
输入数据
输入数据是你作为提示词一部分提供的任何信息。这可以作为生成式模型的参考，以获得包含特定细节或想法的回应。
为了提供输入数据，同样的提示词可以按以下方式重构：
示例：你已获得一个包含太平洋温度记录和海平面测量值的数据集。写一篇600字的文章，分析全球变暖对太平洋海洋生物的影响。
输出指示器
输出指示器为评估模型生成输出的属性提供了基准。它可以概述你期望输出具备的语气、风格、长度和其他品质。
示例：在提示词写一篇600字的文章，分析全球变暖对海洋生物的影响。中，输出指示器指定生成的输出应为一篇600字的文章。它将根据分析的清晰度以及相关数据或案例研究的纳入情况进行评估。

这些要素中的每一个都在帮助生成式AI模型理解你的需求并给出期望的输出方面发挥着作用。

总结📝

本节课中，我们一起学习了提示词的定义。提示词是你提供给生成式模型以产生期望输出的任何输入或一系列指令。这些指令有助于引导模型的创造力，并协助产生相关且合乎逻辑的回应。一个结构良好的提示词的构成要素包括指令、上下文、输入数据和输出指示器。这些要素共同帮助模型理解我们的需求并生成相关的回应。

019：提示词工程解析 🧠

在本节课中，我们将要学习什么是提示词工程。我们将定义提示词工程，解释其在生成式AI模型中的相关性和重要性，并详细阐述通过提示词工程来制定有效提示词、以引导模型产生相关响应的过程。

什么是提示词工程？

设计有效的提示词以生成更好、更符合期望的响应的过程，被称为提示词工程。

尽管生成式AI模型有潜力辅助人类创造力，但如果你未能提供精确的提示词，这些模型可能会产生不充分的结果，甚至是虚假和误导性的信息。

提示词工程是批判性分析、创造力和技术敏锐度的结合。它不仅仅局限于提出正确的问题，还包括在正确的语境下构建问题，提供正确的信息，并明确你对期望结果的预期，从而引出最恰当的回应。

一个示例：天气预报 🌊

让我们通过一个例子来理解这一点。一艘船正在大西洋航行。为了规划航程，船长需要知道特定地点在特定时间的天气预报。

在这种情况下，向模型提供一个简单的提示词，例如“大西洋的天气预报”，可能无法获得期望的结果。为了得到最准确的结果，船长需要对提示词进行“工程化”设计。

在设计提示词时，船长需要定义上下文，包括诸如天气预报的目标位置（经纬度）和预测的时间范围等细节。

例如：

一艘船的船长正在计划大西洋的战略航行。为了帮助船长有效导航，请提供2023年8月28日至9月1日接下来一周的天气预报。目标位置的坐标在北纬20度到30度，西经40度到20度之间。

船长还必须指明是否需要特定的输出，例如模型是否应返回可能影响航程的其他天气要素信息。

例如：

为了帮助规划大西洋的有效航行，请提供关于指定时间和地点内预期风型、浪高、降水概率、云量以及任何可能影响航程的潜在风暴的详细信息。

提示词工程的迭代过程 🔄

重要的是要认识到，提示词工程是一个结构良好的迭代过程，涉及优化提示词并尝试可能影响模型输出的各种因素。

以下是创建有效提示词的逐步过程。

1. 定义目标

该过程的第一步是建立一个明确的目标。你必须确切知道你想要模型生成什么。

例如：

目标：形成一份关于人工智能在汽车领域应用的益处和风险的简要概述。

2. 创建初始提示词

明确了目标后，现在是时候创建初始提示词了。根据目标，这可能表现为一个问题、一个指令，甚至是一个情境。

例如：

初始提示词：撰写一篇文章，对人工智能融入汽车行业所带来的益处和弊端进行全面分析。

3. 测试提示词

你现在应该测试并分析你所创建提示词的响应。虽然响应可能是相关的，但它可能缺乏你所追求的独特视角。

例如：

对初始提示词的响应直接列出了人工智能融入汽车行业的益处和弊端。它没有强调可能出现的任何伦理问题。此外，也没有讨论其积极和消极的影响。

4. 分析响应

你必须仔细审查响应，并检查它是否符合你的目标。如果不符合，请记下不足之处。

例如：

所使用的初始提示词未能全面涵盖人工智能在汽车行业相关的益处和风险范围。

5. 优化提示词

利用通过测试和分析获得的知识，现在可以修改提示词了。这可能包括增强其特异性、融入更多上下文或重新措辞。

初始提示词可以优化如下：

优化后的提示词：

撰写一篇信息性文章，讨论人工智能在革新汽车行业中的作用。阐述关键方面，如益处、弊端、伦理考量以及积极和消极的影响。具体说明自动驾驶和实时交通分析等领域，同时探讨潜在挑战，如技术复杂性和网络安全问题。

6. 迭代过程

最后三个步骤（测试、分析、优化）会重复进行，直到你对响应感到满意为止。

因此，经过几轮优化后，最终的提示词可能呈现以下形式：

最终提示词：

撰写一篇文章，重点介绍人工智能如何重塑汽车行业。聚焦于积极进展，特别是在自动驾驶和实时交通分析方面，同时深入探讨与复杂技术方面相关的担忧，例如决策算法和潜在的网络安全漏洞。强调这些担忧可能对车辆安全产生的影响。确保分析透彻、有实例支持并鼓励批判性思考。

提示词工程的重要性与相关性 💡

上一节我们介绍了提示词工程的具体步骤，本节中我们来看看它在生成式AI模型中的核心价值。

以下是提示词工程的重要性和相关性：

优化模型效率：提示词工程有助于设计智能提示词，使用户能够充分利用这些模型的全部能力，而无需进行大量的重新训练。
提升特定任务性能：提示词工程使生成式AI模型能够提供细致入微且具有上下文的响应，使其对特定任务更加有效。
理解模型限制：通过每次迭代优化提示词并研究模型的相应响应，可以帮助我们理解其优势和弱点。这些知识可以进一步指导未来的功能增强或模型的完整开发。
增强模型安全性：熟练的提示词工程可以防止因提示词设计不当而导致有害内容生成的问题，从而增强模型的安全使用。

总结 📝

本节课中我们一起学习了提示词工程。你了解到，提示词工程是设计有效提示词以充分利用生成式AI模型能力、产生最佳响应的过程。你也学习了通过提示词工程优化提示词的迭代过程。最后，你掌握了提示词工程在优化模型效率、提升任务性能、理解模型限制以及增强其安全性方面的重要性。

020：提示词创建最佳实践 ✍️

在本节课中，我们将学习如何为生成式AI模型创建有效的提示词。通过应用最佳实践，你可以更好地控制AI输出的风格、语气和内容，从而获得更相关、更准确的回答。

概述

撰写有效的提示词对于充分发挥生成式AI模型的潜力至关重要。通过遵循清晰性、上下文、精确性和角色扮演这四个维度的最佳实践，你可以引导模型生成符合预期的输出。本节课程将通过具体示例，详细介绍如何起草和优化提示词。

清晰性：使用简单明确的语言

上一节我们介绍了创建有效提示词的四个核心维度。首先，我们来看看清晰性。清晰的提示词能确保模型准确理解你的意图。

为了保持清晰性，请牢记以下几点：

使用简单直接的语言：易于理解的指令能更好地传达给模型。因此，应撰写明确且易于理解的提示词。
避免专业术语：特殊术语可能会让模型或用户感到困惑。应使用能被广泛受众理解的简单词汇来撰写提示词。
避免模糊描述：模糊的提示词可能导致回答与你的意图不符。因此，必须清晰描述模型需要执行的任务。

让我们通过一个例子来理解：

原始提示（不清晰）：

讨论在植物完全叶状托叶上借助阳光发生的烹饪过程。同时提及一个绿色物质，以及光、空气和水对植物地上部分的重要性。

这个提示词存在多处问题：

它没有明确提及想要讨论的过程（光合作用）。
包含了“完全叶状托叶”等复杂术语，难以理解。
描述模糊，没有清晰说明任务是什么。

优化后的提示（清晰）：

解释植物光合作用的过程，详细说明叶绿素的作用，以及阳光、二氧化碳和水如何参与这一生物功能。

修订后的提示使用了简单、清晰、简洁的语言，并明确声明了要讨论植物光合作用的过程。

上下文：提供背景与相关信息

在理解了清晰性的重要性后，我们来看看第二个维度：上下文。上下文能帮助模型理解情境或主题。

这可以包括提供简短的介绍或对所需回答所处环境的解释。相关的信息或具体细节（如人物、地点、事件或概念）有助于引导模型的理解。因此，在撰写提示词时，融入这些细节非常重要。

以下是应用上下文的示例：

原始提示（缺乏上下文）：

写一写1775年革命战争爆发期间发生了什么。

这个提示词没有包含足够的背景和具体细节来引导模型的理解。

优化后的提示（包含上下文）：

描述导致美国革命战争的历史事件，重点关注波士顿倾茶事件、萨拉托加战役等关键事件。强调美洲殖民地与英国政府之间的紧张关系，并解释这些事件如何导致了1775年革命战争的爆发。

精确性：明确要求与提供示例

接下来，我们探讨创建有效提示词的第三个重要维度：精确性。精确性能帮助你勾勒出请求的轮廓。

如果你在寻找特定类型的回答，请清晰地表达出来。在提示词中融入示例，可以帮助模型理解你期望的回答类型，并引导其思考过程。

让我们看一个例子：

原始提示（不精确）：

谈谈经济学中的供给与需求，以及它是如何受影响的。

这个提示没有精确勾勒出特定类型的回答轮廓，也没有提供示例。

优化后的提示（精确）：

解释经济学中的供给与需求概念。描述需求增加如何影响价格，并借助一个说明性示例，例如智能手机市场。同样，通过类比石油生产中断等情况，解释供给减少对价格的影响。

这个提示清晰地表达了你想借助示例来解释一个概念。

角色扮演：设定视角与身份

最后，我们来讨论最后一个维度：角色扮演或人物模式。从特定角色或人物视角撰写的提示词，可以帮助模型生成与该视角一致的回答。

提供必要的上下文细节能使模型有效地扮演特定角色。因此，如果你要求模型从历史人物、虚构角色或特定职业的角度进行回答，请提供相应的上下文细节。

请看以下示例：

原始提示（无角色设定）：

写一篇日志，描述一个未知外星星球上奇特的动植物。

这个提示只会给出关于外星星球的科学细节，而不会从专业人士的视角解释其答案。

优化后的提示（包含角色扮演）：

假设你是一名刚刚降落在一个未知外星星球上的宇航员。写一篇日志，描述你遇到的奇特动植物，例如天空的颜色和在外星地貌中回荡的陌生声音。表达你在记录这段非凡旅程时的兴奋、好奇以及一丝忧虑。

在这个例子中，你明确提供了上下文细节，并假设自己是一名宇航员。因此，这个提示词将生成与宇航员视角一致的回答。😊

总结

本节课中，我们一起学习了为生成式AI模型撰写有效提示词的最佳实践。

我们了解到，撰写有效的提示词对于控制输出的风格、语气和内容至关重要。最佳实践主要体现在四个维度：

清晰性：包括使用简单、简洁的语言。
上下文：提供背景和所需细节。
精确性：意味着要具体，并提供示例。
角色扮演：通过假设一个身份并提供相关上下文，可以增强回答的针对性。

这些实践可以根据具体需求进行调整，以获得最佳结果。

021：常用提示词工程工具 🛠️

在本节课中，我们将要学习提示词工程工具的常见功能，并介绍几款常用的工具。提示词工程是设计精确且符合语境的提示词，以与生成式AI模型交互，从而获得相关且准确输出的过程。为了辅助这一过程，市面上有多种提示词工程工具可供选择。

概述

提示词工程工具提供了多种特性和功能，旨在优化提示词的创建，以获得期望的结果。这些工具对于不精通自然语言处理技术，但又希望在使用生成式AI模型时达成特定目标的用户尤为有用。

接下来，我们将探讨这些工具提供的常见功能。

提示词工程工具的常见功能

以下是提示词工程工具通常具备的核心功能：

提示词建议：许多工具能够根据给定的输入或期望的输出，为用户提供提示词建议。
结构优化：这些工具可以建议如何构建提示词，以实现更好的语境沟通，帮助用户构建能为模型提供必要上下文、以理解用户意图的提示词。
迭代优化：用户可以根据工具的初始响应，迭代地优化提示词，以找到最有效的版本。
偏见缓解：提示词工程工具可能提供功能，帮助减轻生成式AI模型响应中的偏见，指导用户如何构建提示词以降低产生偏见或不恰当输出的可能性。
领域特定支持：这些工具可以帮助创建针对特定领域（如法律、医疗或技术）的提示词。
预定义提示词库：一些工具提供了针对各种用例的预定义提示词库，用户可以根据具体需求进行定制。

上一节我们介绍了提示词工程工具的通用功能，本节中我们来看看几款具体的常用工具。

常用提示词工程工具介绍

1. IBM Watsonx.ai 提示词实验室 (Prompt Lab)

IBM Watsonx.ai 是一个集成的工具平台，用于轻松训练、调优、部署和管理基础模型。该平台包含 提示词实验室 工具，使用户能够基于不同的基础模型试验提示词，并根据需求构建提示词。

为了帮助用户入门，提示词实验室为不同用例（如摘要、分类、生成和提取）提供了示例提示词。要创建符合特定需求的提示词，用户可以通过添加指令和示例来训练模型，向模型展示应如何响应输入。

2. Spellbook (Scale AI)

Spellbook 是 Scale AI 提供的一个集成开发环境。借助 Spellbook，用户可以基于大型语言模型构建应用程序，并为各种用例（包括文本生成、文本提取、分类、问答、自动补全和摘要）试验提示词。

对于提示词工程，Spellbook 包含一个提示词编辑器，允许用户编辑和测试提示词。用户可以使用提示词模板来利用结构化提示词生成文本，也可以访问预构建的提示词作为示例。

3. Dust

Dust 提供了一个用于编写提示词并将其链接在一起的 Web 用户界面。用户可以管理链式提示词的不同版本。它还提供了一种自定义编码语言和一组用于处理LLM输出的标准模块。Dust 还支持 API 集成，以接入其他模型和服务。

4. PromptPerfect

PromptPerfect 是一款可用于为不同的大型语言模型或文生图模型优化提示词的工具。它支持常见的文本模型（如 GPT、Claude、Stable LM 和 LLaMA）以及图像模型（如 DALL-E 和 Stable Diffusion）。

要编写或优化提示词，首先需要选择要为其优化提示词的相关模型，因为不同模型有不同的优化策略。用户还可以选择与预览质量、语言和审核相关的附加功能。

在编写提示词时，可以尝试自动补全功能，该功能会在用户输入时提供建议。用户可以进一步优化已编写的提示词。例如，工具会展示用户编写的原始提示词和由 PromptPerfect 生成的相应优化提示词。为了进行更深层次的优化，用户可以在流线模式下逐步优化和完善提示词：编写提示词 -> 优化 -> 再次编辑 -> 再优化，直到对输出满意为止。

除了上述专门工具，还有一些其他流行的平台和接口为提示词工程提供资源或帮助用户试验提示词。

其他资源与平台

GitHub：拥有大量关于提示词工程和LLM的代码仓库。这些仓库中提供的指南、示例和工具有助于提升提示词工程技能。
OpenAI Playground：一个基于 Web 的工具，帮助用户使用 OpenAI 的各种模型（如 GPT 系列）试验和测试提示词。
Playground AI：该平台帮助用户使用文本提示词，通过 Stable Diffusion 模型生成图像进行实验。
LangChain：一个 Python 库，提供了构建和链接提示词的功能。

最后，有趣的是，提示词本身也可以进行买卖。PromptBase 就是一个提示词市场的例子。它支持为流行的生成式AI工具和模型（如 Midjourney、ChatGPT、DALL-E、Stable Diffusion 和 LLaMA）提供提示词。

通过 PromptBase，用户可以购买符合特定要求、且针对特定模型或工具的提示词。例如，可以购买一个用于通过 Midjourney 生成滑稽卡通角色的提示词。同时，如果你拥有出色的提示词构建技能，也可以通过 PromptBase 上传和出售提示词。该平台还支持直接在其平台上构建提示词，并在其市场上出售。

总结

本节课中，我们一起学习了提示词工程工具如何提供多种功能来优化提示词，这些功能包括提示词建议、语境理解、迭代优化、偏见缓解、领域特定支持和预定义提示词库。我们还介绍了几款常见的提示词工程工具和平台，包括 IBM Watsonx.ai 提示词实验室、Spellbook、Dust 和 PromptPerfect。了解这些工具将帮助您更高效地与生成式AI进行交互。

022：高效提示词设计原则 ✨

在本节课中，我们将学习由生成式AI专家分享的高效提示词设计原则。提示工程是与AI模型交互、获取理想结果的关键步骤。掌握这些原则，能帮助你更有效地利用AI工具。

概述 📋

提示词是与生成式AI模型沟通的桥梁。一个设计良好的提示词能显著提升模型输出的质量和相关性。本节将介绍一系列核心原则，帮助你从清晰度、语境、迭代等方面优化你的提示词。

核心设计原则

上一节我们概述了提示工程的重要性，本节中我们来看看具体的设计原则。以下是构建高效提示词的关键要点。

1. 清晰与具体

与人类交流时，我们常使用开放式问题以鼓励探索。但与AI模型交互时，需要更加具体和直接。清晰的请求能减少歧义，引导模型生成更符合预期的内容。

核心公式：清晰指令 = 明确动作 + 具体目标

例如，避免使用“写点关于招聘的东西”，而应使用“以人力资源专家的身份，撰写一份针对初级软件工程师的招聘职位描述，需包含职责、要求和公司文化介绍。”

2. 提供充分语境

为模型提供相关的背景信息，能帮助其更好地理解任务并生成更贴切的回复。这包括指定应用场景、目标受众或相关细节。

示例代码（伪指令）：

背景：公司正在扩张技术团队，需要招聘前端开发人员。
角色：你是一名资深技术招聘专员。
任务：根据以上背景，起草一封邀请潜在候选人进行电话面试的邮件。

3. 利用示例进行引导（少样本学习）

通过提供输入-输出的示例，可以明确你期望的回复格式、风格或内容结构。这种方法被称为“少样本学习”（Few-shot Learning）。

以下是使用示例引导的格式：

示例输入：“为‘年度团队建设活动’构思三个创意主题。”
示例输出：“1. 主题：城市逃脱探险。描述：在市区进行解谜寻宝，促进团队协作。2. 主题：公益黑客松。描述：用技术为非营利组织解决实际问题，体现社会价值。3. 主题：国际美食工作坊。描述：分组学习并制作不同国家菜肴，体验多元文化。”

