美亚4.6，写给程序员看的大模型入门实战书来了！

Part.1

什么是生成式AI？

“所有产品都值得用大模型重做一次。”是近几年在AI圈子非常火爆的观点。

当大家都在热议大模型和生成式AI时，怎么让这些炫酷的技术快速落地，真正帮到商业和社会，成了个大难题。不过，AWS已经把大模型和生成式AI的门槛大大降低了。

什么是生成式AI?

生成式AI是一种利用机器学习技术（特别是深度学习）来创造新的、原创内容的通用技术。它能够基于从大量数据中学习到的模式和规则，利用大型语言模型（LLM）和基础模型（FM）来生成文本、图片、声音、视频、代码、网页等多种形式的内容。

（生成式 AI 项目生命周期框架）

目前已有多种类型的多模态生成式AI任务，比如：

· 文本摘要

生成一段较短的文本，同时保留主要思路。通常在客户支持中使用摘要功能，以快速地概述客户与客服代表之间的互动。

· 重写

修改文本措辞以适应不同的受众、正式程度或语气。

· 信息提取

从文档中提取诸如姓名、地址、事件、数据或数字等信息。

· 问答（Question Answering，QA）和视觉问答（Visual Question Answering，VQA）

直接针对一组文档、图像、视频或音频提出问题。

· 有害内容检测

作为问答任务的扩展，你可以询问生成式模型一组文本、图像、视频或音频中是否包含有害内容。

· 分类和内容审查

为给定的内容（如文档、图像、视频或音频剪辑）分配一个类别。

· 对话式界面

通过提供类似聊天界面的方式处理多轮对话，以完成相应任务。

· 翻译

语言翻译是生成式AI最早的用例之一。

· 源代码生成

根据自然语言代码注释或者手绘草图生成源代码。

· 推理

通过问题推理来发现潜在的新解决方案、权衡或隐藏的细节。

· 掩蔽个人身份识别信息

可以使用生成式模型从给定的文本语料库中掩蔽个人身份识别信息。对于许多需要处理敏感数据并希望从工作流中删除PII数据的用例，这非常有用。

· 个性化营销和广告

根据用户个人资料特征生成个性化的产品描述、视频或广告。

在这些生成式AI的用例和任务中，模型创建的内容已接近于人类对语言的理解，这确实令人惊叹。这是由Transformer 的神经网络架构来实现的。

那AWS是如何实现生成式AI落地的最后一公里的？

AWS，即Amazon Web Services的简称，是Amazon公司提供的云计算平台，它致力于提供企业级的安全性和隐私性，同时提供工具和基础设施来构建和扩展生成式AI应用程序。

（支持生成式AI的AWS服务和对应功能）

我们通常从模型中心开始生成式AI项目，比如在本书中，我们将用到模型中心里Hugging Face Model Hub 和Amazon SageMaker JumpStart的资源来探索Meta的Llama 2、TII的Falcon和Google的FLAN-T5等基础模型。

不过，生成式AI应用程序的构建不仅限于生成模型本身。为了创建一个既可靠又可扩展，同时确保安全性的应用程序，并且最终能够交付给用户或其他系统作为服务，需要多个组件的密切协作和整合。而AWS便能帮你完美地组合起来，它不仅提供像Amazon CodeWhisperer这样的打包生成式AI服务，更提供了构建端到端生成式AI应用程序所需的广泛服务。

（AWS提供了构建端到端生成式AI应用程序所需的广泛服务）

提高选择的灵活性、企业级的安全和治理能力、先进的生成式AI能力、通过全托管的服务降低运营成本，以及持续创新的能力。这些都是我们选择AWS来构建生成式AI项目的重要原因。

Part.2

为什么选择这本书学习大模型？

如果你是程序员，对O'Reilly动物书就不会陌生，这本书延续了O'Reilly动物书的风格，封面上是一只可爱的嘲鸫鸟。O'Reilly出版社40多年来专注于前沿技术，帮助专业人士掌握最佳实践，引领科技创新。

这本书美亚4.6星，口碑保证！

三位AWS生成式AI专家编写，深入浅出，引领大模型学习。

Chris Fregly

AWS生成式AI首席解决方案架构师，也是O'Reilly图书Data Science on AWS的合著者。

Antje Barth

AWS生成式Al首席开发倡导者，也是O'Reilly图书Data Science on AWS的合著者。

Shelbee Eigenbrode

AWS生成式AI首席解决方案架构师，她在各个技术领域拥有超过35项专利。

这样一本符合时代需求的好书自然而然地得到了AWS、Meta、Snowflake、Lepton AI、CSDN、百川智能等科技巨头的大佬和行业专家的联袂推荐。

Part.3

这本书可以帮你学习什么？

理论

在本书中，你将先探索生成式AI的概念及其在产品和服务中的应用潜力，了解生成式AI项目的完整生命周期。接着学习提示工程、小样本上下文学习、生成式模型预训练、领域自适应、模型评估、参数高效微调（Parameter Efficient Fine-Tuning，PEFT）和基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）等主题。

实践

翻开这本书，你将了解当今产业界和学术界常用的生成式AI用例和任务。

首先，你将和作者一同探讨多种模型类型，如大语言模型和多模态模型，并了解通过提示工程和上下文学习来优化这些模型的实际技巧。了解如何构建这些前沿的生成式模型，获得实践经验后，你可以选择是重用现有的生成式模型还是从头开始构建一个新模型。然后，你将学习如何把这些生成式模型适配到特定领域的数据集、任务和用例中，以支持商业应用。

你想要学习的LORA、RLHF、LangChain和ReAct等关键的生成式AI技术，在本书中都能找到。如何利用LoRA技术对模型进行微调？如何通过RLHF使模型与人类价值观对齐？如何利用LangChain和ReAct等开发agent？此类技术的详细解析和实际应用案例应有尽有。