把握AGI时代的金钻就业方案

GenAI技术的突破，正在引发产业革命。IDC数据显示，2022年全球AI总投资规模为1,324.9亿美元，并有望在2027年增至5,124.2亿美元，年复合增长率为31.1%。聚焦生成式AI，IDC调查发现，到 2027 年45% 的企业将掌握并使用生成式 AI 来共同开发数字产品和服务，从而使收入增长比竞争对手翻一番。IDC预测，全球生成式AI市场年复合增长率或达85.7%，到2027年全球生成式AI市场规模将接近1500亿美元。

麦肯锡报告称，到2030年，中国的AI人才供应只有市场需求的三分之一，人才缺口将达400万。

经济环境急转直下，传统职业陷入困境。不作调整，生存压力更甚。AIGC大模型开启智能化时代，AI领域就业前景广阔。企业急需AIGC技术精英，业务专才，薪资更是水涨船高。

金钻就业计划，依托TsingtaoAI的高品质技术资源、AI界智囊资源和AI智能化业务积累，为想进入AI智能化工作岗位的人士，提供“AGI职业生涯从0到1”的职业孵化服务。

学那学不到的，想那想不到，做那做不到的！

 

本计划通过LLM和AIGC技术和应用能力学习、真实项目应用实践、生涯规划、职场核心能力提升、面试能力提升、权威证书考试等一体化等个性化服务，帮助学员获得一份更加理想的体面工作，并由此开启辉煌璀璨的职业生涯。

为何要选择金钻就业计划？

• 一切为了高质量就业，高质量就业就是一切！所有的目标都是为了高质量就业。
• 金钻就业计划不止是培训，更是量身定制的求职解决方案！金钻就业计划，助你成为企业渴求的 AI 大模型人才！告别纸上谈兵！金钻就业计划，按照企业标准打造，让你学到真本事，快速胜任 AI 岗位！
• 市场唯一！面向 AGI 时代的完整求职解决方案，从技能提升到求职指导，金钻就业计划为你保驾护航！超越行业认知！金钻就业计划培养 AIG大模型应用高手，算法、开发、产品，多角色胜任！
• 遵循任务式和项目式的学习理念，你来这里不是听课学习，而是完成老师布置的一个一个的任务，整个互联网都是你学习的资源库。在这里，让你成为终身学习的能手！
• 获得工信部或华为云的AI工程师权威认证证书，为进入AIGC岗位提供强力加持。
• 加入金钻就业计划，成为 AI 时代的领跑者，你的未来由你定义！选择金钻就业计划，就是选择高薪就业，成就梦想！

	理想就业所需条件	金钻就业计划解决方案
基本技术和应用能力	编程基础-Python	编程基础和AI入门
	数据分析
	数据结构与算法
	深度学习、机器学习、自然语言处理
项目经验以及软技能	大模型基础	AIGC大模型应用学习和实践
	大模型微调原理
	AIGC应用实战
求职相关	国家人社部、工信部或华为云权威考试， 获取AI工程技术人员考试证书	私人定制求职成功
	面试辅导
	行业导师私人订制求职规划

组织单位

指导单位：中国技术创业协会企业融通工作委员会

主办机构：TsingtaoAI

认证支持单位：华为云开发者社区

协办单位：卓越教育研究院、中青易教

四大培训基地

四大基地，全国布局！金钻就业计划，打造AIGC 人才培养最强阵地！北京、郑州、青岛、天津，金钻就业计划，以专业实力引领 AI 教育新风向！

金钻就业计划特色

• 不止是技能培训，更是全方位的职业生涯解决方案：从AI基础能力培养、项目经验的打造、到职业规划上的私人服务，为你量身定制 AI 职业路线。
• 告别纸上谈兵，参与真实的企业项目：跟demo项目说再见，参与真正企业的项目，真刀真枪练就真本领！让你在实战中成长，成为企业青睐的 AI 人才！
• 专业mentor和导师：在基础学习阶段和企业项目阶段均安排专职的mentor和导师，全程陪伴学习和实战，提供个性化的指导，帮助解决你的疑难问题。
• 最大化职场ROI:  你的职业成功是我们的最终目标，站在你的角度，为你量身定做最适合的职业路线，实现职场ROI最大化。