4. 使用专业角色与限定条件

通过指定角色（如“作为一位薪酬福利专家”）或领域，可以让模型聚焦于特定的知识库和表达方式。同时，可以设定约束，如避免使用某些术语、限制输出长度或规定文本格式。

实践示例：“作为一名培训与发展经理，用不超过200字，为公司新上线的内部学习平台起草一段简洁的推广文案，避免使用‘革命性’、‘颠覆性’这类夸张词汇。”

5. 迭代优化与平衡

首次提示可能无法得到完美结果。生成式AI是一个需要反复对话和调试的工具。你可以基于初始输出，要求模型进行补充、改写或调整。

此外，需要在模型的创造性和输出的相关性/准确性之间找到平衡。过于宽泛的指令可能导致天马行空的结果，而过于严格的限制则可能扼杀有用的创意。

进阶技巧与总结

在掌握了上述基本原则后，我们来看看一些能进一步提升效果的技巧。

如果对如何提问不确定，可以直接询问AI本身。例如，你可以输入：“为了从你这里获得一个关于员工入职流程的流程图，最佳的提问方式是什么？” AI模型通常会给出如何向它提问的建议。

记住，设计提示词是一门艺术，需要练习。不同的模型可能有不同的“特性”，尝试多种表达方式，并根据反馈进行调整是关键。

总结：本节课我们一起学习了高效提示词设计的核心原则。

清晰具体：给出明确指令。
提供语境：补充相关背景信息。
示例引导：通过例子展示期望的格式或风格。
角色限定：指定专业领域以聚焦输出。
迭代优化：基于结果不断 refining 你的提示词。

通过保持清晰、平衡以及不断的实践，你将能解锁生成式AI强大的创造潜力，让人力资源工作更高效。

023：探索生成式AI中的提示词工程 🧠

在本节课中，我们将学习提示词工程的核心概念、关键技术与常用工具。多位专家将分享他们的见解，帮助我们理解如何通过精心设计的提示词，从生成式AI模型中获得更准确、更符合预期的输出。

什么是提示词工程？🤔

上一节我们介绍了课程概述，本节中我们来看看提示词工程的基本定义。

提示词工程本质上是一种编写优质或高效提示词的技术。模型将利用这些提示词来生成一致且突出的有效输出。

提示词工程是随着生成式AI在过去几年兴起而出现的术语。它指的是理解如何向大型语言模型发出提示，以获得你想要的回应。

核心公式：优质输出 = 有效的提示词工程 + 强大的生成式AI模型

核心技术与方法 🔧

理解了基本概念后，我们来看看实现有效提示词工程的具体技术与方法。

以下是几种关键的提示词工程技术：

零样本提示：这是目前人们使用ChatGPT等工具的典型方式，即直接要求模型做某事，不提供任何示例。零样本 = 无示例
单样本提示：在提出请求时，提供一个格式示例，让模型按照该格式输出信息。单样本 = 提供一个示例
少样本提示：提供两到三个示例。有趣的是，这些示例不一定需要内容正确，只需格式正确即可。你甚至可以用生成式AI根据已有格式创建更多示例，并添加到提示词中。少样本 = 提供多个示例
思维链提示：要求模型分步骤执行任务。你先提供一个计划步骤，让模型“逐步思考”并执行。这有助于大型语言模型保持逻辑连贯性，尤其适用于处理复杂任务。
角色扮演：明确要求模型扮演特定角色，例如JavaScript专家、产品经理或小企业CEO。赋予模型越具体的角色，输出的质量通常越高。

实践技巧与参数 📝

掌握了基本方法，我们还需要了解一些实践中的技巧和可调节的参数，以进一步优化输出。

与模型交互时，我们可以使用多种参数。首先，应明确指定任务，清晰告知模型我们的需求，并提供相关背景信息。有时，我们可以提供一些示例（即少样本学习的概念），让模型了解我们期望的输出形式。

我们可以通过迭代反馈，让模型基于不同的提示词进行学习。通过微调，我们可以观察哪种方式效果更好，从而获得我们寻找的回应。

我们还可以通过参数控制模型的生成“创造力”或限制性。例如，温度、Top-K、Top-P等参数能使模型更具生成性，我们可以调整这些参数来控制输出。

关键点：提示词生成对于从你的提示中获得正确输出至关重要。这很简单：如果你问错了问题，就会得到错误的答案。这一点对人类同样适用，而对当前阶段的生成式AI模型来说尤其如此。

常用工具与平台 🛠️

了解了理论和技巧，接下来我们探索专家们常用的提示词工程工具有哪些。

以下是专家们提到的一些常见提示词工程工具和平台：

Watsonx Studio 提示词工程实验室：这是一个用于练习和开发特定应用有效提示词的优秀工具。
OpenAI 等网站：提供关于如何编写优质提示词的指南。
Microsoft Copilot：包含帮助用户编写提示词的功能。

你可以利用这些工具来辅助编写提示词，并预览可能获得的回应类型。

专家经验与建议 💡

最后，让我们听听专家们在实际应用中的经验与重要建议。

例如，一位专家分享道，他曾与ChatGPT合作，希望理解如何向它解释一个工作流程。他直接询问模型：“分析这个工作流程，我以什么格式提供信息对你最有利？”模型回复了一个建议的结构。当他按照该结构提供信息后，模型就能完美地进行字段匹配，完成他期望的各种复杂任务。

需要注意的是，像Llama 2这样的模型有特定的语法要求必须遵循。如果不正确遵循，效果会大打折扣。虽然模型仍然会输出结果，但我们的目标是以最少的试错、时间和资源消耗，获得我们想要的输出。

因此，提示词工程在当前极具价值，它相对容易学习，绝对是值得投入时间掌握的技能。

总结 📚

本节课中，我们一起学习了提示词工程在生成式AI中的关键作用。我们探讨了其定义、从零样本到思维链等多种核心技术、调节模型行为的参数、以及Watsonx Studio等实用工具。专家经验表明，清晰的指令、合适的格式和角色设定能显著提升输出质量。掌握提示词工程，是高效利用生成式AI、获得理想结果的重要一步。

024：文本到文本提示技术 📝

在本节课中，我们将学习如何通过文本提示技术来提升大型语言模型的可靠性与输出质量。我们将探讨多种核心提示技巧，并了解有效使用文本提示所带来的好处。

概述

近年来，自然语言处理领域因大型语言模型的应用而取得了显著进步。然而，随着LLM规模和复杂性的增加，关于其可靠性、安全性和潜在偏见的疑问也随之浮现。有效使用文本提示是解决这些问题的可行方案。文本提示是精心设计的指令，用于引导LLM的行为以生成期望的输出。生成内容的质量和相关性取决于提示的有效性以及LLM本身的能力。接下来，我们将探讨使文本提示更有效、并能提升LLM输出可靠性的各种技术。

核心提示技术

上一节我们介绍了文本提示的基本概念，本节中我们来看看几种具体的技术。

任务明确化

任务明确化技术要求文本提示向LLM清晰地传达目标，以提高回答的准确性。例如，提示“将这句英文翻译成法语”就是一个实现任务的明确指令。

上下文引导

上下文引导是一种技术，通过文本提示为LLM提供具体指令，以生成相关输出。例如，如果你想让模型生成一篇关于纽约市地标的短文，一个像“写一段关于纽约市的短文”这样的提示可能会产生一个笼统的回应。而一个更具体的提示，如“写一段关于纽约市的短文，重点介绍其标志性地标”，由于包含了上下文，将能生成更合适的输出。

领域专业知识

领域专业知识对于提高LLM的可靠性也至关重要。当你需要LLM在医学、法律或工程等专业领域生成内容，且准确性和精确性至关重要时，文本提示可以使用领域特定术语。例如，如果你想获取关于甲状腺功能减退症的医学信息，你的提示可以这样写：“请解释甲状腺功能减退症的病因、症状和治疗方法，包括最新研究和医学指南。”

偏见缓解

偏见缓解是一种技术，通过文本提示提供明确的指令，以生成中立的回应。例如，假设你担心模型在回应关于领导力特质的提示时存在性别偏见。为了解决这个问题，你可以使用这样的文本提示：“写一段100字的关于领导力特质的段落，不偏向任何性别，并提供所有性别的平等特质示例。”

框架设定

框架设定是另一种技术，通过文本提示引导LLM在所需边界内生成回应。假设你想让模型总结一篇关于气候变化的冗长文章。你的文本提示可以是：“用100字总结这篇关于气候变化的文章，重点关注其主要发现和建议。”

高级提示方法

除了上述基础技术，还有一些更高级的提示方法可以帮助处理复杂任务。

零样本提示

你知道吗？如今的LLM经过海量数据训练并微调以遵循指令，可以在无需特定训练的情况下执行任务。零样本提示是一种方法，生成式AI模型无需先验训练即可对提示生成有意义的回应。例如，提示可以是：“选出这句话中的形容词。句子是：‘Anita烤出了社区里最好的蛋糕。’”这里的输出将是“最好的”。然而，通常你无法通过一次提示就获得理想的回应，可能需要迭代。

用户反馈循环

这时就需要用到用户反馈循环技术。用户对文本提示提供反馈，并根据LLM生成的回应迭代优化提示。这个循环允许用户逐步提高模型的输出质量，直到达到期望状态。例如，用户通过文本提示要求模型写一首诗。LLM生成了一首诗。用户说：“让它更有趣一些。”LLM调整诗歌以包含更多幽默元素。用户认可修改后的诗歌。

少样本提示

类似地，对于复杂任务，当你无法清晰描述需求时，会使用一种称为“少样本提示”的技术。它支持上下文学习，即在提示中提供演示，以引导模型的表现。这些演示作为后续示例的条件，你希望模型为这些示例生成回应。例如，假设模型的任务是生成简短的旅行推荐。作为少样本提示，你为模型提供以下引导性上下文：“推荐一个以美丽海滩闻名的夏季旅行目的地。”“推荐一个以美丽秋叶闻名的秋季旅行目的地。”在使用这些少样本提示后，模型可以为其他类型的假期生成旅行推荐。例如，如果任务是“推荐一个值得探索的城市”，模型将生成答案：“考虑访问像巴黎这样充满活力的城市，以其丰富的历史、艺术和标志性地标而闻名。”这就是模型如何基于少样本提示中提供的最少训练数据，为不同类型的假期生成旅行推荐。

有效使用文本提示的好处

使用我们刚刚讨论的方法将文本提示与LLM结合使用，有诸多好处。以下是其中一些：

增强LLM的可解释性：可解释性指的是用户理解和解释模型的决策过程及其生成输出背后原因的程度。可解释性帮助用户、开发者和利益相关者理解模型如何工作、为何做出某些预测或生成特定文本，以及它在各种应用中是否可信。
解决伦理考量：可解释性对于解决与AI相关的伦理问题至关重要。它帮助所有利益相关者评估并确保LLM的行为符合特定领域的伦理准则和法律要求。
建立用户信任：除了提高LLM的可靠性和可解释性，有效的文本提示还能在用户和LLM之间建立信任。当用户能够理解LLM的工作原理，并看到他们的指令对LLM行为的直接影响时，就会在用户和LLM之间形成透明且有意义的互动。

总结

本节课中，我们一起学习了各种可以通过文本提示提升LLM可靠性和质量的技术。具体来说，我们探讨了任务明确化、上下文引导、领域专业知识、偏见缓解、框架设定和用户反馈循环。我们还学习了零样本和少样本提示技术。最后，我们了解了有效使用文本提示与LLM的若干好处，例如增强LLM的可解释性、解决伦理考量以及建立用户信任。

025：面试模式法 🎤

在本节课中，我们将学习一种名为“面试模式法”的提示工程策略。这种方法通过模拟对话或面试风格的互动来设计提示，旨在引导生成式AI模型产生更具体、更符合需求的回答。

概述

面试模式法是一种提示工程策略，其核心在于通过模拟对话或面试的形式与模型进行交互。这种方法要求对提示进行细致优化，以确保模型生成的回答能精确满足你的目标。它涉及向模型提供特定的提示指令，模型则根据这些指令向用户提出必要的后续问题。根据用户对这些后续问题的回答，模型会提取相关信息进行处理，最终为用户提供一个经过优化的回答。通常，你提供的信息越详细，得到的结果就越好。

面试模式法如何运作

上一节我们介绍了面试模式法的基本概念，本节中我们来看看它的具体运作流程。

这种方法通常包含以下几个步骤：

设定角色与目标：首先，你需要明确指示模型扮演一个特定角色（例如，旅行顾问），并告知其本次交互的最终目标（例如，制定旅行计划）。
发起结构化提问：模型会根据你的初始指令，开始提出一系列详细的、一个接一个的问题，以收集所有必要信息。
信息收集与处理：用户回答这些问题。模型会根据用户的回答，提取关键信息并理解其偏好与需求。
生成优化响应：在收集到足够信息后，模型综合处理所有信息，生成一个高度定制化的、符合用户具体需求的最终回答。

为了更好地理解，让我们通过一个例子来具体说明。

应用实例：旅行行程规划

假设你希望模型扮演一位旅行顾问，为你规划一次假期旅行行程。你应该如何提示模型呢？

你可以向模型提供如下提示指令：

你将扮演一位经验丰富的旅行专家。你的目标是与我进行一次全面的旅行规划会话。请首先提出一系列详细的问题（一次一个），以收集所有必要信息，从而根据我的具体偏好、兴趣和预算，制定出最量身定制且令人难忘的旅行行程。

根据这个提示指令，模型会开始提出所有必需的后续问题。以下是模型可能会问的一些问题示例：

你最喜欢去哪种类型的旅行目的地？
能否描述一下你理想假期的活动和体验？
你通常如何规划旅行？在选择目的地时，哪些因素对你最重要？
在规划旅行目的地时，你是否对特定的文化或历史方面感兴趣？
旅行时你偏好哪种住宿选择？为什么？
你如何平衡预算考虑与获得难忘旅行体验的愿望？

在这个例子中，每个问题都建立在前一个问题的基础上，形成了一场关于旅行偏好的结构化、信息丰富的对话。根据你对这些问题的回答，模型将规划出一个符合你偏好和需求的、令人难忘的旅行行程。

面试模式法的优势

通过上面的学习，我们了解到面试模式法相比传统的单次提示方法更具优势。

传统的单次提示方法通常是静态的，而面试模式法则允许与生成式AI模型进行更动态、迭代的对话。它涉及与模型进行来回的信息交换，这有助于实时澄清疑问并引导模型的回答方向。反过来，这也增强了用户优化所获结果的能力。

总结

本节课中，我们一起学习了提示工程的“面试模式法”。我们了解到，这种方法通过模拟面试对话，引导AI模型提出后续问题来收集详细信息，从而生成更精准、更个性化的回答。关键在于提供清晰的初始指令，让模型扮演特定角色并明确目标，然后通过交互式问答不断完善输出结果。这种方法尤其适用于需要深度定制和复杂信息处理的场景。

026：思维链方法 🧠

在本节课中，我们将要学习思维链方法。这是一种通过将复杂任务分解为更小、更易管理的步骤，来引导生成式AI模型进行推理的技术。我们将了解其定义、应用、两种主要实现方式及其优缺点。

概述

思维链方法是一种通过一系列提示或问题，将困难或复杂的任务分解为更小、更易管理步骤的方法。每个提示都建立在前一个的基础上，引导AI模型逐步思考问题并生成期望的回应。这种方法使模型能够展示其推理过程，并提高其准确解决类似问题的能力。

通过向模型提供问题及其解决方案，思维链帮助模型以结构化和逻辑化的方式处理任务。

思维链方法的应用与优势

上一节我们介绍了思维链的基本概念，本节中我们来看看它为何在生成式AI中被广泛应用。

该方法之所以被广泛使用，是因为它能增强逻辑推理能力，并确保过程中的每一步都被考虑到，从而得出更准确的结果。

它还能提高可解释性，允许用户追溯AI得出结论的过程，并简化调试。此外，它有助于克服语言模型的局限性，因为语言模型本身并非为多步推理而设计，除非被提示这样做。

思维链的两种主要模型

了解了思维链的优势后，接下来我们具体看看它的两种实现方式。

思维链建模中最常见的两种模型是少样本思维链和零样本思维链。

少样本思维链：通过提供示例来展示如何分解问题。
零样本思维链：鼓励模型独立地逐步思考问题。

少样本思维链示例

为了更清晰地理解这两种方法，让我们通过一个例子来说明。首先从少样本方法开始。

示例问题是关于一家商店以每个3美元的价格出售橙子，并提供“买二送一”的优惠。解决方案通过识别“每三个橙子中有一个是免费的”这一规则来逐步推导。因此，三个橙子的成本相当于支付两个的钱。

将这一逻辑延伸，六个橙子的成本相当于四个，总计12美元。

现在，向系统提出一个类似的问题。这次的问题是：一家商店出售笔盒，提供“买一送一”优惠，每个笔盒售价5美元。利用提示中提供的示例所展示的相同思维链推理，系统首先理解优惠结构，然后基于示例中的推理生成回应。因此，它能够得出正确答案：成本将是25美元。因为10个笔盒中，只需支付5个的钱。

零样本思维链示例

在零样本方法中，不提供任何示例，而是鼓励系统独立找出答案。提示中会添加诸如“让我们逐步思考”或“让我们一步步解决这个问题以确保答案正确”之类的短语，以帮助系统独立推导出解决问题的方法。

让我们用同样的笔盒问题，看看如何使用零样本方法解决。

提示如下：“如果一家商店以‘买一送一’的优惠出售笔盒，每个笔盒5美元，那么10个笔盒需要多少钱？让我们逐步思考。”

在这种情况下，系统不依赖事先的样本或示例。相反，它尝试自己推理问题。它首先解释优惠，理解每两个笔盒，顾客只需支付一个的钱。

然后它将这种理解应用于问题。它将10个笔盒分成5个“付费+免费”的组合，意识到只需支付5个笔盒的钱，并计算出总价为25美元。因此，即使没有先看到示例，系统也能够逐步推理逻辑并得出正确答案。

思维链方法的挑战

虽然思维链方法功能强大，但也存在一些需要考虑的挑战。

将回应分解为步骤可能会减慢模型速度，这对于聊天机器人等需要快速响应的应用可能并不理想。此外，这种方法可能使简单问题变得不必要的复杂，让AI显得效率低下。早期步骤中的错误可能会延续下去，导致最终答案错误。

总结

本节课中我们一起学习了思维链方法。我们了解到，思维链方法通过将复杂任务分解为更小的步骤，提高了AI模型的逻辑推理能力和准确性。两种主要的思维链方法是：提供示例以指导问题解决的少样本思维链，以及鼓励模型独立逐步思考的零样本思维链。虽然思维链增强了决策能力和可解释性，但它也可能降低处理速度、使简单任务复杂化，并可能延续早期步骤中的错误。

