企业在介入生成式AI应用时会思考的问题，这一页归纳得挺好，当然了，这也是来参加这个会的目的吧？
- 什么样的User Case真能帮到业务？（重点是“真”）
- 如何衡量一个生成式AI User Case的成功？（投入产出，未来，明的利益，暗的优势等等）
- 如何选择大模型去构建应用？（企业自身必须要有靠得住的AI咨询方）
- 如何保证企业私有数据不被大模型吸收？（这些问题开始就有较多的技术解决方案了）
- 我们缺乏高质量的数据怎么办？（买吧，但是还是要有质量标准）
- 构建生成式AI应用工程化的挑战有哪些？如何克服？
- 如何去购买xx加速去做生成式AI User Case的实验？（还是实验，现在让资本市场很短视的，不大允许费资源只是做个实验）
- 模式适配/调优，Prompt Engineering/RAG/Finetune用哪种方法合适？（细节，专业的问题，还是要有专业咨询或内部专家）
- 如何设定Guardrail（护栏）为负责任的生成式AI应用？（先把合规性准备好）
- 构建生成式AI应用需要团队的Skills有哪些改变？（目前的回答是有的，但是答案本身也在动态更新中）
不得不说，是不是刻意留了不少英文单词在里面，导致读起来不大爽。
接着是讲端到端构建AIGC应用的关键路径：
- 应用范围：定义使用场景与用例
- 模型选择：选择现有基础模型或预训练自己的模型
- 模型适配和模型调整：Prompt Engineering + 知识增强 + 微调 –>评估效果
- 应用程序集成：部署模型及运行推理 –> 构建由基础模型驱动的应用程序
几种适配调整的成本与效果的排列，原图是平面坐标图，改成顺序排列：
- 成本：RAG < Prompt Engineering < 预训练 == 微调
- 效果：PE < RAG = 微调 < 预训练
预训练当然好，但优质数据贵啊
AIGC的业务风险：
法律/监管/偏见/幻觉/隐私保护/问责制/业务透明度/滥用/有害内容/知识产权保护
ISV和SI就不罗列了。天天变的东西。
AIGC工程化“最后三公里”的挑战：
UI用户界面开发（用户体验） / 工具链 / 模型调优（持续的？） / 数据工程（提取、清晰、治理、数据模型） / 云基座（这里就涉及到AWS提供的系列支撑了）