对申请人的要求

因本计划教学和实训个性化环节较多，需要导师资源较多，所以采用申请制，择优录取，每月仅限10人；申请者提交简历后，可以签订合作。

我们更加欢迎以下特征的申请人：

对投身AGI时代充满强烈的兴趣；

有AI、计算机、软件、数学、电子工程、自动化等信息技术相关专业背景更佳；

有一些编程基础更佳（不论什么编程语言）；

有一些英语基础更佳；

有一些数学基础更佳；

本科及以上学历更佳；

未来3-6个月内想在国内求职更佳；

当然，如果以上都不符合，也欢迎报名，我们会审慎评估每一位申请者的情况。

报名联系：18611412651

金钻就业计划合约

服务周期

一般3-6个月。

合约价格

一共29800元服务费；报名时先预缴50%；求职成功后再缴50%。

合约交付成果

1、成功就业（必须）；

2、考取国家工信部或华为云的AI开发工程师相关认证证书（学员自选）；

3、开具对应的实习证明或就业推荐信。

培养形式

线上or线下均可。

金钻就业计划服务四部曲

	目标	解决方案	方案详情
Part1	掌握必要的基础认知	编程基础和AI入门	This course is all you need.涵盖Python、数据分析、数据结构与算法、深度学习、ML、NLP等全体系的正价技术课程，全面掌握进入AI行业所需的技术基础。 本部分采用课程+助教全程陪伴的学习方式。以任务制形式学习，根据每位学员的基础情况，定制不同的学习任务，完成任务并通关后进入下一个环节。 通过本部分，学员需要拿到华为云HCCDA-AI认证。
Part2	全面掌握LLM大模型技术应用开发的所有内容	AIGC应用开发实践课程-多模态大模型应用开发	学习大模型基础、大模型微调原理、AIGC应用等前沿技术知识。本部分采用任务式和项目式的学习模式，学习资料+助教全程陪伴的学习方式。以任务制形式学习，根据每位学员的基础情况，定制不同的学习任务，完成任务并通关后进入下一个环节。
Part3	掌握业内创新的AIGC项目	企业真实AIGC大模型项目实战	工程师带你实操真实企业前沿LLM/AIGC项目，带你拆解任务并完成项目。涵盖教育行业、互联网、AI、智能汽车、金融科技、医疗科技、智能制造、智慧营销、新零售、能源等行业。通过本模块培养学员的编程能力和AI技术，提升学员在LLM技术的综合应用能力。
Part4	成功就业	私人定制求职成功	定制规划未来3-5年最优职业发展路径。 辅导面试求职，持续跟踪求职动向，合约确保就业必成。

核心服务内容

Part1：编程基础和AI入门

此阶段的目标是掌握必要的AI技术基础，这里包括Python、数据分析、数据结构与算法、深度学习、人工智能与机器学习基础和自然语言处理基础6门基础技术课程。

通过华为云HCCDA-AI认证（人工智能入门级开发者认证），获得认证证书后，可以直接跳过本部分，进入Part2部分学习。直接跳过Part1部分的学员，学费减免2000元（在尾款中减免2000元）。

华为云HCCDA-AI认证（人工智能入门级开发者认证）

本考试认证500元/人，费用全部由主办方承担，无需学员另外付费。

 

课程	学习说明
Python零基础入门	一般会为每位学员安排其中的1-2门课程进行学习，通过视频课+助教的形式进行学习，完成学习任务、通关并通过华为云HCCDA-AI认证后进入Part2。
商业数据分析
数据结构与算法
人工智能与机器学习基础
深度学习
自然语言处理基础

这6门课程的课程大纲方案如《Part1课程-金钻就业计划》

本部分采用任务式和项目式的学习模式，学习资料+助教全程陪伴的学习方式。以任务制形式学习，根据每位学员的基础情况，定制不同的学习任务，完成任务并通关后进入下一个环节。

通过其中一门课程的学习，让学员至少掌握基本的编程能力和AI基础，形成基本的技术思维，为下一步的学习打下基础。

Part2：AIGC应用开发实践课程-多模态大模型应用开发

本课程旨在系统讲解AIGC相关的理论和技术，并配套相关的实验案例。主要内容包括视觉大模型和多模态大模型的原理及应用，涉及文本生成图像、图像生成图像、视频生成、语音生成、音乐生成等领域。课程共64学时，其中理论技术课程32学时，实验案例课程32学时。

课程目标

1. 掌握大模型技术的基本概念及发展历程。
2. 理解并应用面向理解任务和生成任务的多模态大模型。
3. 学习并掌握大模型的预训练、微调、评估、压缩、推理与部署相关技术。
4. 掌握大模型在安全性方面的知识。