027：树状思维链方法 🌳

在本节课中，我们将要学习一种名为“树状思维链”的高级提示工程方法。我们将了解其核心概念、应用过程，并通过实例分析其如何帮助解决复杂问题，最后探讨其局限性。

概述

树状思维链方法通过将提示结构化为一个具有层级分支的树，来增强AI的推理能力。它允许AI同时评估多种可能性，预测潜在结果，并聚焦于最有希望的选项。这种方法对于通过提供明确指导和探索多种解决方案来解决复杂问题非常有价值。

树状思维链方法简介

想象一下，你和朋友需要决定去哪里吃饭。首先，你们会考虑想吃什么类型的食物。然后，根据预算和愿意出行的距离来缩小选择范围。最后，你们选定一个符合口味和偏好的地点。

这就是树状思维链方法在现实中的一个例子。

上一节我们介绍了树状思维链的基本概念，本节中我们来看看它的具体工作原理。

树状思维链方法通过将提示结构化为一个树状层级分支，来增强AI推理。每个分支代表不同的思考路径。这使得AI能够：

同时评估多种可能性。
评估潜在结果。
专注于最有希望的选项。

该技术通过提供明确的指导和探索各种解决方案，对解决复杂问题很有价值。

应用实例：解决业务问题

以下是树状思维链方法在解决业务问题中的应用示例。

让我们考虑一个场景：一家在线商店经历了神秘的销售额下降。提示如下：

“我们的网店在过去三个月销售额下降了20%，尽管网站流量保持稳定。可能是什么原因导致的？我们应该如何解决？请思考三种可能的原因，并尝试从多个方向着手，最终给出一个结构化的行动计划。”

作为对提示的回应，模型首先识别并清晰地列出了销售额下降的三个最可能原因：

转化率低：流量未转化为购买。
产品或定价问题：商品缺乏吸引力或价格不合理。
外部市场因素：竞争加剧或消费者趋势变化。

然后，它提出了一个针对已识别主要问题的多方向解决策略，即为每个主要原因制定策略。最后，模型呈现了一个结构化的实施计划，通过短期、中期和长期行动来解决该问题。

让我们分析这个网店例子，以理解树状思维链提示方法如何在引导模型为复杂业务问题提供结构化、可操作的响应中发挥关键作用。

通过鼓励模型探索多种推理路径，提示实现了跨相互关联维度的更深入分析。模型没有提供通用回答，而是将问题分解为三个不同的原因，从用户体验、定价和市场趋势等不同功能角度评估纠正策略，并综合出一个分步行动计划。这模仿了人类专家处理复杂、多层面问题的方式：测试平行假设、舍弃较弱选项并构建全面解决方案。这解释了树状思维链提示方法如何增强了模型的整体推理能力，并交付了兼具诊断性和战略性的响应。

应用实例：支持个人决策

除了业务策略，树状思维链方法也可应用于个人困境，例如规划职业转型。

我们来看一个提示，它展示了树状思维链方法如何在规划职业转型的背景下支持深思熟虑的决策。

“我正在考虑转行，但感到不确定。请基于我当前的技能和兴趣，阐述三条我可以走的路径（例如：在当前领域提升技能、转向相关领域或进行彻底转变）。对每条路径，分解出细分步骤。评估潜在的风险和收益，并帮助我确定在选择最佳方向时应考虑哪些因素。”

为了回应提示，模型遍历了每条思考路径，概述了不同职业转型选项的利弊。

在当前领域提升技能：优势是与行业趋势保持一致，但预设了时间和资金投入等限制。
转向相关领域：好处是拓宽职业机会，但也指出了现有技能与新角色的兼容性问题。
彻底转变职业：指出了获得更大个人满足感的潜力，但受限于财务风险和失败的可能性。

最终，模型将最终决定权留给用户，并提供了个人兴趣、风险承受能力和市场需求等考虑要点。

方法的局限性

虽然树状思维链提示法对于结构化推理和处理复杂的多步骤问题非常有效，但它也有其局限性。

以下是使用该方法时可能遇到的一些挑战：

过度生成：模型可能探索过多分支或偏离到不太相关的路径，导致响应冗长或重点分散。
假设均等有效：该方法可能假设所有推理路径都同样有效，但在需要优先处理的高风险或时间敏感场景中并非总是如此。
错误自信风险：如果模型围绕有缺陷的逻辑或不准确的事实创建了详细的推理链，可能会给薄弱的结论带来虚假的可信度。

总而言之，如果使用得当，这种方法为在AI支持下应对模糊性和做出明智决策提供了一个强大的框架。

总结

本节课中我们一起学习了树状思维链方法。

树状思维链是一种高级提示工程技术，它使生成式AI模型能够通过以结构化、分步的方式推理多种解决路径来处理复杂问题。
它鼓励模型探索不同的可能性，并行评估它们，并得出深思熟虑、有充分支持的结论。
这种方法对于需要分层决策的现实世界情况特别有用。
树状思维链提示法也存在一些局限性，例如过度生成的风险、过度分支到低价值路径，以及需要用户仔细解读。

028：选择提示词工程方法的关键考量 🔑

在本节课中，我们将学习专家们关于如何选择最佳提示词工程方法的关键考量因素。提示词工程是有效利用生成式AI的核心技能，理解这些考量因素能帮助我们更精准地达成任务目标。

上一节我们介绍了提示词工程的基础概念，本节中我们来看看专家们认为在选择具体方法时，有哪些核心因素需要权衡。

明确任务目标 🎯

首先，我们必须明确任务目标。生成式AI可用于多种不同任务，例如：

文本生成与摘要
代码生成
代码翻译
图像生成

因此，选择方法的第一步是思考我们实际要解决的具体任务是什么。

评估模型能力 🤖

接下来，我们需要考虑模型的能力。不同的模型旨在处理不同的用例。选择方法时，必须与你所使用的AI模型的特长相匹配。你需要调整提示词以发挥模型的长处，并为模型提供足够的上下文，以获得连贯的响应。

构建有效提示词的三要素 ✨

专家指出，构建一个优秀的提示词主要依赖于三个核心方面：清晰度、上下文和具体特征。它们需要以适当的顺序和充分的背景信息来组织。

以下是每个要素的具体说明：

清晰度与具体性
你的思路必须清晰。如果你心中有一个特定任务，你需要尽可能详细、清晰地进行描述。否则，输出结果可能会很笼统，甚至更糟，可能导致所谓的“AI幻觉”。

提供充分上下文
这在很大程度上取决于你目标应用的类型。例如，如果你要生成一个特定段落或文本，你必须非常清楚这些段落需要如何组织以及如何相互关联。因此，核心要点又回到了分析上下文上。

有序描述具体特征
如果你要生成代码，你必须明确列出你希望该代码具备的所有输出特性，并且需要以顺序化和描述性极强的方式列出。否则，整个提示词只会给你一个可能不太有用的通用响应。

其他重要考量因素 ⚖️

除了上述核心要素，在选择正确的提示词工程方法时，还应考虑以下几点：

数据需求
有时我们需要提供更多数据，有时模型需要的数据量较少。需要根据情况判断。

上下文敏感度
我们需要考虑为模型提供多少上下文或背景知识，才能让它以我们期望的方式回答问题。因此，提供给模型的背景知识量也很重要。

反馈机制
建立一个反馈机制，让我们能够了解特定提示词是如何生成响应的，从而改进我们与模型的交互方式，并提升其生成输出的质量。

总结 📝

本节课中，我们一起学习了选择提示词工程方法时的关键考量。总结来说，清晰度、平衡性以及对AI模型的理解是关键。确保你的提示词清晰简洁，在具体性和开放性之间取得平衡，并尝试不同的视角以获得最佳结果。通过综合考虑任务目标、模型能力、提示词三要素（清晰度、上下文、特征）以及其他因素（如数据需求和反馈机制），你就能确保在提示词工程中取得成功。

029：文本到图像提示技术 🎨

在本节课中，我们将学习如何运用文本到图像提示技术，以提升生成式AI模型所创建图像的质量、多样性和影响力。掌握这些技巧，你将能够撰写出更有效的提示词，从而获得更具说服力和吸引力的视觉内容。

图像是沟通的重要组成部分，广泛应用于市场营销、广告、教育、新闻等多个领域。然而，有些图像在传达情感和信息方面比另一些更为出色。一个图像提示词就是你希望生成图像的文本描述，它可以简单到一个单词，也可以详细描述图像的构图、色彩和氛围。

为了增强通过生成式AI模型获得的图像效果，使其更具说服力和吸引力，我们可以使用图像提示技术。这些技术旨在提升生成模型所产出图像的质量、多样性和相关性。

有多种图像提示技术可用于改善图像效果。接下来，我们将逐一了解这些技术。

风格修饰词 🖌️

风格修饰词是用于影响生成式AI模型所产出图像的艺术或视觉属性的描述符。这些描述符可以帮助模型在遵循输入提示词结构和内容的同时，创造出具有创新风格的图像。

你可以修改图像的各种视觉元素，如颜色、对比度、纹理、形状和大小，从而生成具有美学吸引力、视觉上令人愉悦的输出。你的提示词可以包含关于各种艺术风格、历史艺术时期、摄影技术、所用艺术材料类型，甚至是你希望模型模仿的知名品牌或艺术家特征的信息。所有这些信息都有助于生成模型理解期望的输出图像外观或风格。

以下是图像提示词中使用风格修饰词的一些例子（示例中已高亮显示风格修饰词）：

提示词：A futuristic cityscape at dusk, in the style of cyberpunk art, with neon lights and towering skyscrapers.
提示词：A portrait of a wise old wizard, rendered in the manner of a classical oil painting from the Renaissance period.
提示词：A serene mountain lake at sunrise, captured with a long exposure photography technique, creating a misty, ethereal effect.

质量提升词 📈

高质量的图像比低质量的图像更具说服力和可信度。低分辨率图像常常显得模糊和有像素感，使观看者难以辨别其中的细节。另一方面，高分辨率图像则能保证基本的可见性和可读性。使用高质量的图形设计可以提升图像的感知价值。

质量提升词是用于图像提示词中以增强视觉吸引力、改善整体保真度和清晰度的术语。这些特定术语可以指导生成式AI模型执行降噪、锐化、色彩校正和分辨率增强等步骤。

你可以在图像提示词中使用诸如 high resolution、hyper detailed、sharp focus、complementary colors 等术语作为质量提升词。它们可以增强图像的特定特征，从而产生更连贯的输出。

让我们看一些例子来理解如何在图像提示词中使用质量提升词（示例中已高亮显示质量提升词）：

提示词：A close-up of a bee on a flower, **hyper detailed**, **sharp focus**, **highlighting the texture** of its wings and the pollen.
提示词：An abstract artwork featuring **complementary colors** of blue and orange, with **fine lines** and a **blurred background** to make the central shape **stand out**.

重复强调法 🔁

这种技术利用迭代采样来增强模型生成图像的多样性。重复强调法涉及在图像中强调特定的视觉元素，为模型创造一种熟悉感，使其能够专注于你想要突出的特定想法或概念。这可以通过在图像提示词中重复相同的单词或相似的短语来实现。

重复有助于强化通过图像传达的信息，并提高模型对关键元素的关注度。模型不会仅根据提示词生成一张图像，而是生成多张具有细微差别的图像，从而产生一组多样化的潜在输出。当生成模型面对抽象或模糊的提示词，而存在多种有效解释可能时，这种技术尤其有价值。

让我们看一些在图像提示词中使用重复单词的例子（示例中重复的单词已用粗体标出）：

提示词：A **tiny**, **tiny** fairy in a **dense**, **dense** forest of **enormous**, **vast** mushrooms.
提示词：A **serene**, **clear** mountain lake reflecting the **lush**, **lush** green pine trees under a blue sky.

加权术语 ⚖️

加权术语指的是使用能够产生强烈情感或心理影响的词语或短语。例如，free、limited time offer 和 guaranteed 等词常用于广告中，以引发紧迫感、安全感和信任感。同样，luxury、premium 和 exclusive 等词则用于营造排他性和精致感。

生成式AI模型允许你为正负术语赋予权重，以强调或弱化某种情感。在图像提示词中使用加权术语有助于创建令人难忘、有说服力并能引起观众情感反应的图像。

以下是一些在图像提示词中使用加权术语的例子：

提示词：A **warm:10** and cozy fireplace with **crackling:8** logs. （模型应更侧重于“温暖”一词，对“噼啪作响”的关注稍弱。）
提示词：A **shimmering:6** city skyline at night, **neon lit:8**. （模型应更侧重于“霓虹灯照亮”。）
提示词：An **exotic:10** bird with **colorful:-6** feathers. （模型必须强调“异国情调”一词，并弱化“色彩鲜艳”一词。）

修复畸形生成 🛠️

该技术用于修改可能影响图像效果的畸形或异常。图像中的畸形可能包括扭曲（特别是在人体部位如手或脚上）、像素化或其他影响图像视觉吸引力和清晰度的质量问题。通过使用恰当的负面提示词，可以在一定程度上缓解这些问题。

以下是图像提示词中使用修复畸形生成技术的一些例子（示例中使用了负面提示词来缓解图像畸形问题）：

提示词：A professional full-body portrait of a businessperson, sharp suit, confident pose. 负面提示词：deformed hands, extra fingers, blurry face.
提示词：A majestic eagle in flight against a clear blue sky, detailed feathers. 负面提示词：distorted wings, pixelated background, unnatural colors.

总结 📝

本节课中，我们一起学习了文本到图像提示技术。我们了解到，图像提示技术在提升生成式AI模型的图像生成能力方面起着至关重要的作用。风格修饰词、质量提升词、重复强调法、加权术语和修复畸形生成是五种可用于改善图像影响力的技术。通过结合运用这些技巧，可以创造出更令人难忘、更具吸引力和说服力的视觉内容，从而有效地传达预期信息。

030：13_课程总结 🎓

在本节课中，我们将一起回顾并总结整个课程的核心内容。你已经完成了提示工程基础课程的学习，掌握了设计有效提示、使用生成式AI工具构建提示以及文本到文本、文本到图像等关键技术。现在，你将发现更多深入学习与应用新技能的机会。在继续前进之前，让我们先来回顾一下你在整个课程中学到的关键概念。

核心概念回顾 📚

你学习了提示是指提供给生成式AI模型的任何输入或一系列指令，模型据此收集信息、进行推断并提供最佳响应。

一个结构良好的提示包含以下基本构建模块：指令、上下文、输入数据和输出指示器。

设计有效提示以充分利用生成式AI模型能力的过程被称为提示工程。这个过程旨在提升模型性能、理解模型限制并增强模型安全性。

撰写有效提示的最佳实践 ✍️

以下是撰写有效提示的一些最佳实践：

使用简洁明了的语言以确保清晰度。
提供背景细节以构建上下文。
具体明确并提供示例以提高精确性。
提供相关上下文以进行角色扮演。

提示工程工具与文本到文本技术 🛠️

提示工程工具提供了优化提示的功能。你可以使用这些工具根据给定输入建议提示、构建提示以实现更好的上下文沟通，并迭代优化提示以找到最有效的方案、减轻偏见并为特定领域创建提示。

你还学习了使文本提示更有效、并提升大语言模型输出可靠性的文本到文本提示技术。这些技术包括：

任务规范技术
上下文引导
领域专业知识
偏见缓解
框架设定
零样本提示
用户反馈循环
少样本提示

高级提示模式与方法 🤔

上一节我们介绍了基础的文本提示技术，本节中我们来看看几种更高级的提示模式与方法。

访谈模式允许与生成式AI模型进行动态、迭代的对话。它不是提供单一的静态提示，而是涉及与模型进行来回的信息交换，这有助于实时澄清查询并引导模型的响应。

思维链方法增强了生成式AI模型的认知能力。它引导模型进行逐步的思考过程。通过向AI模型提供相关的问题及其对应的解决方案，训练其理解解决问题的逻辑，从而使其能够解决其他类似问题。

思维树方法是一种在思维链方法基础上创新的技术。它涉及以分层结构构建提示，以指导模型的推理和输出生成。这种方法使模型能够同时探索多种可能性和想法，像决策树一样分支展开。

多模态提示通过整合文本、图像、音频等多种输入类型，扩展了生成式AI的能力，使其能够在多样化场景中实现更丰富、更准确的理解、互动和创造力。

淘汰赛方法涉及生成多个提示-响应对，并根据清晰度、精确度和上下文相关性等标准对它们进行评估。这种迭代方法有助于持续优化提示设计。

图像提示技术 🖼️

我们介绍了文本提示技术，现在将焦点转向图像生成。图像提示技术增强了通过生成式AI模型获得的图像的冲击力，使其更具说服力和吸引力。常用的图像提示技术包括：

风格修饰符
质量提升器
重复
加权术语
固定形态生成

实践与总结 🏁

至此，你已经回顾了本课程涵盖的基本概念。请记得查阅课程末尾的术语表，以复习讨论过的关键术语及其定义。

本课程包含实践实验和最终项目。通过完成实验，你获得了以下主题的实践经验：

了解我们的AI提示工具
实验提示：朴素提示和角色模式
提示工程中的访谈提示方法
提示工程中的思维链方法
提示工程中的思维树方法
多模态提示
淘汰赛方法
用于图像生成的有效文本提示

我们建议你继续实践在本课程中学到的概念。希望这些原则能磨练你的技能，并帮助你在职业生涯中取得进步。

恭喜你完成本课程！我们感谢你参与这段学习旅程，并祝你一切顺利。

031：0_课程介绍3

概述 📋

在本课程中，我们将学习如何利用生成式人工智能（Generative AI）来增强人力资源（HR）职能的效率、个性化水平和战略决策能力。

课程目标 🎯

欢迎来到《生成式AI与人力资源》课程。利用生成式AI的能力对于提升HR职能的效率、个性化和战略决策至关重要。

生成式AI可以自动化重复性任务，从而让HR专业人员能够专注于更具战略性的活动。将生成式AI整合到HR职能中，可以打造一个更敏捷、信息更灵通、更以员工为中心的组织。

工作、职位和市场动态的变革促使我们提出一些深刻的问题，例如：

生成式AI如何简化关键的HR职能？
如何在人力资源的多样化应用场景中运用生成式AI能力？
生成式AI如何优化HR流程并提升专业人员的生产力？
生成式AI如何在劳动力规划和员工敬业度等领域支持HR的战略层面？

课程内容与结构 📚

本课程将解答上述问题，你将探索如何利用生成式AI能力来提升HR领域专业人员的生产力。本课程专为现有的HR专业人员以及有志于在HR领域建立职业生涯的人士设计。如果你有兴趣了解生成式AI如何提升不同流程的效能并推动各项HR职能的生产力，那么这门课程非常适合你。

课程结束时，你将能够：

解释生成式AI在人力资源中的益处、影响和应用场景。
在各种HR职能中实施生成式AI解决方案。
讨论在HR中实施生成式AI的伦理考量、潜在问题和最佳实践。
为HR制定AI采用路线图，并组建一支具备AI能力的团队。

