DeepSeek企业应用指南电子书

内容简介

自序

前言

第1章 企业应用入门

1.1 AI的发展和DeepSeek的横空出世

1.1.1 AI的发展历程

1.1.2 全球主要LLM及其发展

1.1.3 DeepSeek横空出世

1.2 DeepSeek的核心功能和独特优势

1.2.1 核心功能

1.2.2 独特优势

1.3 DeepSeek在企业中的应用价值

1.4 企业部署DeepSeek需要考虑的因素

1.4.1 版本选择

1.4.2 数值精度选择

1.4.3 部署方式选择

1.4.4 部署方法选择

1.4.5 操作系统选择

1.5 企业部署DeepSeek的主要环节

第2章 环境搭建与配置

2.1 共性工作

2.1.1 软件环境准备

2.1.2 硬件准备

2.1.3 数据准备

2.1.4 安全配置

2.1.5 性能优化

2.2 不同部署方式下的环境搭建与配置

2.2.1 主要工作

2.2.2 主要工作环节的区别

2.3 本地部署方式下的环境准备与配置

2.3.1 环境准备

2.3.2 性能优化

2.3.3 安全与隐私

2.3.4 运维管理

2.4 云端部署方式下的环境准备与配置

2.4.1 环境准备和模型安装

2.4.2 性能优化

2.4.3 安全与隐私

2.4.4 运维管理

2.5 企业级部署方式下的环境准备与配置

2.5.1 性能优化

2.5.2 安全与隐私

2.5.3 运维管理

第3章 企业应用基础

3.1 数据准备与预处理

3.1.1 数据收集

3.1.2 数据清洗

3.1.3 特征工程

3.1.4 数据标注

3.1.5 数据转换

3.2 模型训练与评估

3.2.1 数据加载与预处理确认

3.2.2 初始阶段的模型训练

3.2.3 验证与中间评估

3.2.4 模型微调

3.2.5 最终评估与上线前验证

3.3 模型部署与应用

3.3.1 创建API

3.3.2 性能优化

3.3.3 性能监控

3.3.4 建立容错机制

第4章 提示语设计与优化

4.1 企业应用环境下提示语设计与优化的作用

4.2 不同环节下的提示语设计与优化

4.2.1 数据准备环节

4.2.2 模型训练环节

4.2.3 模型评估环节

4.2.4 应用部署环节

4.2.5 持续优化环节

第5章 模型微调与个性化定制

5.1 模型微调

5.1.1 数据适应性微调

5.1.2 性能优化

5.2 个性化定制方法

5.2.1 知识蒸馏与领域适应

5.2.2 内部知识库构建

5.2.3 个性化和自适应

5.2.4 持续学习迭代

第6章 多模态数据处理与融合

6.1 数据采集与预处理

6.1.1 多模态数据类型及应用

6.1.2 图像数据预处理

6.1.3 文本数据预处理

6.1.4 语音数据预处理

6.1.5 传感器数据预处理

6.1.6 视频数据预处理

6.2 特征提取

6.2.1 图像数据特征提取

6.2.2 文本数据特征提取

6.2.3 语音数据特征提取

6.2.4 传感器数据特征提取

6.2.5 视频数据特征提取

6.3 模态融合

6.3.1 数据级融合

6.3.2 特征级融合

6.3.3 目标级融合

6.3.4 混合融合

6.4 模型训练与优化

6.4.1 模型训练

6.4.2 模型优化

6.4.3 综合案例

第7章 分布式训练

7.1 计算集群架构

7.1.1 计算集群架构配置要素

7.1.2 计算集群架构配置建议

7.2 并行策略

7.2.1 数据并行

7.2.2 序列并行

7.2.3 模型并行

7.2.4 流水线并行

7.2.5 张量并行

7.2.6 混合并行

7.3 关键技术优化

7.3.1 通信优化

7.3.2 计算优化

7.3.3 内存优化

7.3.4 数据处理与加载优化

7.3.5 训练稳定性优化

7.3.6 系统性能优化

7.4 启动分布式训练

7.4.1 模型配置

7.4.2 训练脚本编写

7.4.3 一个基于PyTorch的分布式训练脚本

第8章 与企业级专用AI的结合

8.1 与专用AI结合的原因

8.1.1 DeepSeek和专用AI的区别

8.1.2 DeepSeek和专用AI的短板

8.1.3 与专用AI结合的新优势

8.2 与办公协作AI工具钉钉的结合

8.2.1 钉钉的适用领域和不足

8.2.2 与钉钉结合的新优势

8.3 与知识管理工具HelpLook的结合

8.3.1 DeepSeek在知识管理领域的短板

8.3.2 DeepSeek与HelpLook结合的必要性

8.3.3 DeepSeek与HelpLook结合的新优势

8.4 智能客服与对话工具助小咖的结合