课程内容

第一部分：大模型技术概述

第一章：大模型技术概述

• 大模型爆发式发展
• 大模型是如何炼成的
• Transformer的应用
• Self-Attention
• Transformer精讲

第二章：大模型的基础知识

• 神经网络基础
  • 神经元与层
  • 前向传播与反向传播
  • 激活函数与损失函数
• 大规模数据集的构建与管理
  • 数据清洗与预处理
  • 数据增强技术（Augmentation）
  • 数据集划分和评估
  • 数据安全和隐私保护
  • 数据标注与管理工具
• 计算资源与分布式训练
  • GPU与TPU的使用
  • 分布式训练框架（如Horovod）
  • 混合精度训练（Mixed Precision Training）

第二部分：面向理解任务的多模态大模型

第三章：多模态大模型概述

• 多模态学习的概念与意义
  • 概念：多模态数据（文本、图像、视频等）的融合与学习
  • 意义：增强模型的理解能力与应用范围
• 多模态数据的获取与处理
  • 数据集介绍：COCO、Visual Genome、YouTube-8M等
  • 数据对齐与配对技术

第四章：CLIP模型原理

• CLIP模型简介
  • 模型结构：双塔结构（Text Encoder + Image Encoder）
  • 训练目标：对比学习（Contrastive Learning）
• CLIP的训练方法与架构
  • 文本编码器：基于Transformer的架构
  • 图像编码器：基于ResNet的架构
  • 对比学习损失函数（Contrastive Loss）
• CLIP在图像与文本理解中的应用
  • 图像检索与分类
  • 文本引导的图像生成

第五章：VATT模型原理

• VATT模型简介
  • 模型结构：基于Transformer的多模态模型
  • 训练目标：自监督学习与多模态对齐
• VATT的训练方法与架构
  • 视频编码器：基于3D CNN的架构
  • 文本编码器：基于Transformer的架构
  • 多模态对齐损失函数
• VATT在视频与文本理解中的应用
  • 视频检索与分类
  • 文本引导的视频生成

第六章：ALIGN模型原理

• ALIGN模型简介
  • 模型结构：双塔结构（Text Encoder + Image Encoder）
  • 训练目标：对比学习与多模态对齐
• ALIGN的训练方法与架构
  • 文本编码器：基于BERT的架构
  • 图像编码器：基于EfficientNet的架构
  • 对比学习损失函数
• ALIGN在图像与文本理解中的应用
  • 图像检索与分类
  • 文本引导的图像生成

案例一：基于CLIP模型的智能广告生成系统

实验目的：

• 理解CLIP模型的结构与原理
• 掌握图像与文本的对齐与生成技术
• 实现智能广告生成系统

第一课时：CLIP模型基础与数据准备

• 理论章解：CLIP模型结构与原理
• 数据准备：收集与处理广告图像与文本数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：对比学习与损失函数
• 模型训练：使用预处理数据训练CLIP模型
• 实践操作：训练过程中的参数调整与优化

第三课时：广告生成系统开发

• 理论章解：文本引导图像生成技术
• 系统开发：实现基于CLIP的智能广告生成系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对生成的广告进行效果评估
• 实践操作：优化系统并部署应用

案例二：基于VATT模型的视频检索系统

实验目的：

• 理解VATT模型的结构与原理
• 掌握视频与文本的对齐与检索技术
• 实现智能视频检索系统

第一课时：VATT模型基础与数据准备

• 理论章解：VATT模型结构与原理
• 数据准备：收集与处理视频与文本数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：自监督学习与多模态对齐
• 模型训练：使用预处理数据训练VATT模型
• 实践操作：训练过程中的参数调整与优化

第三课时：视频检索系统开发

• 理论章解：多模态检索技术
• 系统开发：实现基于VATT的智能视频检索系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对视频检索系统进行效果评估
• 实践操作：优化系统并部署应用

第三部分：面向生成任务的多模态大模型

第七章：基础扩散模型原理

• 扩散模型的基本概念
  • 定义：基于扩散过程的生成模型
  • 过程：噪声添加与去噪
• 扩散模型的训练过程
  • 前向过程（Forward Process）：逐步添加噪声
  • 反向过程（Reverse Process）：逐步去噪
• 关键技术点
  • 噪声分布选择
  • 去噪网络架构设计

第八章：DDPM模型原理

• DDPM模型简介
  • 模型结构：基于U-Net的去噪网络
  • 训练目标：最大化去噪过程的似然
• DDPM的架构与训练方法
  • 前向过程与反向过程的细节
  • 去噪网络的设计与优化
• DDPM在图像生成中的应用
  • 高质量图像生成
  • 应用案例分析

第九章：DDIM模型原理

• DDIM模型简介
  • 模型结构：基于改进的扩散过程
  • 训练目标：提升生成效率与质量
• DDIM的架构与训练方法
  • 改进的前向过程与反向过程
  • 去噪网络的优化与调整
• DDIM在图像生成中的应用
  • 高效图像生成
  • 应用案例分析