本课程是一个包含三个模块的聚焦课程，预计每个模块需要花费一到两个小时完成。

模块详解 🔍

上一部分我们概述了课程的整体目标，接下来我们详细看看每个模块的具体内容。

模块一：生成式AI在HR中的基础与应用

在课程的第一个模块中，你将学习生成式AI在HR中的重要性和实际应用。你将探索生成式AI可以在HR职能中有效应用的典型场景。你还将涵盖与这些HR职能相关的生成式AI基本概念和能力。此外，你将了解为各种HR职能设计的各类生成式AI工具。

模块二：优化流程与战略赋能

在模块二中，你将审视HR领域内生成式AI可以优化工作流程的关键场景。你还将探索HR的战略角色，展示生成式AI如何在劳动力规划和员工敬业度等关键领域提供协助。此外，你还将探讨在组织HR实践中成功采用生成式AI的要求和考量因素。

模块三：伦理、实践与巩固

在模块三中，你将探讨生成式AI的伦理考量和负责任的使用，并讨论其局限性和潜在问题。为了巩固你的理解，该模块包含一个基于核心概念的计分测验。此外，你将完成一个在实践场景中应用这些概念的最终项目。

学习资源与活动 🛠️

为了支持你的学习，课程中包含了术语表，以帮助你理解与生成式AI相关的技术术语含义。你也可以获得关于后续学习步骤的指导。

本课程融合了概念讲解视频和辅助阅读材料。观看所有视频以充分掌握学习材料的潜力。你将通过动手实验来学习在各种HR职能中实施生成式AI。最终项目为你提供了展示在HR中使用生成式AI知识的机会。每节课末尾都有练习测验，帮助你巩固所学知识。课程结束时，你还需要完成一个计分测验。课程还提供讨论论坛，方便你与课程工作人员联系并与同伴互动。最有趣的是，专家观点视频邀请了经验丰富的从业者，分享在HR领域利用生成式AI能力的见解。

总结 🏁

本节课中，我们一起学习了《生成式AI用于人力资源》课程的介绍部分。我们了解了课程的目标是赋能HR人员利用生成式AI探索无限可能，掌握了课程的核心结构分为基础、应用与战略、伦理与实践三大模块，并明确了通过视频、实验、项目和测验等多种方式进行学习。让我们开始学习吧。

032：生成式AI在人力资源中的意义与优势 🚀

在本节课中，我们将要学习生成式人工智能在人力资源领域的重要意义及其带来的具体优势。我们将了解HR专业人员面临的挑战，以及生成式AI如何通过自动化、数据分析和标准化流程来应对这些挑战，从而推动组织变革与创新。

HR专业人员在组织中扮演着关键角色，他们处理包括招聘与选拔、培训与发展、员工关系、薪酬福利、绩效管理以及各类行政职责在内的广泛职能。他们充当管理层与员工之间的重要纽带，确保管理层的目标与政策能有效传达给员工，同时也将员工的反馈、关切与建议传达给管理层。

由于疫情后工作模式的重大变化，对HR专业人员的需求显著增加。HR职能面临着诸多挑战与不完善之处。当HR专业人员做出诸如招聘谁、晋升谁或确定员工薪酬等决策时，他们通常依赖自身经验、个人观点以及积累的某些数据。这有时可能导致决策存在偏见或不完全公平。此外，各项HR职能中的手动工作更加耗时、易出错、效率低下且缓慢，从而降低了部门的整体生产力。

这正是生成式AI的用武之地。随着生成式AI的出现，公司正推动HR专业人员利用生成式AI模型的能力，以精简各项HR职能、自动化重复性任务，并做出数据驱动的明智决策，以确保在招聘、晋升和绩效管理中实现公平。

生成式AI在人力资源领域提供了广泛的潜在优势。以下是其主要优势：

提升效率与生产力
根据Career Builder的数据，HR经理平均每周在可自动化的任务上损失14小时。自动化可以提升效率与生产力。利用生成式AI自动化诸如筛选简历、安排面试和创建入职材料等重复性任务，有助于提高HR专业人员的效率与生产力。

改善员工体验与参与度
生成式AI驱动的聊天机器人可以即时响应员工查询，提供个性化的学习与发展建议，并简化内部沟通，从而改善员工体验与参与度。

实现数据驱动的决策
生成式AI可以分析海量数据以识别趋势并预测未来劳动力需求，使HR能够在招聘、晋升和员工保留策略方面做出明智决策。

减轻行政负担
根据Frevvo的数据，HR高达73%的时间被繁琐的行政职责所消耗。利用生成式AI可以简化诸如薪资处理、福利管理和合规报告等行政任务。这可以减轻HR人员的工作量，并最大限度地减少错误风险。

促进公平与多样性
生成式AI可以通过标准化评估流程，帮助减少招聘及其他HR流程中的偏见。这可以促进组织内部的多样性，并确保所有候选人无论背景如何都能得到公平评估。

赋能战略性角色
通过将HR专业人员从单调任务中解放出来，生成式AI可以帮助他们承担更具战略性的角色，如人才管理、劳动力规划、文化与变革管理以及员工敬业度与保留，所有这些对于组织的长期成功都至关重要。

助力组织变革管理
AI可以通过提供关于员工准备度和潜在阻力的洞察来协助HR管理组织变革。通过理解这些动态，HR可以制定更有效的变革管理策略，确保创新举措得以成功实施。

促进协作与连接文化
最后，生成式AI可以提供无缝协作和信息共享的平台，培育更具连接性的组织文化。

在数字化转型的时代，HR团队可以抓住机会，以身作则，在整个业务部门中拥抱生成式AI。虽然这一旅程充满挑战，但它为HR团队引领组织变革与创新提供了重要机遇。

本节课中我们一起学习了在人力资源中使用生成式AI的重要意义与诸多益处。我们了解到HR专业人员处理众多职能，是管理层与员工之间的关键纽带。生成式AI可以自动化重复性任务、提高效率、减少错误，并支持数据驱动的决策以实现更公平的结果。它能够改善员工体验与参与度，并通过标准化评估促进多样性。通过将HR从行政负担中解放出来，AI使其能够专注于战略性角色，助力组织变革并培育连接文化。在人力资源中拥抱AI可以带来重大的运营转型。

033：生成式AI在人力资源中的应用 🚀

在本节课中，我们将要学习生成式人工智能在人力资源领域的各种应用。我们将了解它如何改变传统工作方式，并在招聘、入职、薪酬等多个核心职能中提升效率与员工体验。

在不断变化的人力资源领域，生成式人工智能正在产生重大影响。它正在改变传统的工作方式，并引入了新的创新理念。领英最近进行的一项全球调查显示，62%的招聘专业人士对人工智能对招聘的影响持积极看法，其中14%的人表示已将生成式人工智能整合到人力资源运营中。

接下来，让我们了解生成式人工智能在人力资源管理中发挥作用的各个方面。

生成式AI在HR中的核心应用领域 📊

生成式人工智能在招聘、入职支持、行政工作、薪酬、学习与发展、绩效管理、员工敬业度、员工福利和合规监控方面都非常有帮助。

上一节我们介绍了生成式AI在HR中的整体应用范围，本节中我们来看看它在招聘环节的具体作用。

招聘环节的应用

招聘团队可以巧妙地运用生成式人工智能来实现顺畅、快速的运作。以下是生成式AI在招聘中的具体应用方式：

简历筛选与匹配：生成式AI可以分析职位描述和候选人简历，为特定职位提供最佳匹配的见解。例如，当一个组织收到数百份求职简历时，AI系统可以利用自然语言处理技术分析简历和职位描述，识别关键技能、资格和经验，然后将候选人资料与职位要求进行匹配，向招聘人员呈现一份最合适候选人的短名单。这减少了人工筛选的时间和精力，提高了招聘流程的效率。
- 核心概念：AI系统使用自然语言处理(NLP)分析文本数据，并计算匹配度分数。
生成个性化面试问题：它可以根据候选人资料和职位要求生成个性化的面试问题，从而优化招聘流程。

在完成招聘流程后，新员工的入职体验同样重要。接下来，我们将探讨生成式AI如何为新员工提供支持。

入职支持

AI可以通过为新人创建个性化的入职计划来提供入职支持，这些计划包括培训材料、介绍邮件和任务日程表。它可以生成交互式入职模块或聊天机器人，引导新员工了解公司政策、流程和文化。

除了招聘和入职，人力资源部门还面临大量的日常行政工作。下面我们看看生成式AI如何简化这些任务。

行政工作自动化

日常行政工作也可以通过使用生成式人工智能实现自动化。例如，安排面试、回复基本的人力资源咨询和管理文档。您还可以为各种人力资源文档生成模板，如录用通知书、合同和绩效评估，从而为人力资源专业人员节省时间。

薪酬处理是人力资源中另一项需要高度准确性的工作。生成式AI在此领域也能大显身手。

薪酬流程

生成式人工智能可以简化薪酬流程，自动生成工资单、计算扣除额和处理员工报销。它可以识别考勤数据中的模式以检测差异，从而提高薪酬准确性。

员工的能力提升对企业发展至关重要。接下来，我们看看生成式AI如何赋能学习与发展。

学习与发展

生成式人工智能可以应用于学习与发展。考虑一家使用生成式人工智能个性化员工培训计划的科技公司。AI系统分析每位员工的绩效数据、技能评估和学习偏好。基于此分析，它为每位员工生成个性化的学习路径，推荐相关课程、研讨会或在线资源。例如，一位对数据科学感兴趣的员工可能会收到学习特定数据分析课程和编程语言的建议。它可以生成交互式培训模块、测验或模拟，以提高员工的参与度和知识留存率。这种量身定制的方法增强了员工参与度并加速了技能发展。

在帮助员工成长的同时，对其绩效进行有效管理也同样关键。下面我们来了解生成式AI在绩效管理中的应用。

绩效管理

生成式人工智能也可应用于绩效管理。它可以根据绩效指标、目标和同事比较，为员工提供实时反馈。它可以为管理者生成绩效报告和可视化图表，以跟踪进度、识别需要改进的领域并做出数据驱动的决策。

员工的积极性和敬业度是组织健康度的晴雨表。生成式AI如何帮助我们更好地了解并提升员工敬业度呢？

员工敬业度

对于员工敬业度，您可以使用生成式人工智能来分析来自调查、绩效评估和社交媒体的员工反馈，以识别趋势并提出改善敬业度的干预措施。它可以根据员工的贡献和成就，生成个性化的信息或认可奖项。

为员工提供合适的福利是留住人才的重要手段。生成式AI如何让福利选择更个性化？

员工福利

生成式人工智能可以帮助员工根据他们的需求、偏好和生活状况选择最合适的福利套餐。它可以为医疗保健计划、退休选项和健康计划生成个性化推荐。

确保企业运营符合法律法规是HR的重要职责。最后，我们来看看生成式AI如何辅助合规监控。

合规监控

生成式人工智能还可用于监控合规性。它可以监控法规变化并相应更新人力资源政策和程序以确保合规。它可以生成合规报告和审计报告，标记任何差异或风险以供进一步处理。

此外，生成式人工智能还支持创建自助服务门户和问答聊天机器人，为员工提供便捷的信息获取渠道，从而提升整体人力资源效率。

总结 📝

本节课中，我们一起学习了生成式人工智能如何改变人力资源运营的各个方面，提高了效率、准确性和员工体验。

在招聘中，它自动化了简历筛选，匹配候选人资料与职位要求，并生成个性化面试问题。
在入职环节，它为新人制定个性化计划。
安排面试和管理文档等行政任务通过AI生成的模板得到简化。
薪酬流程可以实现自动化，确保计算精度并标记异常。
学习与发展计划受益于个性化培训计划和交互式模块，以提升参与度。
绩效管理通过实时反馈得到丰富，而AI驱动的分析可以预测未来趋势和挑战。
生成式人工智能通过分析反馈和促进个性化沟通来支持员工敬业度。
合规监控通过AI生成的报告得以简化。
最后，生成式人工智能可以支持自助服务门户和聊天机器人，实现无缝的信息访问和增强的用户体验。

034：3_推动人力资源用例的生成式AI能力 🚀

在本节课中，我们将要学习生成式人工智能的核心能力，以及这些能力如何通过特定的模型和技术实现，从而变革人力资源领域。

概述 📋

生成式AI具备一系列关键能力，包括内容生成、类人对话、情感分析和预测分析。这些能力在人力资源领域拥有巨大潜力，可以自动化任务、改善员工体验并增强决策制定。本节将探讨支撑这些能力的底层模型和AI技术。

核心能力与实现技术

上一节我们介绍了生成式AI的潜力，本节中我们来看看实现这些能力的具体技术。

内容生成能力 ✍️

生成式AI的核心优势在于其生成逼真且相关内容的能力，范围涵盖文本、图像和视频。在人力资源领域，这一能力极具价值。例如，它可以用于撰写引人注目的职位描述、生成真实的面试和培训场景，以及创建根据员工角色和背景定制的个性化内容。

那么，生成式AI如何实现这些内容生成和创作技能呢？这主要通过生成式AI模型完成。

以下是几种关键的生成式AI模型：

生成对抗网络：一种通过“生成器”和“判别器”相互博弈来学习数据分布的模型。
变分自编码器：一种通过学习数据的潜在空间分布来生成新数据的模型。
Transformer模型：一种基于自注意力机制的模型，擅长处理序列数据，是当前大语言模型的基础。

这些模型可以被视为生成式AI的构建模块。它们利用深度学习技术从海量数据集中学习并生成新数据。深度学习算法受人脑结构和功能的启发，通过分析数据，算法学习单词之间的底层模式和关系，从而使模型能够生成语法正确、语义通顺且风格恰当的新文本。

基础模型与大语言模型 🤖

进一步，我们拥有基础模型。基础模型是具备广泛能力的AI模型，可以针对任何特定任务进行微调，例如摘要或翻译。

一种特定类型的基础模型被称为大语言模型。LLM经过训练，能够理解和生成基于上下文的文本。

以下是一些LLM的示例：

OpenAI的 GPT
谷歌的 BERT 和 Gemini Pro
Meta的 Llama

这些LLM构成了许多流行的生成式AI工具和应用的基础。例如，ChatGPT基于GPT，而Google Gemini基于Gemini Pro。

LLM在自然语言处理任务中表现出色。NLP是AI的一个领域，专注于计算机与人类使用自然语言的交互。它使生成式AI模型能够理解其训练数据，生成基于上下文的内容，并促进类人交流。

在人力资源领域，基于NLP的生成式AI模型可以分析员工反馈、调查和评论，以评估情感并识别关注点或满意领域。通过分析沟通模式和内容，它们可以提供关于员工敬业度和士气的见解。

对话与预测分析 💬📊

生成式AI驱动的聊天机器人正在改变人力资源互动方式。这些聊天机器人利用NLP和强化学习来实现自然而动态的对话。强化学习是一种机器学习技术，通过与环境交互来训练模型或软件做出决策。聊天机器人与模拟用户交互，并根据其回复获得反馈。基于此反馈，模型学习随时间优化其回复，变得更擅长理解用户查询并提供有用信息。

生成式AI聊天机器人可以针对特定领域进行定制，提供专业知识。人力资源领域可以利用NLP驱动的聊天机器人与候选人互动、处理人力资源咨询、筛选简历以及促进员工反馈调查。

生成式AI另一个吸引人的能力是通过分析大型数据集、发现模式和识别相关性来执行预测分析。LLM经过训练，能够识别趋势、提取相关特征并生成准确预测。通过提供数据驱动的预测，这些模型增强了决策过程。在人力资源领域，生成式AI为招聘成功率、绩效与生产力、培训效果、劳动力规划和员工敬业度等方面的决策提供了宝贵的见解。

未来展望：多模态模型 🔮

生成式AI模型和其他AI进步正在革新人力资源领域。像Google Gemini这样的多模态模型不仅可以处理文本，还可以处理图像和音频，以实现更丰富的内容生成和分析。

多模态模型为生成式AI赋予了更强大的能力。例如，想象一下将文本、视频教程和实时反馈整合起来，以获得更有效的学习体验。或者超越基于文本的情感分析，多模态AI可以分析语音语调和面部表情，以揭示员工的情感和压力。

随着生成式AI的持续发展，我们可以预期在人力资源领域会出现更多创新应用，塑造工作的未来。

总结 🎯

本节课中我们一起学习了生成式AI的关键能力，包括基于上下文的内容生成、类人对话、情感分析和预测分析。这些能力由LLM等生成式AI模型实现，这些模型在大型数据集上训练，以理解和生成基于上下文的文本。LLM擅长NLP任务，对于各种人力资源职能非常有价值，例如撰写职位描述、面试问题和个性化学习材料，以及分析员工反馈和敬业度。生成式AI聊天机器人利用NLP和强化学习来实现自然而动态的对话，它们可以针对包括人力资源在内的特定领域进行定制。

生成式AI用于人力资源：P35：4_面向人力资源的生成式AI工具 🛠️

在本节课中，我们将学习生成式AI工具在人力资源领域的应用。我们将探讨采用这些工具的必要性，并介绍可用于不同HR职能的各种工具。

生成式AI正在变革人力资源领域，使其更高效、数据驱动且个性化。生成式AI工具的快速发展正鼓励各公司将生成式AI能力整合到包括人力资源在内的不同职能中。

先进的生成式AI工具非常复杂，可用于情感分析和预测分析等功能，在HR职能中拥有广泛的应用。这些工具用户友好且价格合理，使得各种规模的组织都能更容易地采用并将其集成到HR工作流程中。

跨国公司越来越多地在其人力资源部门中使用生成式AI工具来管理海量的职位申请。通过利用这项技术，他们可以识别并解决职位描述中存在的偏见，最终获得更多样化的候选人群体。

初创公司正迅速安装AI驱动的聊天机器人用于入职，以减轻HR人员的行政负担。此外，财富500强公司正利用生成式AI工具进行绩效评估，试图消除传统评估过程中固有的主观偏见。

可用于人力资源领域的生成式AI工具分为两大类：通用跨行业工具和HR专用生成式AI工具。

跨行业工具可被HR专业人员用于一般目的，例如撰写详细的职位描述、总结员工反馈用于绩效评估，以及制作引人入胜的培训视频。以下是其中一些工具：

ChatGPT：可以帮助HR专业人员创建有意义的职位描述，并在绩效评估期间总结员工反馈。
Copilot：可集成到所有微软产品中，为起草Word文档提供建议，并能从Teams的录音中创建会议纪要。
Google Gemini：一个强大的多模态工具，可用于创建引人入胜的培训视频和多样化的内容材料，以增强员工学习体验。
DALL-E：可用于为员工参与活动和组织内的视觉传达设计有吸引力的海报。
Sora：OpenAI的视频生成工具，可用于为各种HR举措和内部沟通创建个性化和引人入胜的视频内容。

