企业级Java开发中的应用人工智能 (Chinese Edition)

第一章 企业人工智能的 困境

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

人工智能（ ）已迅速成为现代企业系统不可或缺的组成部分。我们目睹它如何重塑行业格局，改变企业运营模式，其中也包括开发人员编写代码的方式。 然而，理解人工智能的整体格局及其各类分类可能令人望而生畏，尤其当试图将其融入企业Java生态系统和现有应用时。本章旨在通过介绍构建人工智能应用的关键核心概念、方法论和术语，为读者奠定基础。

虽然本章侧重于铺垫基础，但内容绝非空泛定义或缩写词堆砌。后续章节将涵盖以下要点：

从技术视角到生成式人工智能

尽管大型语言模型（LLMs）如今备受瞩目，但人工智能领域拥有更为悠久的历史。在项目中应用AI时，理解其发展历程至关重要。AI不仅关乎最新趋势，更在于识别哪些技术可靠且具备实际应用价值。通过了解AI发展背景及不同方法的演变，您将能区分炒作与日常工作中真正有用的技术，从而为企业项目选择AI解决方案时做出更明智的决策。

开源模型与训练数据

人工智能的优劣取决于其学习数据的质量。高质量、相关性强且组织完善的数据，是构建能产出精准可靠结果的人工智能系统的关键。本节将阐述开源模型与数据为何能为人工智能项目带来显著优势。开源社区共享的工具与资源，使包括中小企业在内的各方都能获取人工智能领域的最新进展。

伦理与可持续性考量

随着AI在商业领域的普及，思考这些技术带来的伦理与环境影响至关重要。构建尊重隐私、避免偏见且决策过程透明的AI系统日益重要。而训练大型模型需要大量计算资源，这会对环境造成影响。我们将介绍构建AI系统时应遵循的核心伦理原则，以及设计环保型AI的重要性。

LLMs的生命周期及其行为调控机制

若您曾使用过能回应问题的AI聊天机器人或其他工具，便已接触过LLMs。但这些模型并非凭空运作，它们遵循从训练到特定任务微调的生命周期。本节将阐释LLMs的创建过程，并说明如何引导其行为。您将掌握prompt调优、prompt工程和对齐调优等引导模型响应的核心基础知识。理解模型运作机制后，您就能为项目选择合适的技术方案。

DevOps与MLOps的对比

随着人工智能融入日常软件开发，理解传统DevOps实践与机器学习运维（MLOps）的交互至关重要。DevOps专注于软件的高效开发与部署，而MLOps则将类似原则应用于AI模型的开发与部署。这两个领域正日益紧密结合，开发团队需要理解它们如何相互补充。我们将简要概述DevOps与MLOps的核心异同，阐明二者如何相互依存，共同保障人工智能应用的成功交付。

核心术语解析

人工智能领域充斥着大量技术术语和缩写，容易让人迷失在专业术语的迷雾中。本书将以简明清晰的语言介绍重要的人工智能术语。从LLMs到MLOps，我们将以通俗易懂且与您的项目相关的方式进行阐释。掌握这些基础术语将有助于您与人工智能专家沟通，并将这些概念应用于自己的Java开发项目。

读完本章后，您将清晰掌握人工智能的整体格局与基本原理。让我们从基础知识开始，为您的企业级人工智能开发之旅奠定基础。

AI技术全景图：技术视角 通往生成式AI之路

生成式人工智能（ ）运用神经网络和Deep Learning算法识别现有数据中的模式，从而生成原创内容。通过分析海量数据，生成式AI算法能整合知识创造出全新的文本、图像、音频、视频及其他形式的输出。

人工智能发展史跨越数十年，历程中既有持续进步，亦不乏偶发挫折与周期性突破。各分支学科可视作嵌套盒式体系（如图1-1所示） ...