第十章：Stable Diffusion模型原理

• Stable Diffusion模型简介
  • 模型结构：基于稳定扩散过程
  • 训练目标：平衡生成质量与计算成本
• Stable Diffusion的架构与训练方法
  • 前向过程与反向过程的稳定设计
  • 去噪网络的优化策略
• Stable Diffusion在图像生成中的应用
  • 应用领域与案例分析

案例三：基于DDPM模型的高质量图像生成

实验目的：

• 理解DDPM模型的结构与原理
• 掌握图像生成技术
• 实现高质量图像生成系统

第一课时：DDPM模型基础与数据准备

• 理论章解：DDPM模型结构与原理
• 数据准备：收集与处理图像数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：扩散过程与去噪网络
• 模型训练：使用预处理数据训练DDPM模型
• 实践操作：训练过程中的参数调整与优化

第三课时：图像生成系统开发

• 理论章解：图像生成技术
• 系统开发：实现基于DDPM的高质量图像生成系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对图像生成系统进行效果评估
• 实践操作：优化系统并部署应用

案例四：基于Stable Diffusion模型的影视特效生成

实验目的：

• 理解Stable Diffusion模型的结构与原理
• 掌握影视特效生成技术
• 实现智能影视特效生成系统

第一课时：Stable Diffusion模型基础与数据准备

• 理论章解：Stable Diffusion模型结构与原理
• 数据准备：收集与处理影视特效数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：扩散过程与去噪网络
• 模型训练：使用预处理数据训练Stable Diffusion模型
• 实践操作：训练过程中的参数调整与优化

第三课时：影视特效生成系统开发

• 理论章解：特效生成技术
• 系统开发：实现基于Stable Diffusion的智能影视特效生成系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对影视特效生成系统进行效果评估
• 实践操作：优化系统并部署应用

第四部分：兼顾理解和生成任务的多模态大模型

第十一章：VL-T5模型原理

• VL-T5模型简介
  • 模型结构：基于T5的多模态扩展
  • 训练目标：同时处理理解与生成任务
• VL-T5的架构与训练方法
  • 文本编码器与图像编码器的融合设计
  • 训练策略与损失函数
• VL-T5在理解与生成任务中的应用
  • 多模态问答系统
  • 文本生成图像的应用案例

第十二章：Unified VLP模型原理

• Unified VLP模型简介
  • 模型结构：统一的多模态预训练架构
  • 训练目标：统一处理多种任务
• Unified VLP的架构与训练方法
  • 多任务学习策略
  • 模型训练与优化技术
• Unified VLP在理解与生成任务中的应用
  • 多任务学习的应用案例

第十三章：BLIP-2模型原理

• BLIP-2模型简介
  • 模型结构：基于BERT与Transformer的多模态架构
  • 训练目标：提升理解与生成性能
• BLIP-2的架构与训练方法
  • 多模态对齐与融合技术
  • 训练策略与优化方法
• BLIP-2在理解与生成任务中的应用
  • 多模态生成与理解的应用案例

案例五：基于VL-T5模型的智能教育问答系统

实验目的：

• 理解VL-T5模型的结构与原理
• 掌握智能教育问答系统的开发技术
• 实现智能教育问答系统

第一课时：VL-T5模型基础与数据准备

• 理论章解：VL-T5模型结构与原理
• 数据准备：收集与处理教育问答数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：多模态融合技术
• 模型训练：使用预处理数据训练VL-T5模型
• 实践操作：训练过程中的参数调整与优化

第三课时：智能教育问答系统开发

• 理论章解：问答系统技术
• 系统开发：实现基于VL-T5的智能教育问答系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对问答系统进行效果评估
• 实践操作：优化系统并部署应用

第五部分：知识增强的多模态大模型

第十四章：ERNIE-ViL模型原理

• ERNIE-ViL模型简介
  • 模型结构：基于知识增强的多模态架构
  • 训练目标：提升知识表达与融合能力
• ERNIE-ViL的架构与训练方法
  • 知识图谱的引入与应用
  • 模型训练与优化策略
• ERNIE-ViL在知识增强与多模态学习中的应用
  • 知识问答与推理
  • 应用案例分析

案例六：基于ERNIE-ViL模型的智慧医疗系统

实验目的：

• 理解ERNIE-ViL模型的结构与原理
• 掌握智慧医疗系统的开发技术
• 实现智慧医疗系统

第一课时：ERNIE-ViL模型基础与数据准备

• 理论章解：ERNIE-ViL模型结构与原理
• 数据准备：收集与处理医疗数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：知识增强技术
• 模型训练：使用预处理数据训练ERNIE-ViL模型
• 实践操作：训练过程中的参数调整与优化