8.4.1 DeepSeek直接作为智能客服与对话工具的短板

8.4.2 助小咖作为智能客服与对话工具的短板

8.4.3 助小咖与DeepSeek结合的新优势

第9章 与ERP等企业业务管理系统的结合

9.1 与企业业务管理系统结合的特殊性

9.2 制造业ERP系统的特点和不足

9.3 DeepSeek可以解决的制造业ERP系统问题

9.3.1 解决数据孤岛问题

9.3.2 解决系统实时性不足问题

9.3.3 解决系统智能化决策支持不足问题

9.3.4 解决个性化定制能力不足问题

9.3.5 解决数据安全与隐私保护问题

9.4 DeepSeek与ERP系统结合的方式、方法和步骤

9.4.1 前期准备

9.4.2 技术对接架构

9.4.3 核心场景开发

9.4.4 部署与优化

9.4.5 技术挑战与对策

9.4.6 落地效果评估

9.5 案例

第10章 创建企业应用AI Agent

10.1 什么是AI Agent

10.2 AI Agent作用发挥的主要领域和适用场景

10.3 AI Agent的结构组成和创建方法

10.3.1 AI Agent的核心组件和组成

10.3.2 AI Agent创建的路径和方法

10.3.3 容器化与弹性扩展

10.4 基于DeepSeek创建企业应用AI Agent

10.5 多Agent系统

10.5.1 什么是多Agent

10.5.2 创建多Agent

10.6 MCP、A2A和ANP

10.6.1 MCP

10.6.2 A2A和ANP

第11章 创建和集成工作流

11.1 什么是工作流

11.1.1 工作流与AI、AI Agent和多Agent的关系

11.1.2 基于AI构建的工作流和AI与ERP等企业业务管理系统结合的区别

11.2 工作流的分类

11.3 工作流的适用领域和场景

11.4 创建工作流的一般方法

11.4.1 创建工作流的6个阶段

11.4.2 工作流的功能模块

11.4.3 创建工作流与创建AI Agent的区别

11.4.4 创建工作流的主要工具或平台

11.5 基于DeepSeek创建企业应用工作流

11.5.1 基于DeepSeek开发工作流的优势

11.5.2 基于DeepSeek创建工作流

11.6 基于DeepSeek集成工作流

第12章 DeepSeek应用驱动产业转型升级

12.1 智能客服系统

12.1.1 智能客服在产业应用中的地位和作用

12.1.2 传统智能客服存在的不足

12.1.3 基于DeepSeek升级的智能客服系统

12.2 质量检测与预测

12.2.1 质量检测与预测在行业和企业应用中的地位及作用

12.2.2 传统质量检测与预测方法面临的问题

12.2.3 DeepSeek对质量检测与预测系统的改进及效果

12.3 内容推荐与个性化服务

12.3.1 内容推荐与个性化服务在企业运营中的地位及作用

12.3.2 传统内容推荐与个性化服务存在的不足

12.3.3 基于DeepSeek的内容推荐与个性化服务改进

12.3.4 案例

12.4 疾病诊断与治疗方案推荐

12.4.1 疾病诊断与治疗方案推荐的发展历程

12.4.2 基于DeepSeek的疾病诊断与治疗方案推荐发展

12.4.3 案例

12.5 供应链优化与智能调度

12.5.1 供应链优化与智能调度的发展阶段及面临的不足

12.5.2 基于DeepSeek对供应链的优化和智能调度

12.5.3 案例

12.6 智能教学辅助系统

12.6.1 智能教学辅助系统的发展历程

12.6.2 DeepSeek对智能教学辅助系统的改进

12.6.3 案例

12.7 DeepSeek及应用驱动产业转型升级

12.7.1 DeepSeek及应用变革领域或环节的共同点

12.7.2 DeepSeek在企业中无法应用的场景及原因

12.7.3 企业应用DeepSeek需要关注的问题

12.7.4 未来发展趋势

第13章 企业应用DeepSeek面临的挑战与应对

13.1 数据安全与隐私保护策略

13.2 模型幻觉与准确性问题

13.2.1 模型幻觉与准确性问题的含义及分类

13.2.2 模型幻觉与准确性问题的根源

13.2.3 模型幻觉与准确性问题的应对

13.3 可解释性与逻辑推理能力不足

13.3.1 可解释性与推理能力不足的原因及表现

13.3.2 可解释性与推理能力不足的应对

13.4 长文本处理和上下文理解的局限

13.4.1 针对长文本处理局限的应对策略

13.4.2 针对上下文理解局限的应对策略

13.5 领域适应性与多语言支持问题

13.5.1 领域适应性问题

13.5.2 多语言支持问题