上一节我们介绍了通用工具，本节中我们来看看如何实际使用它们。让我们尝试演示如何使用像ChatGPT这样的通用工具，为以下场景生成相关输出。

作为一名快速发展的科技初创公司的HR专业人员，你的任务是为软件开发团队选择下一任经理。这项任务具有挑战性，因为有两位杰出的候选人被提名担任同一职位，他们都拥有出色的工作经历和上级的绩效评级。为了确保做出最佳选择，你应该考虑额外的参数进行彻底评估。

为了增强你的评估，你可以构建以下提示，要求提供相关参数的建议：
列出在快速发展的科技初创公司中，评估软件开发团队管理职位的候选人时应考虑的关键因素和标准。

在响应此提示后，你可以在屏幕上看到相应的输出。

为了从生成式AI工具中获得理想的响应，构建有效的提示非常重要。以下是创建有效提示以协助HR各项职能任务的指南：

明确领域：清晰定义你正在处理的人力资源管理具体领域，例如招聘、多元化或绩效管理。
提供背景：包含关于你的行业、公司规模、地区或任何相关具体政策的详细信息。
术语精确：通过使用精确和标准的术语来避免歧义。
陈述目标：清楚说明你希望实现的目标或你正在寻求的建议。
要求证据：如果你需要经过证实的信息，请要求提供支持性证据、研究或引用。
遵循最佳实践：尽可能遵循行业内已确立的最佳实践。
保护隐私：避免分享有关员工或组织的敏感或个人身份信息。
追问澄清：如有必要，提出后续问题以澄清或获取更多信息。

HR专用的生成式AI工具服务于特定的HR职能。让我们探索一些此类工具：

Textio：利用AI审查职位描述，识别并纠正偏见，使其更具包容性。
Scribe：一个AI驱动的工具，旨在为招聘目的自动化内容创建。它能生成职位描述、能力指南和学习大纲。
LISer：帮助开发AI驱动的聊天机器人，定制用于指导新员工完成入职流程。
IBM Watsonx Orchestrate：简化HR流程，自动化从安排面试到跟进候选人等人才招聘任务。此外，它还能为员工提供个性化的入职体验，包括定制化的说明和培训内容。
FE：为绩效评估提供全面的解决方案，提供360度反馈以从多个角度评估员工绩效。
Cohere Generate：一个平台，使HR团队能够创建针对特定任务（如简历筛选或情感分析）定制的自定义语言模型。
Zavvy：专门用于生成个性化培训内容和填充能力矩阵。

本节课中我们一起学习了人力资源领域面临决策过程中的主观性和偏见问题。生成式AI工具通过解决偏见和提高效率，正在彻底改变HR领域。

像ChatGPT、Copilot、Gemini、DALL-E和Sora这样的工具服务于各种HR职能。撰写有效提示的指南包括清晰性、具体性和遵循行业最佳实践。HR专用工具有助于简化招聘、入职、绩效评估和员工发展。这些工具促进了人力资源的公平性、效率和个性化体验。

036：IBM WatsonX Orchestrate工具 🚀

在本节课中，我们将学习IBM WatsonX Orchestrate工具。这是一个由AI驱动的平台，旨在自动化和简化业务流程与工作流。我们将探讨其用例、优势，以及它如何与日常应用程序集成，从而为人力资源专业人员节省时间并提升效率。

什么是IBM WatsonX Orchestrate？🤖

上一节我们介绍了课程概述，本节中我们来看看IBM WatsonX Orcheste究竟是什么。

IBM WatsonX Orcheste是一个由AI驱动的平台，旨在自动化和简化业务流程与工作流。它利用生成式AI和自动化技术，通过自动化复杂、重复的任务来解放人力资源部门的时间。它使用自然语言处理来理解请求，并利用一个庞大的预构建技能库来完成这些请求。Orcheste可以与Salesforce和Gmail等各种应用程序集成，实现跨不同工具的自动化任务，从而让HR有更多时间专注于战略性工作。

为何使用IBM WatsonX Orchestrate？💡

了解了其基本定义后，你可能会想，为什么要使用IBM WatsonX Orcheste呢？

原因在于，使用IBM WatsonX Orcheste可以节省大量时间。过去需要数小时的工作现在只需几分钟。只需分配你想要Orcheste处理的任务，例如发送电子邮件、安排会议或面试、或加快请求处理，剩下的工作它将自动完成。此外，它能与你已经使用的工具和应用程序（如Outlook、LinkedIn、SAP SuccessFactors等）无缝协作。你们合作得越多，它就越智能，你的体验也就越个性化。

IBM WatsonX Orchestrate的优势 ✨

现在，让我们具体分析一下使用Orcheste处理人力资源职能的几大好处。

以下是其主要优势：

提升效率：Orcheste自动化复杂、重复的任务，使人力资源部门能够专注于战略计划。
改善业务成果：它运用自然语言与人互动，并通过创建智能助手来完成任务，从而简化工作流程。
个性化与安全性：它可以根据组织的需求进行定制，并在高度安全的环境下运行。

如何为组织进行个性化定制？🎯

你可能会好奇Orcheste如何根据组织的需求进行个性化定制。

为此，Orcheste会提供一项评估。订阅了Orcheste的雇主将收到一组问题，包括技术性和非技术性问题。进行这项评估是为了检查组织在采用最新AI技术方面的进展。根据问卷的回复，Orcheste将建议一些资源来帮助开启这段旅程。

IBM WatsonX Orchestrate的用例 📋

上一节我们探讨了其优势，本节中我们来看看Orcheste可以成功应用的一些具体用例。

以下是几个关键的应用场景：

人才招聘：Orcheste可以处理面试安排和后续沟通，不懈地确保人才招聘流程顺利进行。
人力资源采购：Orcheste可以根据不断变化的业务优先级，自动化手动采购任务。
员工入职：它可以设置账户、标准化每位新员工的体验、确保每位新员工获得同等程度的关注和信息，并安排培训课程和发送欢迎邮件，从而为你节省时间去与新团队成员互动。
职业发展：它简化了分析晋升机会以及哪些员工最能从晋升中受益的繁琐工作。

更重要的是，你可以轻松地将IBM WatsonX Orcheste与你当前的工具集成，以获得无缝体验。

与其他工具的集成示例 🔗

我们已经了解了Orcheste的独立应用，现在来看看它与其他工具集成的具体例子。

以下是一些集成示例：

与AWS的应用程序集成服务
与Coupa的业务支出管理
与Anaplan的业务规划与绩效管理
与Microsoft Power BI的数据可视化

让我们看一个具体案例，其中ThisWay Global和IBM WatsonX Orcheste结合了数字员工的价值与一个引擎，帮助你增加人才库的多样性并识别合格的候选人。

IBM Watson Orcheste和ThisWay Global将你的Watson Orcheste数字员工（或称Digi）的能力与ThisWay Global的多元化人才搜寻和匹配引擎相结合，使你能够从多元化人才库中找到合格的候选人。工作流程如下：首先，为职位寻找合格候选人。例如，职位描述存放在Box中。只需选择你需要招聘的职位，你的Digi就会连接ThisWay Global的候选人搜寻技术，为你提供可能数百个匹配项。你还可以按特定地点筛选。在这里，我们通过ThisWay Global的Discover服务从科罗拉多州丹佛市提取候选人。获得列表后，你可以轻松保存文件以供将来参考。现在，你可以使用保存的数据联系选定的候选人，鼓励他们申请这个机会。请注意，电子邮件是从你的邮箱地址发出的，因此邮件被垃圾邮件过滤器标记的可能性较小。你甚至可以使用自定义模板并为你的受众进行个性化设置。你的Digi会整理并向选定的候选人发送电子邮件，其中包含申请链接。

总结 📝

本节课中，我们一起学习了由AI驱动的平台——IBM WatsonX Orcheste，它旨在自动化和简化业务流程与工作流。我们了解到它使用自然语言处理来理解请求。我们还探讨了它的一些优势，例如提高效率、改善业务成果以及提供个性化且受保护的服务。我们进一步探讨了它在人才招聘、人力资源采购、员工入职和职业发展方面的用例。最后，我们还了解了一些可以轻松与Orcheste集成的应用程序，例如与AWS的应用程序集成服务、与Coupa的业务支出管理等。

037：人力资源领域的AI智能体 🤖

在本节课中，我们将要学习人工智能智能体在人力资源领域的应用场景、优势以及具体实例。我们将了解这些虚拟助手如何通过自动化任务来提升HR工作效率，并探讨它们如何与HR专业人员协作，实现“人在回路”的工作模式。

什么是HR领域的AI智能体？

想象一下，作为一名人力资源专业人员，你需要同时处理上百项任务，从筛选候选人到回答他们层出不穷的疑问。

现在，想象有一位全天候的助手，能够不知疲倦地7x24小时工作，回答候选人的问题，同时高效地完成入职文书工作。这就是AI智能体在HR领域的力量。

那么，这些AI智能体究竟是什么？你可以将它们视为你的虚拟助手。它们由生成式AI创建，其使命是自动化HR工作中那些永无止境的循环任务。

无论是筛选简历、安排面试，还是为新员工起草入职文件，AI智能体都利用自然语言处理（NLP）和深度学习来简化你所有的HR流程。

AI智能体的核心能力

上一节我们介绍了AI智能体的基本概念，本节中我们来看看它们具备哪些核心能力。

AI智能体不仅仅是任务执行者，它们还被设计用于优先排序和任务委派。它们将复杂的指令分解为定义清晰、明确的步骤，帮助你高效地达成预期截止日期。它们使用先进的AI算法来优化资源分配，并根据任务的紧急性和重要性来确定优先级。

此外，AI智能体还具备专业能力，能够为每位候选人提供个性化的定制体验，在整个入职旅程中为他们提供支持和协助。

AI智能体的具体应用场景

了解了核心能力后，接下来我们探索AI智能体在HR中的一些具体应用场景。以下是几种常见的AI智能体类型：

招聘聊天机器人：作为最受欢迎的虚拟助手，它们管理申请人提出的咨询，并根据收集到的必要信息安排面试。
虚拟面试助手：这类AI工具通过组织与申请人的视频面试，评估候选人的技能并判断其是否与组织文化契合，从而大幅简化招聘流程。
员工入职工具：这些工具引导新员工完成入职流程，并在需要时为他们提供必要的资源和帮助。它们解决了新员工通常存在的众多疑问，确保平稳过渡。
HR服务台：它们充当虚拟HR经理，处理员工关于福利、政策和公司文化的查询。这为HR团队成员减轻了巨大负担。

认识几位“AI超级英雄”

现在，让我们来熟悉几位这样的“AI超级英雄”。

Scout（侦察员）：招聘领域的强大助手，能快速筛选简历。它根据技能、经验和关键词分析候选人，充分筛选出合格人选，从而为HR专业人员节省大量时间。
Willow（柳树）：你的入职伙伴，通过7x24小时在线回答新员工可能有的所有问题，使每位新员工的过渡尽可能顺利。
Sage（智者）：绩效分析专家，不仅通过员工绩效分析帮助HR，还通过推荐相关培训计划、识别趋势和改进领域来帮助员工。
Retain（留任者）：AI留任代理，警惕地监控员工情绪以防止人员流失。它还主动解决问题，以确保员工满意度。

拥有这些AI智能体，不仅仅是更好地处理HR任务，更是为了创造一个更快乐、更高产的员工队伍。

AI智能体与“人的作用”

但一个经常被问到的问题是：人情味怎么办？虽然这些智能体不能取代人，但它们是一种增强工具，旨在提升效率并减轻HR专业人员的工作量。

这些智能体就像可信赖的超级英雄，使HR专业人员能够将更多时间投入到战略性倡议中，并创造一个建立在同理心基础上的工作环境。这体现了 “人在回路” 的方法，即AI辅助决策，但最终由人类进行监督和做出关键判断。

课程总结

本节课中，我们一起学习了AI智能体的兴起如何改变了HR世界。

我们了解到，这些AI智能体通过NLP和深度学习，简化了筛选简历、安排面试和创建入职文书等HR流程。此外，我们探索了AI智能体的具体例子，如招聘聊天机器人、虚拟面试助手、员工入职工具和HR服务台。我们还认识了像Scout（招聘）、Willow（入职）、Sage（绩效分析）和Retain（留任）这样的AI智能体。最后，我们学习了“人在回路”流程以及在HR实践中进行符合伦理的AI开发的重要性。

038：数字员工的定义 📚

在本节课中，我们将要学习“数字员工”的概念。我们将了解数字员工的含义、核心特征，并通过一个具体案例来理解数字员工如何帮助人力资源专业人士节省时间，从而专注于更具战略价值的任务。

什么是数字员工？🤖

数字员工是软件驱动的实体，旨在自主处理端到端的工作流程。它们利用多样化的技能来执行各种任务和职责，这些任务和职责会根据其工作岗位、行业以及其管理者或雇主设定的目标而有所不同。

上一节我们介绍了数字员工的基本定义，本节中我们来看看它的核心特征。

数字员工的四大关键特征 🔑

数字员工具备四个关键特征。

以下是这四个特征的详细说明：

与环境交互：它们能够以有意义的方式与物理环境进行交互。
跨渠道通信与操作：它们能够在多个渠道上进行通信和操作，确保无缝集成和交互。
管理与优化工作流：它们能够管理和优化跨不同流程和系统的工作流。
与所有用户交互：它们被设计为与所有用户交互，在各种接触点上提供一致的支持和互动。

这些独特的特性使数字员工成为现代劳动力中多才多艺且强大的补充。

案例分析：数字员工如何助力招聘 💼

现在，让我们通过一个简单的视频案例，看看数字员工如何节省数小时的手动工作。这使人力资源专业人士能够专注于更高价值的战略任务，并为更好的决策提供更周到的建议。

大家好，我们来谈谈数字员工。我是IBM自动化部门的Leslie Chow。什么是数字员工？它能为你做什么？它能为人类员工带来什么价值？

让我们从一个例子开始。我想向你介绍Cassie。Cassie是一名招聘专员。

她帮助像Ava这样的人。Ava是一名经理，她正在为她的团队招聘。Cassie帮助Ava处理端到端的招聘流程。除了其他工作，她还帮助Ava寻找适合该职位的候选人。

她的典型工作流程是这样的：

以下是Cassie的典型工作步骤：

她首先使用 LinkedIn Recruiter 来搜索和寻找合适的职位候选人。
然后，她浏览搜索结果，并找到符合职位要求的匹配候选人。
接着，她给这些候选人发送消息，并安排筛选面试，以确保他们是Ava的合适人选。
最后，当她整理出一份合适的候选人短名单后，她会将该名单编译到电子表格中，以便Ava进行下一步。

Cassie希望将更多时间花在更高价值的任务上，例如审阅简历或为筛选面试做周到的准备，以便为Ava提供最佳候选人名单。作为一名招聘专员，她知道这才是真正能发挥她技能的地方。但相反，她大部分时间都花在了手动和重复性任务上。

这些任务包括：在搜索结果中梳理候选人列表；在流程后期，当她整理出候选人短名单时，她需要花费大量时间进行复制粘贴——将信息从LinkedIn复制粘贴到电子表格中，以便Ava审阅。她还需要花费大量时间处理行政任务，例如给Ava发消息、给候选人发消息、与候选人安排时间。

如果Cassie有一个私人助手来帮她完成这些手动任务，让她能专注于那些更需要人类技能、直觉和分析能力的更高价值任务，那该多好。这就是数字员工发挥作用的地方。

我想向你介绍Henry。Henry是一名人力资源数字员工，也是Cassie的新助手。数字员工有三个主要功能：

以下是数字员工的三大核心功能：

交互能力：它可以与周围的世界互动，可以与Cassie互动。
人工智能：它具备AI，能够理解被要求做什么。
执行工作：它可以像人类员工一样工作。

就像人类员工一样，数字员工也有一套工作技能。对于数字员工来说，这些技能本质上是 API调用 和 软件机器人技术。这些技能帮助数字员工代表Cassie与LinkedIn、电子表格等系统进行交互。

因此，Cassie需要做的就是提出请求。Cassie要求Henry做某事，Henry则利用其AI来解释这个请求，然后将其与自身具备的技能进行匹配，从而为Cassie完成工作。

在这个例子中，Cassie可以简单地要求Henry在LinkedIn上搜索候选人。Henry可以解释这个请求，并快速匹配其拥有的LinkedIn技能，从而调用LinkedIn API进行搜索。你甚至可以更进一步，让它给合适的候选人发送消息，并为Cassie安排与候选人的筛选面试时间。

在流程后期，Cassie可以要求Henry获取候选人短名单，并将其编译到电子表格中。Henry会解释这个请求，并匹配其电子表格技能。它会手动将短名单中的每一行复制粘贴到电子表格中，甚至可以在名单准备好供Ava审阅时通知Ava。

这是一个非常简单的例子，但它展示了数字员工如何帮助Cassie节省数小时的手动工作时间。现在，Cassie可以将更多注意力集中在更高价值的工作上，花更多时间审阅简历和为面试做周到的准备，从而为Ava提供更好的候选人名单。她甚至可以通过向Ava撰写周到的推荐来开始与同事区分开来，帮助Ava在后续步骤中做出更好的决策。

总结 📝

本节课中我们一起学习了数字员工的定义及其核心特征。我们了解到，数字员工是能够自主处理端到端流程的软件实体，具备与环境交互、跨渠道操作、管理工作流和与用户互动四大特征。通过招聘专员Cassie的案例，我们清晰地看到，数字员工能够接手大量重复性、手动的工作任务，从而解放人力资源专业人士，让他们能够专注于需要人类洞察力、分析能力和战略思维的高价值工作，最终提升整体工作效率和决策质量。

039：新员工招聘与入职管理 🚀

在本节课中，我们将要学习如何将生成式人工智能整合到新员工的招聘与入职管理流程中。我们将探讨有效招聘与入职的重要性，并详细说明生成式AI如何在此过程中提升效率与员工体验。

概述

在当今竞争激烈的商业环境中，有效的招聘至关重要，因为它有助于吸引市场上的顶尖人才。它能确保组织获得合格且技能娴熟的候选人库，从而获得相对于竞争对手的优势。

接下来是员工入职，这是一个广泛的过程，旨在促进新员工融入组织并适应其角色。入职使新员工能够适应工作环境、融入公司文化，并成为团队中富有成效的成员。根据一项盖洛普民意调查，70% 拥有积极入职体验的员工认为他们的工作是最好的。然而，只有 12% 的员工认为他们的公司有效地完成了新团队成员的入职。因此，公司必须努力使其入职流程尽可能顺畅和有效。