第三课时：智慧医疗系统开发

• 理论章解：医疗系统技术
• 系统开发：实现基于ERNIE-ViL的智慧医疗系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对智慧医疗系统进行效果评估
• 实践操作：优化系统并部署应用

第六部分：大模型的预训练与微调

第十五章：大模型的预训练

• 预训练的基本概念
  • 定义：大规模无监督学习过程
  • 目标：学习通用特征表示
• 预训练的技术细节与挑战
  • 数据集选择与准备
  • 训练策略与优化技术
• 案例分析：BERT、GPT-3等模型的预训练方法

第十六章：大模型的微调技术

• 微调的基本概念
  • 定义：在特定任务上进行有监督学习
  • 目标：适配特定任务需求
• loRA技术详解
  • 技术简介：低秩适应（Low-Rank Adaptation）
  • 目标：通过低秩矩阵分解进行高效微调
  • 应用实例：在特定任务上的快速微调与性能提升
• Dreambooth技术详解
  • 技术简介：基于生成对抗网络（GANs）的微调技术
  • 目标：通过生成对抗网络进行高质量的微调
  • 应用实例：图像生成与图像增强任务中的应用
• ControlNet技术详解
  • 技术简介：控制神经网络
  • 目标：在预训练模型中引入控制信号，实现特定任务微调
  • 应用实例：在复杂任务中的控制与调优

案例七：基于Unified VLP模型的智慧工厂监控系统

实验目的：

• 理解Unified VLP模型的结构与原理
• 掌握智慧工厂监控系统的开发技术
• 实现智慧工厂监控系统

第一课时：Unified VLP模型基础与数据准备

• 理论章解：Unified VLP模型结构与原理
• 数据准备：收集与处理工厂监控数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：多任务学习策略
• 模型训练：使用预处理数据训练Unified VLP模型
• 实践操作：训练过程中的参数调整与优化

第三、四课时：智慧工厂监控系统开发

• 理论章解：监控系统技术
• 系统开发：实现基于Unified VLP的智慧工厂监控系统
• 实践操作：系统集成与功能测试

第七部分：大模型的评估、压缩、推理与部署

第十七章：大模型的评估

• 评估指标与方法
  • 评估指标：精度、召回率、F1分数等
  • 评估方法：交叉验证、混淆矩阵等
• 大模型评估的挑战与解决方案
  • 数据不均衡问题
  • 评估时间与资源消耗

第十八章：大模型的压缩技术

• 模型压缩的基本概念
  • 定义：减少模型参数与计算量
  • 目标：提升模型的推理速度与部署效率
• 模型剪枝技术
  • 技术简介：移除冗余参数
  • 实施方法：结构化剪枝与非结构化剪枝
  • 案例分析：经典模型压缩实例
• 模型量化技术
  • 技术简介：减少模型参数的位宽
  • 实施方法：定点量化与混合精度量化
  • 案例分析：模型量化的应用实例
• 模型蒸馏技术
  • 技术简介：教师模型与学生模型的知识转移
  • 实施方法：软标签与硬标签的蒸馏
  • 案例分析：经典蒸馏模型

第十九章：大模型的推理与部署

• 推理与部署的基本概念
  • 推理定义：模型在实际应用中的预测过程
  • 部署定义：将模型应用到生产环境
• 大模型的推理优化技术
  • 优化策略：减少计算复杂度与加速推理过程
  • 案例分析：经典推理优化技术
• 大模型的部署方案与案例
  • 部署工具与平台：TensorFlow Serving、ONNX、Triton Inference Server等
  • 部署案例：实际应用中的部署实例

案例八：基于BLIP-2模型的智能音乐生成系统

实验目的：

• 理解BLIP-2模型的结构与原理
• 掌握智能音乐生成技术
• 实现智能音乐生成系统

第一课时：BLIP-2模型基础与数据准备

• 理论章解：BLIP-2模型结构与原理
• 数据准备：收集与处理音乐数据
• 实践操作：数据预处理与特征提取

第二课时：模型训练与优化

• 理论章解：多模态对齐与融合技术
• 模型训练：使用预处理数据训练BLIP-2模型
• 实践操作：训练过程中的参数调整与优化

第三课时：智能音乐生成系统开发

• 理论章解：音乐生成技术
• 系统开发：实现基于BLIP-2的智能音乐生成系统
• 实践操作：系统集成与功能测试

第四课时：系统评估与应用

• 理论章解：模型评估方法与指标
• 系统评估：对音乐生成系统进行效果评估
• 实践操作：优化系统并部署应用

第八部分：大模型的安全性

第二十章：大模型的安全性

• 大模型的安全性挑战
  • 面临的威胁：对抗攻击、数据泄露等
  • 安全性评估：安全测试与漏洞扫描
• 大模型的对抗攻击与防御技术
  • 对抗攻击技术：对抗样本生成、白盒攻击与黑盒攻击
  • 防御技术：对抗训练、鲁棒性增强技术
• 大模型的隐私保护技术
  • 隐私保护方法：差分隐私、联邦学习
  • 案例分析：隐私保护的实际应用

第九部分：课程总结与展望

第二十一章：课程总结与未来展望

• 课程内容回顾
  • 各模块重点知识总结
  • 学生学习成果展示
• 未来研究方向与应用前景
  • 大模型在各领域的应用前景
  • 未来技术的发展趋势

Part3：企业真实AIGC大模型项目实战

本环节是金钻就业计划的核心环节，也是最能帮助学员提升的环节。本项目支持并鼓励线下实战，当然也兼容线上实战的需求。

项目组会根据每位学员的发展方向，安排具体的企业实践项目，这些项目跟在企业里工作是一样的。告别Demo项目，参与真实企业项目；需求来源于企业；AI专家带你拆解任务并完成项目；互联网、AI、智能汽车、金融科技、医疗科技、智能制造、智慧营销、新零售、教育和能源等相关行业。硬核提升实战能力和简历背景。

项目来源

过往和正在进行的项目案例：https://www.tsingtaoai.com/aicpkf

大厂孵化项目：与大厂合作，将大厂正在孵化的 AIGC 项目引入培训课程。

开源项目：Stable Diffusion，Hugging Face Transformers，PaddlePaddle，作为培训课程的实践项目。

自研项目：根据学员的兴趣和能力，设计原创的 AIGC项目。

实战特色

真实企业的算法研发项目：你来这里并不是为了上课，而是来参与一个真实的企业项目。

真实公司环境：像在公司一样做事情，做出看得见且有价值的工作。

高水平导师带教带：整个项目实施过程中，有高水平的项目导师和项目工程师陪伴每位学员的项目实施。

团队协作机制：没有标准的答案，需要去不断思考、小组内部思维碰撞，直到业务跑通。

Part4：私人定制求职成功

权威考试获取证书

经过Part1和Part2部分的学习之后，会在Part3的项目环节，鼓励学员对AI工程师的权威证书进行备考学习，以获得进入AI行业就业的敲门砖。为大家推荐国家工信部或华为云的权威证书。