生成式AI正在改变招聘和入职体验，确保效率、参与度和即时适应性。接下来，让我们探索招聘和入职流程中涉及的各种活动或任务，并了解如何将生成式AI整合到这些任务中。

整合生成式AI的步骤

以下是招聘与入职流程中整合生成式AI的关键步骤。

创建精确的职位描述

在发布职位空缺之前，人力资源部门需要与招聘团队合作，了解该职位的要求，包括技术技能和软技能。这些信息可以输入到如 ChatGPT、Gemini 和 Copilot 等工具中。借助大型语言模型的协助，人力资源团队可以生成详细的职位描述。这些描述提供了公司的简要概述，并概述了对候选人的经验、技能和期望。

筛选与评估候选人

从大量的申请中评估候选人可能既繁琐又耗时。为了简化这一过程，人力资源部门可以利用像 SeekOut 这样的人才搜寻工具，这些工具利用了生成式AI技术。这些工具会根据职位描述中预定义的标准，自动筛选数据库中的简历，并分析候选人在 LinkedIn、Stack Overflow 和 GitHub 等平台上的社交媒体资料。它们评估候选人的技术熟练程度和协作技能，然后为最符合所需资格的档案分配分数。

在初步筛选之后，人力资源团队可以评估顶尖候选人以进入下一轮。

进行AI驱动的面试评估

在确定合适的候选人后，下一步是使用像 HireVue 这样的AI代理进行评估。这些代理可以发布与特定用例相关的技术问题，以评估候选人的问题解决能力、分析思维和压力管理技能。

人力资源部门还可以使用像 Wordtune 这样的生成式AI工具，向选定的候选人发送个性化的电子邮件，传达面试反馈并概述选拔流程。此外，这些工具还可以为未进入下一轮的候选人生成个性化反馈，确保在整个招聘过程中沟通清晰、体验积极。

提供动态入职学习模块

在入职培训期间，可以为新员工提供自助服务门户的访问权限。这些门户配备了问答聊天机器人，可提供有关公司政策、组织结构、薪酬福利和团队成员等各个方面的信息。

人力资源部门可以运用文本转音频和文本转视频的生成式工具，如OpenAI的 GPT 和 Sora，来制作动态和个性化的入职学习模块。这些模块集成了模拟、虚拟现实体验和游戏化元素，并根据员工的技能组合、学习偏好和工作需求进行定制。

促进团队融合与持续改进

进一步地，新员工可以通过参与虚拟团队建设活动，无缝地与他们的团队融合。

最后，还可以利用生成式AI来检查绩效数据，以发现模式和需要改进的领域。通过建立明确的目标、反馈机制和持续监控系统，人力资源部门可以提出对入职计划的调整建议。

实际应用案例

以下是一些在招聘和入职新员工的不同阶段使用的生成式AI平台实例。

埃森哲（Accenture）：埃森哲的人才招聘团队开发了一个AI驱动的平台，能够与申请职位空缺的候选人进行个性化的电子邮件沟通。该平台整合了AI驱动的功能，如F评分、候选人匹配和单向面试。它还提供自动化的AI日程安排，消除了安排面试时耗时的来回沟通。自实施这个全面的AI驱动平台以来，埃森哲观察到各种招聘指标都有显著改善。例如，申请转化率提高了 84%，招聘时间减少了 9%，并且通过进行单向面试节省了 20% 的招聘时间。
Aon Global：Aon Global推出了 Aon Assist，这是一个AI驱动的聊天助手，旨在处理员工咨询。Aon Assist精通管理各种流程，包括员工入职和培训。
Leena AI：Leena AI专门为入职流程提供虚拟协助。该平台提供自动化沟通、导师分配和实时问答功能，为现场和远程招聘的新员工都提供了顺畅的入职体验。

总结

本节课中我们一起学习了有效招聘对于组织成功、吸引市场顶尖人才至关重要。入职在员工适应和生产力方面发挥着至关重要的作用，然而许多公司难以提供积极的体验。生成式AI简化了招聘和入职流程，提高了效率和参与度。它协助制作精确的职位描述、筛选候选人、进行面试并提供个性化反馈。此外，它还通过动态学习模块和虚拟团队建设活动丰富了入职体验。

040：促进学习与发展 🎯

在本节课中，我们将要学习生成式AI在人力资源学习与发展（L&D）领域的关键作用。我们将探讨AI如何创建个性化培训内容、设计学习路径，并最终提升员工技能与组织竞争力。

概述

生成式AI正在重塑企业赋能员工学习与成长的方式。它能够根据个人需求和偏好，创建个性化、互动式的培训内容，从而提升员工参与度与知识留存率。在当今快速变化的职场环境中，保持领先至关重要，而学习与发展职能正是培养高技能、高适应性员工队伍的“秘密武器”。

上一节我们介绍了生成式AI在人力资源中的宏观价值，本节中我们来看看它如何具体赋能学习与发展。

生成式AI如何创建多元化培训内容 📚

生成式AI能够跨越文本、图像和音频等多种格式，创建引人入胜且高效的培训材料。

以下是生成式AI在内容创作方面的主要应用：

文本生成：利用生成式AI的文本生成能力，可以创建基于文本的电子学习内容，包括教学材料、测验和评估。它同样适用于技术技能培训，例如创建手册、教程和各种类型的文档。此外，生成式AI还能为软技能或特定领域（如销售和客户服务）培训创建场景与案例研究。例如，AI可以生成模拟客户互动的脚本，让销售和客服团队练习有效处理各种情况。它还能创建针对特定客户的场景，培训员工如何处理异议和掌握产品知识。
图像生成：除了文本，你还可以利用生成式AI的图像生成能力来创建视觉辅助工具，例如信息图、图表和产品插图，用以解释新产品特性或在具体产品培训中提供说明。
音频与沉浸式体验生成：如果需要为学习者提供逼真的模拟场景以进行实践训练，利用生成式AI是最佳解决方案。基于音频的培训材料，如播客、音频讲座或语言学习内容，也可以利用生成式AI的音频生成能力来创建。不仅如此，生成式AI还能帮助设计虚拟现实（VR）或增强现实（AR）模拟来开发培训模块。例如，一家制造公司使用生成式AI开发VR模拟，培训员工操作设备和安全规程。这些模拟能精确复制工厂环境，并生成逼真的场景供员工进行实践学习。

生成式AI如何实现个性化学习与发展路径 🧭

生成式AI通过分析员工数据（如绩效评估、技能测评和职业目标），为每位员工推荐个性化的学习路径。

例如，一位市场经理希望提升数字营销技能。使用生成式AI，她完成了一项初步评估，该评估识别出她偏好视觉学习和动手实践。随后，AI策划了一份个性化学习计划，推荐视频教程、互动模拟和案例研究。它安排简短的每日学习模块，并整合实时反馈和自适应测验以确保理解。她的进度被持续监控，AI动态调整内容的难度和类型，提供符合其独特风格和目标的定制化高效学习体验。

作为人力资源专业人士，生成式AI在为员工提供个性化职业建议的同时，也能协助你制定组织层面的未来技能路线图和培训计划。AI算法通过分析行业趋势、业务目标和员工技能差距，可以生成全面的培训策略，确保组织保持竞争力并为未来做好准备。这是通过对每位员工进行自动化的优势、劣势、机会、威胁（SWOT）分析来实现的，从而识别出需要改进的领域和增长机会。基于此分析，AI算法还能规划出个性化的职业发展课程，以弥补已识别的差距并发挥优势。

现在，想象一个能够根据你的需求定制学习方案、实时调整问题并生成个性化奖励的学习平台。生成式AI正将游戏化机制引入学习与发展领域，帮助将枯燥的内容转化为引人入胜的互动挑战，从而使学习变成一场激动人心的冒险。游戏化的技能评估与测评平台增强了学习者的主动参与，同时人力资源部门也能获得关于个人和集体技能专业水平的宝贵洞察。

生成式AI如何提升学习参与度与效果 📈

为了鼓励员工完成指定课程，生成式AI使你能够自动化推送提醒和通知。

AI算法通过分析员工参与模式和学习进度，可以发送及时的提醒和消息，从而提高课程完成率和整体学习效果。

多种平台利用生成式AI创建个性化学习路径、推荐相关课程并跟踪员工进度，其中一些平台包括：Docebo、Cornerstone Learning Experience平台、Degreed、SAP SuccessFactors Learning 和 Workday Learning。

在培训完成后，你可以使用生成式AI对员工关于已完成课程的反馈进行情感分析，识别出满意之处和待改进领域。通过分析情感，你可以评估学习内容和交付方法的有效性。基于反馈，AI算法可以建议修订学习与发展计划，使其更紧密地贴合员工更新后的目标和偏好。这个迭代过程确保了学习与发展计划始终保持相关性，并能有效达成组织目标。

总结

本节课中我们一起学习了生成式AI如何革新培训内容的创建，涵盖文本、图像、音频和沉浸式体验。文本生成可用于制作电子学习材料、技术文档以及销售模拟等软技能场景；图像生成有助于制作信息图和产品插图；而音频生成则支持播客和语言学习。此外，它还能设计用于实践培训的VR和AR模拟（如工厂环境）。通过分析员工数据，它能定制个性化学习路径和职业建议，促进技能发展。游戏化机制通过AI自动化推送课程完成提醒，提升了参与度。知名的平台包括Docebo和SAP SuccessFactors Learning。培训后，情感分析能根据反馈优化内容，确保持续的相关性和有效性。AI驱动的洞察还为未来技能路线图提供信息，使培训与组织目标保持一致。

041：绩效评估实施

在本节课中，我们将要学习绩效评估的具体活动，并了解生成式人工智能如何帮助人力资源专业人员更高效地实施这一流程。

概述

研究发现，经理们平均为每位员工花费约17小时来准备绩效评估报告。这个时间非常庞大。为了减少这一耗时，许多组织已开始实施生成式人工智能来支持人力资源部门。将生成式AI用于绩效评估，既能节省经理的时间，又能帮助为员工创建更清晰、更具可操作性的反馈。

绩效评估活动

首先，我们来探讨人力资源专业人员在绩效评估职能中执行的活动。这些活动为员工设定了明确的期望，并规划了职业发展路径。

以下是绩效评估的关键步骤：

定义并传达绩效标准：绩效标准对于确保员工绩效满足业务要求至关重要。例如，成为团队协作者、具备技术和软技能、有责任心、注重细节、时间管理以及遵守项目截止日期。绩效标准必须清晰且可衡量。定义明确的绩效标准有助于人力资源专业人员识别员工的能力和需要改进的领域，以实现预期成果。此外，人力资源部门应向员工传达绩效标准，以确保他们理解业务要求。这为员工提供了讨论其关键绩效指标以及实现方法的机会。
衡量绩效进展：在向员工传达绩效标准后，定期通过审查其目标来分析他们的绩效非常重要。
与标准进行比较：将绩效进展与绩效标准进行比较，以识别员工绩效的障碍，并找出需要改进的领域。
讨论绩效反馈：现在是讨论绩效反馈的时候了。人力资源专业人员提供建设性反馈，奖励员工的成就，并指导他们利用各种学习和发展的机会来提升技能。

生成式AI在绩效评估中的作用

那么，生成式人工智能在这些活动中扮演什么角色呢？让我们来了解一下。

生成式AI有助于实现以下益处：数据分析与洞察生成、个性化学习与发展、AI驱动的反馈与辅导、目标设定与绩效追踪以及偏见缓解。

以下是每一项的详细说明：

数据分析与洞察生成：手动分析大型数据集、其模式以及员工的优势与劣势可能非常耗时。然而，生成式AI有助于分析包括绩效评估、项目指标和员工反馈在内的大型数据集，以发现隐藏的模式并预测潜在的挑战。这有助于经理专注于需要改进的具体领域，并为每位员工量身定制发展计划。
个性化学习与发展：创建单一类型的培训计划可能无法满足每个部门的需求。为应对这一挑战，生成式AI有助于执行培训需求分析，分析员工绩效数据，识别技能差距，并通过推荐个性化的培训计划来帮助有抱负的员工。这些培训计划还会推荐最佳课程和学习材料，并提供指导。这有助于提高员工敬业度，并让他们充分发挥潜力。
AI驱动的反馈与辅导：经理们在向员工提供定期和具体的反馈方面可能面临挑战。在这种情况下，AI也被证明是改变游戏规则的因素。利用AI驱动的反馈和辅导工具，例如提供微辅导、实时且一致反馈的AI聊天机器人或虚拟助手，可以提高员工的积极性和绩效。
目标设定与绩效追踪：在目标设定和绩效追踪方面，为经理设定清晰、可衡量的目标并追踪绩效进展可能相当具有挑战性。生成式AI可以帮助设定SMART目标，即具体的、可衡量的、可实现的、相关的和有时限的目标。这样的目标与个人角色和业务目标保持一致。这进一步使项目经理和员工能够追踪进度、提供更新，并培养透明度、责任感和主人翁意识以实现目标。
偏见缓解：无意识偏见会影响绩效评估的公平性和准确性。使用生成式AI分析绩效数据并标记潜在偏见，有助于提供建设性反馈，并使绩效管理流程与员工保持一致。

总结

本节课中，我们一起学习了全球各行业已开始采用生成式AI执行各种任务，其中之一就是绩效评估。组织执行多项绩效评估活动，例如为员工设定和传达绩效标准、衡量绩效进展并将其与绩效标准进行比较，然后讨论反馈。在绩效评估中实施生成式AI可以帮助实现多项益处，例如数据分析与洞察生成、个性化学习与发展、AI驱动的反馈与辅导、目标设定与绩效追踪以及偏见缓解。

042：生成式AI助力人力资源向战略转型 🚀

在本节课中，我们将学习生成式AI如何帮助人力资源部门从繁琐的行政事务中解放出来，转型为驱动组织绩效的战略伙伴。我们将探讨其在劳动力规划、继任计划以及跨部门协作中的具体应用。

想象一下，如果人力资源部门不再需要整天安排面试和发送重复性邮件会怎样？生成式AI可以接管这些任务，让你能够专注于制定人力资源战略，例如如何利用AI根据相关数据设计个性化方案来招聘顶尖人才。这听起来或许不可思议，但生成式AI正赋予人力资源这种能力，使其从常规的行政工作转向更具战略性的、数据驱动的计划，从而推动组织的绩效、创新与增长。

借助生成式AI的力量，人力资源现在可以成为企业顺畅运营的战略伙伴。它可以承担更具生产力的角色，旨在提升业务收入并帮助留住员工。接下来，让我们看看生成式AI如何使人力资源职能对公司更具价值。

从数据分析到战略决策 📊

想象一下被堆积如山的数据所淹没，需要花费大量时间进行分析和解读的情景。生成式AI可以分析人力资源数据，识别与员工绩效、留任率和满意度相关的趋势与洞察。这有助于人力资源部门做出明智决策，并制定战略举措，以应对与劳动力规划、人才管理和继任计划等各种战略方面相关的挑战与机遇。

赋能劳动力规划

人力资源的另一项关键职责是劳动力规划，包括未来技能预测、劳动力优化和改进资源分配。生成式AI同样可以处理这些任务。

以下是生成式AI在劳动力规划中的具体应用方式：

未来技能预测：生成式AI不仅能改进未来技能预测，还能分析大量数据（包括行业报告、职位发布和社交媒体趋势），以识别未来将需求旺盛的技能。这使你能够预见职场需求的变化，并主动在员工队伍中培养或获取必要技能。
识别技能差距：此外，生成式AI还可以将员工队伍当前的技能组合与预测的未来需求进行比较。这有助于识别潜在技能差距，并使你能够制定有针对性的培训计划和技能提升计划，在这些差距演变成关键问题之前予以弥补。
模拟劳动力场景：如果你想基于市场波动、并购或公司战略变化等因素模拟不同的劳动力场景，可以探索生成式AI。它允许你测试这些场景对劳动力的影响，并制定应急预案，以确保组织保持适应力和竞争力。
优化劳动力配置：它还可以分析员工绩效、工作量和自动化潜力数据，以识别优化劳动力配置的机会。这不一定意味着裁员，而是战略性地将人才重新部署到最需要的领域。

优化资源分配与决策

在项目管理中，资源分配始终是一项艰巨的任务，为合适的任务或项目找到合适的资源，并在分配前检查其可用性和能力并不容易。

以下是生成式AI如何优化相关流程：

高效招聘：生成式AI可以分析过去的招聘工作数据，以确定吸引具备所需技能人才的最有效渠道。这使你能够优化招聘策略和资源分配，从而实现更高效的招聘流程。
数据驱动决策：生成式AI还可用于分析与不同劳动力规划决策（如招聘新员工、外包特定任务或投资培训计划）相关的成本和收益。这使你能够做出数据驱动的决策，从而最大化投资回报。

生成式AI实现了从被动到主动的劳动力规划的转变。这意味着你可以预见未来需求并做出战略决策，确保组织拥有合适的人才来实现其目标。数据驱动的洞察有助于消除劳动力规划中的猜测，从而实现与整体业务战略相一致的明智决策。生成式AI还能帮助你快速适应不断变化的市场条件和劳动力需求。

强化继任计划

人力资源中的继任计划也能受益于生成式AI。它可以捕获全面的数据，并轻松预测未来几个月内有空缺风险的职位。

凭借生成式AI模型的力量，你可以在职位空缺后的几天内轻松找到内部潜在的填补人选，因为生成式AI工具允许你对员工的技能、关键特质、跨职能团队合作情况以及多年来的稳定绩效进行分析。这些分析结果有助于你找到最适合接任领导职位的人选。

更重要的是，生成式AI工具允许你查看候选人的过往表现。当员工绩效出现下滑时，这些工具可以发出信号。信号可能基于项目完成延迟、未按时完成指定课程、负面员工反馈或工作出勤不规律等情况。人力资源部门随后可以制定干预策略，以解决任何个人或职业问题。

促进跨部门战略协作

生成式AI可以带来变革的另一个领域是与其他部门的战略伙伴关系。生成式AI可以提供对其他部门及组织指标和目标的洞察，并帮助人力资源部门将其举措与其他部门及更广泛的组织目标对齐。

例如，如果人力资源专业人员希望根据个人需求定制学习计划，他们需要与营销和财务等不同部门联系，以了解其目标和绩效指标。生成式AI可以促进这种数据共享和协同分析，使个性化方案的设计更加高效和有据可依。

总结

本节课中，我们一起学习了生成式AI如何使人力资源部门从行政事务转向战略职能。我们探讨了生成式AI如何促进数据分析，从而在劳动力规划、未来技能预测和资源分配等领域实现明智决策。此外，它还通过预测职位空缺和识别领导角色的内部候选人来支持继任计划。与其他部门的协作确保了人力资源举措与组织目标的一致性，而AI支持的监控则能检测绩效问题以便及时干预。总体而言，生成式AI通过优化流程、促进协作和推动组织成功，提升了人力资源的价值。

043：员工参与度与个性化管理 🧑‍💼

在本节课中，我们将学习生成式人工智能如何赋能人力资源部门，通过提升员工参与度和打造个性化体验来改善员工保留率与整体工作体验。

概述

员工保留与整体工作体验密切相关。员工离职的原因可能涉及对成长潜力的考量、工作与生活的平衡，或是团队融入的挑战。生成式AI可以帮助应对并改善这些问题。接下来，我们将深入探讨如何利用生成式AI提升员工参与度，并创造更个性化的员工体验。

个性化入职与沟通

从员工的入职流程开始，选拔和欢迎环节的沟通就可以通过生成式AI实现个性化。

以下是具体应用方式：

个性化欢迎邮件：借助生成式AI，可以定制电子邮件，包含使该员工被公司选中的积极特质。即使是最微小的改变，也能为新员工营造对公司的积极印象。
智能聊天机器人支持：由生成式AI驱动的聊天机器人可以为员工提供个性化的答案和支持，从而简化沟通并保持他们的参与度。

绩效管理与反馈

上一节我们介绍了入职沟通的个性化，本节中我们来看看生成式AI在绩效管理中的应用。

以下是具体应用方式：

生成客观绩效报告：生成式AI可以通过分析项目成果、同行评审和生产力指标，生成详细、客观的绩效报告。
提供实时绩效洞察：生成式AI驱动的反馈机制可以提供实时的绩效洞察。它还能分析员工互动和绩效数据，以提供个性化的反馈和发展计划。

个性化学习与发展

你是否希望能根据员工的职业抱负和公司目标，为他们规划和策划个性化的学习路径？生成式AI可以做到。

以下是具体应用方式：

创建定制化学习路径：生成式AI帮助创建定制的提醒，督促员工按时完成分配的课程。
提供个性化反馈与辅导建议：它随后会分析员工绩效数据，提供个性化的反馈和辅导建议。这有助于员工了解自己的优势和改进领域，从而获得更充实的工作体验。

预测分析与工作生活平衡

生成式AI提供了通过分析员工情绪（通过调查、反馈表甚至社交媒体活动）进行保留率预测分析的能力。

以下是具体应用方式：

识别压力与倦怠风险：AI算法可以分析历史数据，检查员工工作量、生产力、参与度和绩效指标，以识别潜在的工作相关压力或倦怠来源。
主动调整与提供支持：你可以利用这些洞察，主动调整工作负荷分配、实施灵活的排班选项，或为可能面临工作生活失衡风险的员工提供额外支持。
提供针对性资源：你还可以使用AI驱动的工具来提供有针对性的资源、活动和支持服务，以满足员工的具体需求和偏好，从而为所有员工培养更健康的工作生活平衡。

个性化奖励与认可

由于奖励和认可对于创造积极的工作环境和激励员工至关重要，生成式AI可以分析员工数据（包括过去的认可计划和反馈调查），以了解个人对奖励和认可的偏好。

以下是具体应用方式：

定制实时奖励：这允许你根据每位员工的动机来定制奖励，无论是公开表彰、额外的带薪休假还是专业发展机会，并且可以实时进行。
实时识别成就：生成式AI还可以监控员工绩效数据并实时识别成就。这使得即时和个性化的认可成为可能，这比延迟的认可更具影响力。
创建游戏化认可程序：此外，生成式AI可用于创建游戏化的认可程序，为成就奖励积分或徽章。这可以为认可增添趣味和竞争元素，进一步激励员工追求卓越。

总结

本节课中我们一起学习了生成式AI如何转变并个性化员工的入职和沟通过程。它还能通过分析项目成果、同行评审和生产力指标生成详细、客观的绩效报告，并提供实时绩效洞察。我们还了解了生成式AI如何通过分析相关数据来帮助维持员工的工作生活平衡，以及如何通过分析绩效数据，根据员工的动机（无论是公开表扬、额外带薪休假还是专业发展机会）实时定制奖励。

044：13_人力资源中应用生成式AI的组织实践

概述

在本节课中，我们将学习组织如何在人力资源（HR）领域应用生成式AI。我们将分析其应用方式和原因，并评估生成式AI在招聘、人才获取、多样性、包容性、员工体验以及企业文化方面的影响。同时，我们也将了解将生成式AI集成到Oracle和SAP等公司HR平台的重要性。

生成式AI如何重塑人力资源

想象一下，一个人力资源部门能够7x24小时不间断工作，提供个性化协助，并在提升员工体验和塑造企业文化方面发挥关键作用。这听起来似乎不可能。然而，借助生成式AI的应用，这正是全球范围内人力资源部门正在经历的变革。

如今，众多组织转向在人力资源中使用生成式AI，原因有很多。从提升准确性到提高效率，从创造创新体验到优化招聘流程，从促进多样性到增强员工体验，生成式AI都能发挥作用。

在招聘与人才获取中的应用案例

上一节我们介绍了生成式AI重塑人力资源的潜力，本节中我们来看看它在招聘与人才获取方面的具体应用案例。

以下是几个组织利用生成式AI优化招聘流程的例子：

Just Eat：这家知名的快餐巨头告别了传统的简历筛选方式，转而采用由生成式AI驱动的聊天机器人与候选人进行有意义的对话。这一举措使其招聘时间大幅缩短了50%。
行业巨头案例：包括L'Oréal、PitchBook和FIG Loans在内的行业巨头，倾向于实施由AI驱动的申请追踪系统（ATS）来扫描简历，并为空缺职位识别最合适的候选人。
Pymetrics：这个AI平台通过游戏化的方式为一家领先的投资公司优化招聘流程，使其女性员工比例提升了62%。根据评估工具，候选人被自动分组为“高度推荐”和“推荐”类别，并相应进入下一阶段。在采用Pymetrics之前，该公司主要从9所大学招聘人才；采用AI解决方案后，该公司向来自66所以上学校的候选人发出了录用通知。这种方法还将少数族裔的代表性提高了9%。

在提升员工体验与塑造文化中的应用

了解了生成式AI在招聘中的应用后，我们再来看看它如何帮助提升员工体验和塑造企业文化。

以下是相关组织的实践：

松下北美公司：该公司实施了Visier People Insight平台，这是一个由AI驱动的解决方案。该平台通过分析数据，为人力资源部门提供有价值的见解，以制定员工体验策略。
Hypercontext公司：该公司使用Donut的AI支持聊天机器人工具来培养远程办公文化。该公司在疫情前已逐步转向居家办公，现在已实现100%远程办公。Donut工具依赖于每两周在新配对的员工之间设置一对一咖啡聊天，使团队成员能够建立牢固的联系，并强化连接文化。

集成到主流HR平台：Oracle与SAP的实践

除了独立应用，生成式AI也被集成到主流的人力资源管理软件中。接下来，我们看看Oracle和SAP是如何做的。

Oracle：Oracle已将生成式AI功能嵌入到Oracle Fusion Cloud人力资本管理（HCM）中。这提供了更高的生产力、增强的候选人和员工体验，以及更流畅的人力资源流程，从而减少了核心HR职能中的摩擦。
SAP：SAP与微软扩展的合作关系将生成式AI带入工作场所。将SAP SuccessFactors解决方案与Microsoft 365 Copilot及Viva Learning集成，正在彻底改变组织招聘、保留和提升员工技能以弥补技能差距的方式。这种合作使员工能够获取量身定制的工作描述、面试准备和个性化学习课程，所有这些都内置了偏见语言检查。此外，SAP的Talent Intelligence Hub利用AI为每位员工创建和维护技能档案，为学习课程、导师和内部工作机会提供个性化推荐。增强的总体劳动力管理功能结合了SAP SuccessFactors、SAP Fieldglass和SAP S/4HANA Cloud，提高了对内部员工和外部工作者的可见性。

总结

本节课中，我们一起学习了生成式AI如何通过提高准确性和效率、创新日常任务执行方法来重塑人力资源部门的功能。

我们研究了Just Eat、L'Oréal和Pymetrics等组织的案例，它们分别将生成式AI集成为聊天机器人、招聘追踪器和游戏化招聘工具。此外，我们还了解了松下和Hypercontext如何通过集成Visier People Insight平台和Donut的AI聊天机器人来使用AI增强员工体验和企业文化。

最后，我们学习了Oracle和SAP等成熟组织如何将生成式AI集成到其HR平台中以提升生产力和员工体验。Oracle的AI功能集成在Oracle Fusion Cloud人力资本管理中，优化了HR流程；同时，SAP与微软的合作将AI和SAP SuccessFactors与Microsoft 365 Copilot集成，正在彻底改变劳动力管理、招聘和技能发展。

045：制定人力资源AI采用路线图 🗺️

在本节课中，我们将学习如何为人力资源部门制定一个全面的人工智能采用路线图。我们将探讨其重要性、关键步骤以及确保成功实施的策略。

生成式AI已进入人力资源领域，早期采用的组织正在获得最大收益。但您的组织如何才能有效地将生成式AI整合到人力资源职能中，并释放其全部潜力？制定一个全面的路线图可以指导您完成采用过程，并应对出现的挑战。

这个路线图是一个蓝图，它突出了从评估组织准备度和利益相关者参与到试点测试、集成和持续监控的关键步骤。遵循此路线图，您的组织可以平稳过渡到由生成式AI驱动的、高效且数据驱动的人力资源运营。

为人力资源制定AI采用路线图涉及战略规划、与组织目标对齐以及结构化的方法。接下来，我们来探索创建有效AI采用路线图的关键步骤。

理解AI格局与变革管理

在采用AI之前，人力资源领导者需要对AI格局有透彻的理解。AI采用不仅仅是技术问题，还涉及人员和变革管理。员工可能担心AI会取代他们的工作。人力资源专业人员必须通过清晰的沟通和培训来解决这些担忧，帮助员工掌握与AI工具有效协作的技能。他们必须强调，AI旨在增强而非取代人类能力。

人力资源团队必须与以下专家合作：

数据科学团队：用于模型训练。
DevOps团队：用于在生产环境中扩展应用程序。
法律团队：以确保合乎道德和负责任地使用AI。
合规团队：以确保应用程序符合GDPR等当地法律。
行业专家：以评估AI技术的真正潜力。

评估组织准备度

下一步是评估您组织的准备度。这可以通过评估以下关键领域来完成：

领导层支持：确保高管支持AI计划，并且这些项目与整体业务目标保持一致。
数据基础设施：评估从数据源到其在AI模型开发中使用的数据质量、可用性和安全性。公式：可靠AI结果 = 稳健数据。
技能与培训：识别各业务部门的技能差距，并规划针对员工角色的全面AI相关培训计划。

设定目标与确定用例

在评估了组织准备度之后，您必须为人力资源的AI采用设定具体目标。确定AI可以简化重复性任务的目标领域，突出将提升员工敬业度的活动（例如使用AI驱动的聊天机器人或提供个性化推荐），并概述用于劳动力规划或评估流失风险的预测分析用例。

并非所有AI应用都能带来相同程度的影响。因此，根据以下标准优先考虑生成式AI的用例至关重要：

评估每个用例的潜在收益和投资回报率，以检查其对业务的影响。
评估技术可行性、数据可用性和实施的复杂性。
检查紧迫性，并优先解决关键痛点。

制定分阶段实施计划

识别各个阶段并制定一个可以分阶段实施的计划至关重要。从易于实现的项目开始，以获得快速成功并建立势头。随着员工逐渐适应与AI技术协作，逐步实施更复杂的AI解决方案。同时，要有长远眼光，确保组织对AI的战略愿景朝着正确的方向对齐，为未来的发展奠定基础。

选择合适的AI工具与平台

选择合适的AI工具和平台非常重要。在筛选过程中考虑以下方面：

决定是构建定制解决方案还是使用现有的AI产品。代码逻辑：if (长期战略需求高) { 考虑定制开发 } else { 考虑现有产品 }。
与供应商合作可以加速进展并减少工作量。因此，根据功能、可扩展性和支持来评估供应商。
确保所选的AI工具能与您现有的人力资源系统无缝集成。

开展试点项目

从小规模试点项目开始，以完善您的AI解决方案。这可以通过以下方式完成：

在受控环境中测试AI解决方案，以验证其有效性。
收集用户反馈，并根据实际使用情况进行改进。
制定计划，将成功的试点项目推广到整个组织。

培训员工与推广采用

一旦试点项目成功，通过采用有效策略为员工做好AI采用准备。

提供关于AI工具采用及其对不同员工角色影响的全面培训。
识别并赋能能够在组织内推动和促进AI采用的倡导者。
公开解决员工的担忧，并强调AI采用的好处，以培养他们的理解和接受度。

系统监控与持续优化

最后，通过系统监控检查AI采用的有效性。

建立关键绩效指标（如效率提升和用户满意度）来衡量AI实施的影响。
遵循敏捷方法，根据持续监控的结果和反馈，必要时调整实施路线图。
定期评估偏见、公平性和隐私问题，以维护AI使用中的道德标准。

本节课中，我们一起学习了为人力资源部门制定AI采用路线图的关键步骤，概述了成功实施的实用策略和注意事项。总的来说，人力资源领域的AI采用路线图为AI的成功整合铺平了道路，在最大限度地发挥其益处的同时，最大限度地减少干扰，并与员工建立信任。

046：建设AI赋能的人力资源团队 🏗️🤖

在本节课中，我们将学习如何构建一支由人工智能赋能的人力资源团队。我们将探讨构建过程中的关键考量、新的角色与知识要求，以及AI工具对人力资源专业人员的影响。

概述

传统的人力资源团队依赖于手动流程和主观评估。人工智能正在简化任务，并为人力资源职能带来客观性。根据Gartner最近的一项调查，38%的人力资源领导者正在试点、计划实施或已经部署了生成式AI。虽然某些角色会减少，但AI也为人力资源团队内部创造了新的专业机会。

上一节我们介绍了AI在人力资源中的潜力，本节中我们来看看如何具体建设一支AI赋能的团队。

构建AI赋能团队的策略

建立一个由AI赋能的人力资源团队需要一个深思熟虑的策略。这不仅仅是实施AI工具，更要在人力资源部门内培育创新、团队合作和持续学习的文化。该策略涉及采用技术、发展技能、管理变革以及考虑伦理影响。

以下是构建过程中的核心考量：

采用技术：选择与人力资源流程和战略目标相匹配的AI工具。
发展技能：为团队提供必要的培训，以理解和使用AI技术。
管理变革：引导员工适应新的工作方式，确保平稳过渡。
考虑伦理影响：确保AI工具的使用符合道德标准，保持透明和公平。

人力资源团队的新兴角色

随着AI的引入，人力资源团队内部将涌现出新的专业角色。虽然一些传统角色可能发生变化，但AI创造了新的专业领域。

以下是三个关键的新兴角色：

AI专家：负责在人力资源部门内选择、实施和管理AI工具。他们需要对人力资源实践和AI能力都有扎实的理解。
数据分析师：随着人力资源团队越来越依赖数据做出明智决策，数据分析师对于解读AI工具生成的人力资源数据并提供可操作的见解至关重要。
变革管理专家：实施AI需要一个平稳的过渡。变革管理专家将引导员工完成转型，促进理解并最大化收益。

人力资源专业人员的新知识要求

在AI驱动的人力资源团队中取得成功，获取新的知识和技能是关键。让我们探讨人力资源专业人员需要掌握哪些内容。

以下是需要拥抱的几个核心领域：

理解AI基础：人力资源专业人员必须对机器学习（Machine Learning）和自然语言处理（Natural Language Processing）等AI概念有基本的掌握。这些知识有助于评估AI工具并就其实施做出明智决策。
掌握数据分析：数据分析正成为人力资源决策的核心。学习解读数据并将其转化为可操作的见解，对人力资源专业人员至关重要。
秉持以人为本的设计：人力资源专业人员应专注于与员工建立牢固的关系，并确保AI工具的使用符合道德且透明。

技能提升与培训

建设AI赋能人力资源团队的一个非常关键的要求是技能提升和培训。

以下是培训工作的两个重点方向：

培训人力资源团队：对人力资源团队进行使用AI工具和解读AI生成见解的培训至关重要。这包括使他们能够利用这些见解进行决策，并建立强大的人机协作。为此，需要识别AI驱动的人力资源团队所需的具体技能，并创建培训计划来弥补任何差距。
教育全体员工：向员工介绍AI在人力资源中的应用方式也很重要。这有助于解决潜在的担忧，促进透明度，并建立对AI驱动流程的信任。

AI会取代人力资源专业人员吗？

很多时候，团队成员可能会担心自己的职位被AI取代。然而，一个更准确的观点是将AI视为一个可以增强人力资源专业人员能力的强大工具。

以下是AI不会取代人力资源专业人员的原因：

人的接触无可替代：AI擅长自动化和数据分析，但它缺乏理解员工情绪、建立信任和培养积极工作环境的人类能力。熟练的人力资源专业人员将继续在员工敬业度、绩效管理和冲突解决中发挥关键作用。
转向战略思维：随着AI处理常规任务，人力资源专业人员可以将更多时间投入到战略思考上，例如识别未来人才需求、发展领导力管道以及创建创新文化。

总结

本节课中，我们一起学习了构建AI赋能人力资源团队的考量。我们探讨了将AI集成到人力资源流程中可以简化任务并实现客观评估，同时为AI专家、数据分析师或变革管理专家创造了新的工作机会。我们还了解到，建设AI驱动的团队需要对人力资源人员进行培训，教会他们如何使用AI工具、解读AI生成的见解、在决策中利用这些见解并建立强大的人机协作。此外，我们还深入了解到，将AI集成到人力资源中并不是要取代人类的专业知识，而是要创建一个更强大、更高效的人力资源生态系统。

047：人力资源中应用生成式AI的伦理考量 🧭

在本节课中，我们将学习在人力资源领域应用生成式人工智能时需要考虑的关键伦理问题。我们将探讨如何减少偏见、确保透明度、保护数据隐私，并找到人工智能与人类协作的平衡点。

课程目标 🎯

观看本节课程后，你将能够：

分析在人力资源中使用生成式人工智能可能引发的伦理考量。
评估有助于减少人工智能驱动的人力资源流程中偏见的策略。
在人工智能模型中应用数据隐私和安全原则。
制定一种平衡的方法，将人工智能与人类整合到人力资源系统中。

引言：人力资源中的AI挑战

想象一下，在快节奏的人力资源世界中忙碌一天。你的收件箱里充斥着大量可能优秀的简历和人工智能生成的推荐。但如何确保这些推荐是公平和准确的呢？

生成式人工智能可以自动化许多任务，例如根据职位描述定制简历、根据所需特定技能筛选简历。人工智能助手可以进行初步面试，让人力资源主管能专注于更具战略性的职责。

然而，训练数据中的偏见可能导致歧视性筛选，例如偏爱包含特定关键词、性别或种族的简历。人力资源部门必须确保数据集的多样性，并在最终选拔过程中加入人工智能辅助决策，以减轻这种影响。