以上证书的考取学员自选，费用自理，不做强制要求。

1v1导师咨询/面试辅导

面试项目分析：对简历所写技能、实习、项目进行深度挖掘，贴合求职公司或者求职岗位的业务需求，提炼亮点。

HR面试攻略：了解目标公司的面试流程、薪资谈判技巧。

面试能力针对性提高：自我介绍的逻辑性、个人条件的软实力、优缺点。

模拟面试：面试导师真实模拟、还原企业面试流程，并在模拟后给出反馈及指导

权威师资保驾护航

汶生 LLM/AIGC/智算行业和商业化运营专家

TsingtaoAI公司负责人；

SiliconFlow业务发展总监，GreedyAI业务负责人，力晟鸿吉（国高新）创始人CEO，培高商业（B轮）副总裁；

中国农业大学硕士，青岛市人工智能专家委员会委员，中国技术创业协会校企融合专委会常务委员。

专业领域内容

AI中间层/AI Infra层的行业发展现状

中间层公司的业务概况，产品概况，产品侧重点；

AI中间层的价值，客户具体需求，与大模型或者计算卡供应商的关系；

云和端、推理和训练，在不同层次的软件栈里的价值和机会，国内外在不同层级都有哪些公司；

清昴、中科加禾等公司的产品侧重点及行业竞争关系；

未来端侧AI大模型落地，带来AI中间层的机会；

国内主流的大模型公司的底层推理+训练计算资源构成。

AI公司/产品的行业现状深度洞察

AI公司/产品的成本结构：研发、云计算和基础设施、数据存储和管理、大模型部署与运营、销售与营销；

AI公司/产品的收入状况，潜在瓶颈，以及未来收入预期；

AI公司/产品用户使用情况，发展趋势洞察。

大模型/智算行业发展机会深度剖析

最新前沿剖析:大模型底座技术及进展；

大模型及AI应用的商业模式及趋势洞察；

大模型算力需求测算分析；

AI中间层/AI Infra案例分析；

AI+教育案例及市场分析；

关于未来的几个洞察和分析。

LLM/AIGC在教育行业的落地

基于LLM的AIGC应用开发实训；

基于LLM的大模型通识素养课数字人平台；

国内外前沿领先的AI教育应用案例。

LLM/AIGC在HR/人力资源行业的落地

培训环节：数据分析-数据分析必备的AI提问清单；培训需求分析-提示词框架及组合拳；培训效果衡量-AI提升培训效果转化。

人才获取环节的赋能：岗位和行业洞察，为招聘做准备；生成高质量岗位JD，吸引人才；辅助制作招聘海报；撰写公司品牌文章，吸引人才；生成个性化招呼语，提高人才回复率。

招聘环节的赋能：进行简历的各维度竞争力分析；进行招聘中遇到的各类关键术语的学习；进行人岗匹配以及生成匹配原因；设计面试题并进行人才评测。

LLM/AIGC产品成果及服务业务

基于大模型的高性能加速推理引擎

基于SD模型的高性能计算加速推理引擎

基于LLM的AIGC应用开发实训平台

基于多模态大模型的动物X光片智能诊断系统

基于LLM的大模型通识素养课数字人平台

学生德育教育和心理咨询服务平台

面向HR的大语言模型应用平台

辅助教师备课和教学的AIGC教育大语言模型应用平台

基于GLM大模型的智能客服应用平台

基于大语言模型的AIGC案例学习平台

ChatGPT和MidJourney的接入方案

基于数隐产业图谱的数据流通服务平台

基于大语言模型的城市轨道交通质量安全AI交互系统

智慧党建学习平台

基于LLM数字员工的人力资源管理系统

识图智能眼实训平台

分拣机器人实训平台

AICCE算法工程师职业竞争力测评平台；

清泉测评-Meta3.0元力测评平台；

昊华能源智慧党建学习平台；

校咖邦校园自媒体内容分发平台；

校咖邦校园营销触控屏感应系统控制集成电路；

校咖邦校园营销触控屏主机控制集成电路；

相关研究

《基于胜任力模型的AI算法工程师的人才测评指标体系构建》

陈老师 大模型算法及应用开发资深专家

985计算机硕士，超过10年的AI、数据科学、软件开发和系统架构经验，专注于人工智能生成模型（AIGC）、Python、Java语言方向。现任TsingtaoAI研发及算法项目负责人。陈老师以其深厚的AI技术背景和丰富的实践经验，致力于通过高质量的培训课程帮助学员提升专业AI技能。在金融行业大模型技术的研发和实际落地方面拥有广泛的实践经验，并且多次主导和参与了针对金融行业的大模型技术培训和辅导项目。

教育背景

• 2005.09—2008.07 天津大学 计算机科学与技术 硕士
• 2001.09—2005.07 山东大学 计算机科学与技术 学士

过往培训内容

• 大模型（LLM）技术原理与应用
• 大模型在金融行业的具体落地案例分析
• 金融行业数据分析与智能决策
• 金融科技创新与未来发展趋势
• 机器学习与神经网络基础及进阶
• Python及Java编程语言应用

金融行业研发项目

• 金融智能决策系统：带领团队开发基于大模型技术的金融智能决策系统，应用于多家银行的风险管理与客户推荐系统。
• 智能投顾平台：负责开发的智能投顾平台，帮助个人投资者提供个性化投资建议，提高用户满意度和投资收益。

培训案例

• TsingtaoAI：为公司研发团队进行大模型技术培训，内容涵盖大模型的基本原理、开发实践以及在金融科技和营销业务中的应用。
• 苏泊尔：对IT/AI技术团队进行大模型技术培训，提升团队对大模型技术的理解、掌握和应用能力。
• 建设银行：开展关于大模型技术系统的专题培训，分享大模型系统设计、技术实现及实际应用中的经验和挑战。

相关知识产权和论文：一种基于大模型的金融智能决策方法；智能投顾系统及其实现方法；基于神经网络的金融数据分析方法研究。

工作&专业经验

• TsingtaoAI：研发及算法负责人，负责相应的大模型微调及应用开发，开发产品包括：基于数隐产业图谱的数据流通服务平台；基于GLM大模型的智能客服应用平台；基于多模态大模型的动物X光片智能诊断系统；基于LLM的AIGC应用开发实训平台。负责大模型技术在教育培训中的应用与推广
• 360数科：贷前风控模型专家，根据实际业务需求，搭建完善全生命周期的风控模型产品体系，有效识别客群降低风险；对内外部数据进行特征衍生与挖掘，分析与评估，选择最合适，成本优，效果佳的数据源，平衡商业需求的同时，使得模型产品达到效果；负责项目中模型的研究、开发、部署、监控、维护、优化迭代全流程工作训项目负责人。
• 北京正己基业教育科技有限公司：架构师及算法研发，负责公司SaaS平台的技术架构设计与实施。
• 北京运道科技有限公司：技术负责人，主导智能物流及供应链金融平台的研发与应用。