人力资源伦理与人工智能是一个不断发展的领域，包含许多复杂场景，从无偏见招聘到公平的绩效评估，再到负责任地使用员工数据。

核心伦理考量

上一节我们介绍了人力资源中应用AI的普遍挑战，本节中我们来看看几个具体的核心伦理考量。

偏见与公平性 ⚖️

有效的数据来源和用于训练模型的数据护栏，对于建立用于人力资源实践的生成式人工智能模型的可信度至关重要。

以下是减少偏见的关键策略：

使用多样化数据集：确保训练数据代表广泛的人群，避免历史偏见被固化。
人类监督：在最终决策环节保留人类判断，对AI的推荐进行审核。
定期审计：持续监控AI系统的输出，检查是否存在歧视性模式。

透明度与可解释性 🔍

现在，让我们考虑透明度和可解释性方面。生成式人工智能可以为不同的用例分析海量数据，包括识别绩效趋势、建议个性化的辅导或培训计划。

这种数据驱动的方法可以提供有价值的见解。然而，仅仅依赖人工智能指标可能会忽略绩效的定性方面。

那么，正确的思路是什么？人力资源部门必须确保评估是全面的，并考虑背景、员工意见和人工智能生成的数据。考虑使用能够解释其决策过程的生成式人工智能模型。

人力资源部门还应保持透明，并清楚传达人工智能系统如何在人力资源流程中发挥作用。他们应该能够向候选人和团队成员解释人工智能模型是如何做出各种决策的，例如简历是如何筛选的，或晋升决定是如何做出的。

“黑箱”方法——即人工智能系统的内部运作不透明或难以理解——可能会引发问题，并助长人力资源员工与员工之间的不信任。

数据隐私与安全 🔒

接下来，想象一下生成式人工智能系统所需的大量员工数据（包括个人数据）面临风险。你如何保护这些数据？

人力资源部门负责管理这些数据，以保护员工隐私并遵守《通用数据保护条例》（GDPR）等隐私规则。人力资源部门还必须确保采取强有力的数据安全程序，以防止任何数据泄露。

此外，员工也有权知道他们的信息是如何被使用的，因此，获得他们的同意并实施清晰的数据隐私实践至关重要。

人机协作的平衡 🤝

在探索人工智能辅助带来的机遇时，请记住，人类仍然是人力资源世界的核心和灵魂。虽然人工智能可以自动化工作，但人类的监督和规划是基础。那么，两者如何有效协作呢？

人工智能驱动的聊天机器人可以回答常见问题并安排面试。生成式人工智能还可以定制员工沟通信息、收集合适的学习材料并创建个性化的职业发展计划。

然而，过度依赖人工智能沟通可能会显得缺乏人情味，并造成疏离感。人力资源部门必须在整个过程中保持人际接触，特别是在面试确认或拒绝等关键阶段。

人力资源部门还应保持与员工的定期互动和反馈会议，开放沟通渠道，并为员工提供直接表达问题的机会。

此外，人力资源专业人员必须监控人工智能系统，在需要时进行干预，并对其结果承担责任。人工智能可以补充人力资源流程，但不能完全取代人力资源任务。

总结 📝

本节课中我们一起学习了在人力资源中应用生成式人工智能的伦理框架。

让我们回顾一下。在本视频中，你了解到：

训练数据中的偏见可能导致人工智能推荐中的歧视性筛选，因此在最终选拔过程中使用多样化数据集和人类监督是必要的。
人力资源伦理与人工智能领域涉及确保公平招聘、绩效评估和负责任的数据使用，这可以通过有效的数据源护栏和人工智能决策的透明度来实现。
平衡人工智能的数据驱动见解与定性绩效评估的重要性，以及人力资源部门需要清晰传达人工智能系统的使用方式以建立信任。
采取强有力的数据安全措施、遵守隐私法规以保护员工数据的必要性，以及获得员工同意和维护清晰数据隐私实践的重要性。
虽然人工智能可以增强人力资源流程，但人类的监督、人际接触和定期互动对于维持平衡有效的人力资源环境至关重要。

048：生成式AI在人力资源中的负责任使用 🧑‍💼

在本节课中，我们将学习如何在人力资源领域负责任地使用生成式AI。我们将分析其应用方式，探讨关键考量因素，并理解人类洞察与判断在AI驱动的人力资源流程中不可或缺的作用。

生成式AI能带来卓越且无与伦比的优势，足以改变任何组织。但其应用必须明智，以确保不会消除与员工之间的人际互动。

工作描述撰写 ✍️

上一节我们提到了生成式AI的潜力，本节中我们来看看它在具体场景中的应用。假设你是一名人力资源专业人士，希望撰写一份能吸引多元化人才库的工作描述。

以下是利用AI实现此目标的方法：

AI功能：生成式AI可以被训练来识别关键词，并根据过去成功招聘案例，撰写能引起理想候选人共鸣的描述。
人类监督：为确保公平并消除偏见，训练数据需要由人工进行审核和审查。
必要实践：人力资源部门向未入选的候选人提供反馈始终是最佳实践。
隐私保护：必须尽可能对个人数据进行匿名化处理，以保护员工隐私。

简历筛选与入职流程 📄

在了解了工作描述撰写后，我们进一步探讨招聘流程中的筛选环节。

生成式AI可以根据预设标准筛选简历并选择最佳候选人。这使得人力资源专业人士能将精力重新投入到与顶尖候选人的深度面试中。

然而，筛选候选人不能仅仅依赖关键词匹配。作为人力资源专业人士，还应建立流程来审查相关经验和才能的实际应用。

接下来，让我们更进一步，看看入职流程。

与聊天机器人互动可以显著减少入职所需的人力投入。但不应完全失去人际接触。过度依赖AI可能会阻碍新员工与同事建立融洽关系。

在入职过程中使用AI时，实施安全防护措施（如访问控制）以确保安全使用至关重要。

绩效分析与学习发展 📊

在招聘和入职之后，生成式AI在员工发展方面也大有可为。

生成式AI可以分析绩效数据，并提供改进建议以及个性化的培训计划。基于指标评估的分析确实能帮助管理者提供有针对性的反馈。

但统计数据是绩效评估的唯一依据吗？显然不是。

人力资源部门的责任在于平衡AI生成的绩效分析与管理者的观察以及员工的自我评估。他们应考虑创建论坛，让员工可以进行评估讨论，而主管的绩效分析有时可能是基于情感的。

让我们谈谈AI驱动的学习平台。它们是游戏规则的改变者，能够根据个人技能、职业轨迹、目标和绩效数据创建个性化发展计划。

然而，在这个领域，人的因素同样至关重要。真正的导师指导感通常依赖于有一位指定的导师，你可以向其寻求指导和帮助。

建立信任与数据安全 🔒

但如果员工不相信你做出了正确的决定呢？这就是建立信任至关重要的原因。

人力资源人员必须向员工解释生成式AI是如何被训练来执行某些决策过程的。透明度往往能在组织内培养信任感和接受度。

最后，让我们转向数据安全。人力资源部门必须确保AI所使用的员工数据免遭任何数据泄露。

应制定清晰的数据政策，概述数据如何被收集、使用和存储。员工有权询问他们的数据是否被负责任地存储。

无论生成式AI扮演什么角色，人力资源专业人士都必须对使用生成输出所生成的内容和做出的决策负责并承担问责。生成式AI中的问责制要求人力资源专业人士认识到他们的所有权，并考虑围绕其使用的伦理和法律问题。

本节课中，我们一起学习了生成式AI在人力资源领域的变革潜力，并强调了在技术进步的同时保持人际接触的重要性。

我们学习了AI如何在确保公平和隐私的同时，革新工作描述撰写、简历筛选和入职流程。我们还深入了解了在筛选候选人和促进入职融洽关系时进行人工监督的必要性。

此外，我们认识到平衡AI驱动的绩效分析与人类判断的重要性，以及对伦理和法律后果承担责任的意义。最后，我们探讨了数据安全这一关键方面，强调了在处理员工数据和AI应用时，清晰的政策和透明度的重要性。

049：为组织定制的生成式AI模型 🏢🤖

在本节课中，我们将学习如何为您的组织构建定制的生成式AI模型。我们将探讨利用专有数据训练大型语言模型（LLM）的过程、其带来的好处，以及在实施过程中需要考虑的关键因素。

概述

大型语言模型（LLM）是强大的AI工具，但通用模型可能无法完全理解您组织的独特需求和文化。通过使用您自己的专有数据（如内部文档、绩效评估和沟通记录）来训练LLM，可以显著提升其在特定领域的知识水平和应用价值。本节将详细介绍构建LLM训练流程的步骤，并分析其优势与注意事项。

构建LLM训练流程

上一节我们介绍了定制化LLM的概念，本节中我们来看看如何具体构建一个LLM训练流程。这个过程是一个系统化的管道，旨在将原始专有数据转化为一个功能强大、贴合业务需求的AI模型。

以下是构建LLM训练管道的五个核心步骤：

数据收集与整理：LLM从各种内部资源（如内部文档、电子邮件、聊天记录、绩效评估和公司政策）中收集相关的专有文本数据。在整理数据时，需要移除个人信息以保护敏感信息。使用匿名化数据有助于确保符合隐私法规。
数据预处理：接下来，对数据进行预处理，清除噪声、特殊字符和无关内容，确保数据质量。
模型选择：数据分析师选择一个新的模型或一个预训练的LLM模型作为基础。
模型微调：然后，使用专有数据对选定的模型进行微调，使其适应组织的特定语境和需求。
评估与迭代：最后，数据分析师评估和审查LLM模型及其能力，确保人力资源（HR）专业人员能够顺畅使用。这个过程通常需要多次迭代以优化模型。

检索增强生成（RAG）技术

在模型训练和应用的范畴内，检索增强生成（RAG）是一项非常有用的技术。它能够使LLM从组织特定的数据库中获取相关数据。

RAG具备微调数据模型的能力，可用于在特定数据上训练LLM。它的优势在于能为LLM提供最新信息，同时避免可能阻碍微调过程的偏见。然而，RAG需要良好的外部知识源访问权限才能高效运行。

使用专有数据训练LLM的好处

了解了构建流程后，我们来看看这样做能为组织带来哪些具体好处。使用专有数据训练LLM能带来多方面的显著优势。

以下是主要的五个益处：

增强领域特定知识：使LLM能够深入理解组织独特的文化、术语和流程。
通过定制化训练对抗偏见：组织可以整理反映其多元化员工队伍的数据集，从而帮助识别和减轻LLM中潜在的偏见，促进组织内的公平性和包容性。
个性化员工体验：例如，可以定制入职流程，分析内部沟通渠道以识别员工关切，并建议个性化的培训计划。
从内部数据中发掘隐藏洞察：HR部门通常拥有来自绩效评估、内部调查和员工反馈的宝贵数据。训练LLM分析这些数据可以提取有用的见解和隐藏模式，例如识别技能差距并推荐相应的学习材料。
简化重复性任务：LLM可以帮助HR简化诸如简历筛选、进行筛选面试和生成个性化职位描述等重复性任务。这使HR能够专注于人才管理和员工关系等其他战略性工作。

实施过程中的关键考虑因素

到目前为止，您已经了解了使用专有数据训练LLM的好处。然而，为了确保成功实施，必须解决几个关键的考虑因素。

以下是四个必须关注的核心考虑点：

数据安全与隐私：在实施LLM和处理训练数据时，组织应采取强有力的措施，例如构建数据匿名化技术并严格遵守数据隐私法规。
减轻训练数据中的偏见：即使使用看似无偏见的数据集，微妙的偏见也可能存在。因此，HR必须进行彻底的数据审计，以识别并最小化训练数据中的这些偏见。
保持透明度：HR专业人员应合理解释数据，并对LLM生成的建议保持透明度，以建立信任。
保持持续学习的文化：组织应保持持续学习的文化，以跟上LLM培训及其应用的最新发展。为此，他们可以与AI专家合作，参加LLM培训相关的会议，并积极监控LLM的性能。

总结

本节课中我们一起学习了LLM如何帮助HR专业人员做出数据驱动的决策。

要构建一个LLM训练管道，数据分析师需要整理和预处理数据，选择和微调模型，然后评估并完善它。检索增强生成（RAG）是一项能使LLM从组织特定数据库中获取相关数据的技术。

使用专有数据训练LLM有多项好处：它有助于增强领域特定知识、通过定制训练对抗偏见、个性化员工体验、从内部数据中发掘隐藏洞察以及简化重复性任务。

然而，在专有数据上实施LLM时，必须遵循有关数据安全、隐私和偏见缓解以及保持数据透明度的某些考虑因素，以充分发挥LLM的潜力。同时，应避免过度依赖AI生成的数据，并保持持续学习的文化。

050：19_课程总结 🎓

在本节课中，我们将回顾并总结整个课程的核心内容，梳理生成式AI在人力资源领域的关键应用、工具、实施步骤以及伦理考量。

恭喜你完成本课程。现在你已经掌握了在人力资源领域使用生成式AI的基础知识，可以运用这些技能来推动你的职业发展。

让我们花点时间回顾一下这段学习旅程。你获得了关于在人力资源中利用生成式AI的优势、影响和用例的重要知识。

生成式AI在人力资源中的核心价值 💡

上一节我们介绍了课程的整体目标，本节中我们来看看生成式AI能为人力资源工作带来的具体价值。

生成式AI可以帮助你简化各种人力资源职能，自动化重复性任务，并做出数据驱动的明智决策，以确保在招聘、晋升和绩效管理方面实现公平的结果。

生成式AI支持一系列能力，包括：

内容生成
类人对话
情感分析
预测分析

关键工具与应用场景 🛠️

了解了核心价值后，我们来看看有哪些具体工具可以实现这些功能，以及它们应用的场景。

以下是本课程中介绍的一些关键工具：

通用AI工具：如 ChatGPT、Copilot、Gemini、DALL-E，可用于内容创作与对话。
企业级平台：如 IBM Watsonx Orchestrate，用于自动化工作流和轻松集成。
专用AI代理：如 Scout、Willow、Sage 和 Retain，分别处理招聘、入职、绩效分析和员工保留。
数字员工：能够自主管理端到端的工作流程。

在招聘与入职方面，生成式AI有助于撰写精确的职位描述、筛选候选人、进行面试并提供个性化反馈，从而简化招聘和入职流程。

在培训与发展方面，你可以利用生成式AI创建个性化和互动式的培训内容，这些内容根据个人需求和偏好量身定制，从而促进参与度提升和知识留存。

在绩效评估中实施生成式AI能带来诸多好处，例如数据分析、个性化发展计划、AI驱动的反馈、目标跟踪和偏见缓解。

战略规划与员工支持 📊

除了具体的职能应用，生成式AI在战略规划和日常员工支持方面也扮演着重要角色。

生成式AI辅助数据分析、劳动力规划、技能预测和资源分配。它还能驱动聊天机器人，提供个性化的员工支持、实时奖励和互动参与。

实施路线图与人员培训 🗺️

要将这些潜力转化为现实，需要一个周密的实施计划。

在组织中采用AI需要制定一个路线图，涵盖准备度评估、利益相关者参与、试点测试、集成与监控。

对人力资源员工进行AI工具和洞察方面的培训，能促进有效的人机协作。

伦理、合规与数据安全 ⚖️

在享受技术红利的同时，我们必须关注其带来的责任。

引入生成式AI需要强大的数据安全措施、遵守隐私法规、获得员工同意以及明确的数据隐私实践。

平衡AI驱动的绩效分析与人类判断及问责制，对于确保符合伦理和法律后果至关重要。

课程资源与后续学习建议 📚

现在，你已经回顾了本课程提出的一些基本概念，请记住使用课程术语表和关于常见人力资源用例的生成式AI工具提示速查表。你可以利用这些资料快速查阅所学的大部分内容。

你可以通过最终项目来展示你在人力资源用例中应用生成式AI的技能。

我们鼓励你注册“人力资源专业人士生成式AI”专业课程，本课程是其一部分。除了本课程，该专业课程还包括以下两门课程：

生成式AI简介与应用
生成式AI提示工程基础

每门课程需要四到六小时完成。

恭喜你完成本课程，感谢你参与这段学习旅程。

作为下一步，我们建议你继续你的学习之旅，并不断应用你的新技能。

在此祝你一切顺利。

本节课中，我们一起学习了生成式AI在人力资源领域的全面应用。从提升招聘、培训、绩效管理等具体职能的效率，到辅助战略决策和员工支持，生成式AI正成为人力资源转型的强大驱动力。同时，我们也强调了成功实施所需的技术工具、战略规划、人员培训，以及至关重要的伦理与数据安全考量。希望你能将所学知识付诸实践，在人力资源领域开创更智能、更高效、更公平的未来。

posted @ 2026-03-26 08:50 布客飞龙II 阅读(0) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟

人最大的痛苦就是说一些自己都不相信的话。

IBM-人力资源的生成式人工智能笔记-全-

IBM 人力资源的生成式人工智能笔记（全）

001：课程介绍 🎬

002：为何选择IBM学习生成式AI

003：2_生成式AI基础专项课程介绍

004：专家观点与领域专家介绍 👥

005：生成式AI导论 🧠

人工智能概述

人工智能的两种基本方法

判别式AI

生成式AI

生成式AI的技术基础

生成式AI的发展历程

生成式AI的工具与应用

总结

006：生成式AI的核心能力 🚀

文本生成能力 📝

图像生成能力 🎨

音频生成能力 🔊

视频生成能力 🎬

代码生成能力 💻

数据生成与增强能力 📊

虚拟世界创建能力 🌐

总结 📚

007：生成式AI能力解析 🧠

概述

生成式AI的常见能力 🛠️

生成式AI如何使企业与专业人士受益 💡

总结

008：生成式AI的演进历程 🤖

生成式AI的演进历程 📈

生成式AI与传统AI的区别 🔄

总结 ✨

009：生成式AI的应用场景 🚀

IT与DevOps领域的应用 💻

娱乐领域的应用 🎬

教育领域的应用 📚

银行与金融领域的应用 💰

医疗保健领域的应用 🏥

人力资源领域的应用 👥

对工作方式的广泛影响 🌐

总结 📝

010：文本生成工具 📝

概述

大语言模型（LLMs）基础

主流文本生成工具

ChatGPT：基于GPT模型的对话引擎

Google Bard：基于PaLM模型的网络研究助手

工具对比与更多用例

其他文本生成工具简介

隐私考量与开源替代方案

文本生成工具的优势总结

课程总结

011：图像生成工具 🖼️

概述

图像生成的基本流程

图像生成模型的进阶能力

图像到图像转换

风格迁移与融合

图像修复

图像扩展

核心图像生成模型

DALL·E 🎨

Stable Diffusion 🌪️

StyleGAN 🎭

常用图像生成工具

风格化与社区平台

API集成

科技巨头的入场

微软 Bing Image Creator 🖥️

Adobe Firefly 🔥

总结

012：音视频生成工具 🎵🎬

音频生成工具

视频生成工具

虚拟世界增强

总结

013：代码生成工具 🛠️