肖红正 CV计算机视觉算法资深讲师

肖红正，资深算法专家，拥有超过15年的算法研究与实践经验。曾在世界五百强企业英特尔公司担任高级系统架构师，目前担任中国电子系统技术有限公司的算法Leader，带领团队在智慧城市和能源行业领域进行模型产品研发，获得多项专利和荣誉。

教育背景

• 2002 - 2009: 华中科技大学 计算机应用 本科和硕士

可讲主题及培训内容

1. 计算机视觉与图像处理
   1. 图像降噪与增强处理
   2. 2D和3D目标检测与分类
   3. 激光雷达与相机数据融合
2. 人工智能训练师-智能数据标注
   1. 数据采集和处理
   2. 数据标注
   3. 智能系统运维
3. 深度学习与机器学习
   1. 深度学习模型设计与优化
   2. 机器学习算法及应用
   3. 数据挖掘与运行优化
4. 人工智能应用
   1. 智能零售柜技术应用
   2. 工业移动检测机器人
   3. 城市大脑与智能交通

个人资质

• 专利:
  • 一种文本识别模型的生成方法以及装置 (CN202110447608.9)
  • 一种语义分析方法及装置 (CN202110499308.5)
• 奖项:
  • 荣获2021年度集团优秀解决方案奖
• 技术能力:
  • 精通C/C++，熟悉Python等编程语言
  • 深刻理解Linux系统和软件工程化
  • 具备软硬件一体化产品研发能力
  • 擅长计算机视觉、机器学习和深度学习技术

主要项目经验

• 智能零售柜: 通过2D+3D深度学习算法实现商品识别与结算，准确率达99%。
• 工业移动检测机器人: 基于多传感器融合技术，实现高精度缺漏检测与姿态检测。
• 城市大脑项目: 实现复杂场景下的2D和3D人脸识别与多目标追踪系统，提升城市管理智能化水平。

蔡老师 AI大模型资深算法专家

中国科学院大学博士；

北京邮电大学讲师；

LLMs大模型及机器学习及应用领域专家。

吉树金 就业指导专家

中青易教创始人CEO；

10年教育行业（新东方等）经验；

产教融合资深业务专家，负责AIGC高校实训、师资培训等业务，服务超过100多高校。

政策说明

1、合作期：3-6个月，如遇特殊情况双方可协商延长。

2、合作费用：服务费29800元，其中14900元服务费需要在合作协议签订后2天内支付，该费用在缴费7天后不予退费；另外29800元服务费在学员就业后一周内支付。

3、考取的证书选择，学员自行决策，建议以高权威和高价值为主；考试证书费用自理；工信部和华为云证书备考提供辅导。

4、如果合作期内没就业成功，则延迟缴纳50%尾款费用；直到成功就业后，再进行支付；期间会继续提供学习指导、项目实践等相关服务。也就是说提供就业托底服务，直到成功就业。

5、学员自行选择是线上还是线下实训，或者也可以选择两种方式灵活结合。

6、线下环节，项目组提供免费办公位，学员需自备电脑，同时住宿和饮食等需要自理。

7、有基础的学员，通过华为云HCCDA-AI认证（人工智能入门级开发者认证），获得认证证书后，可以跳过Part1部分，直接进入Part2部分，学费减免2000元（学费在尾款中减免2000元）。

关于TsingtaoAI

TsingtaoAI拥有一支高水平的产学研一体的AI产品开发团队，核心团队主要来自清华大学、北京大学、中科院、北京邮电大学、复旦大学、中国农业大学、美团、京东、百度、中国技术创业协会和三一重工等产研组织。 TsingtaoAI核心团队专长于行业LLM/AIGC应用的产品研发，面向企业的大语言模型应用落地等业务，如面向智能客服、教育、人力资源、电商和轨道交通等行业领域的LLM和AIGC应用开发。公司拥有近10项LLM/AIGC相关的知识产权。

TsingtaoAI自研基于LLM大模型代码能力的AIGC应用开发实训平台、面向CS专业的AI训练实训平台和基于大语言模型的AIGC案例学习平台，聚焦虚拟现实、金融科技、医药健康、高端装备、新能源、新材料、节能环保、文化创意、农业科技和食品科技等关键行业，通过链接全球数以千计的关键领域的AI科学家和工程师，为央国企、上市公司、外资企业、政府部门和高校提供AI企业内训和高校实训服务。

合作单位