选择要攻击的威胁是战场上最重要的决策之一。该决策问题表现为武器-目标分配问题（WTA）。在以往的研究中，动态编程、线性规划、元启发式和启发式方法已被用于解决这一问题。然而，以往的研究因建模过于简化、计算负担重、缺乏对干扰事件的适应性以及问题规模变化时的重新计算等问题而受到限制。为了克服这些局限性，本研究旨在利用强化学习和图神经网络来解决 WTA 问题。所提出的方法反映了现实世界的决策框架--OODA-loop（观察-定向-决策），具有很高的实用性。在各种环境中进行了实验，并通过与现有的启发式和元启发式方法进行比较，证明了所提方法的有效性。所提出的方法为战术指挥与控制中的智能决策引入了一种开创性的方法，传统上被认为是人类专家的专属方法。
本研究将强化学习与图形神经网络（GNN）相结合。强化学习与 GNN 的结合是最有前途的领域之一，因为 GNN 能有效地表示复杂的交互作用。为了应用强化学习，DWTA 被建模为 POMDP（部分可观测马尔可夫决策过程）。为了优化强化学习智能体的策略，采用了近端策略优化（PPO）。学习环境是一个仿真模型，反映了对真实世界的详细描述。本研究的贡献如下。
-
本研究利用深度强化学习和图神经网络在各种情况下做出优化决策，为复杂性和不确定性主导的情况提供丰富的目标导向表征。
-
图神经网络有助于提高我们方法的可扩展性，从而增强其实际用途。
-
提出的方法通过人工智能技术的增强，为传统上由人类专家主导的领域（如战术指挥和控制）的决策制定带来了创新。
-
从整数编程中定义的问题出发，利用马尔可夫状态的理论基础和图建模技术系统地构建了 POMDP。与依靠直觉和经验法则推导 POMDP 的传统方法相比，这是一种更有条理的方法，更容易看出 POMDP 与所定义问题之间的联系。
原文
这份报告是由东华大学图书馆策划，名为《人工智能国外大模型使用手册》，发布于2024年8月25日。报告的目的是提供一个全面的指南，帮助用户了解和使用国外的人工智能大型模型（AI大模型），以便在学术研究、教学发展等领域中应用这些技术，提高效率和创新能力。
报告的主要内容包括：
-
前言：
-
介绍了人工智能（AI）技术的普及和影响，以及国外大模型在自然语言处理（NLP）和深度学习领域的领先地位。
-
强调了东华大学图书馆编写此手册的目的，即普及AI大模型知识，帮助师生选择合适的工具，赋能学术研究和教学。
-
-
大模型概述：
-
定义了大模型，并讨论了它们的特点，如庞大的参数规模、复杂的网络结构、高计算资源需求等。
-
探讨了大模型在不同领域的应用，包括自然语言处理、图像识别、语音识别和推荐系统。
-
分析了大模型的发展趋势，如模型压缩、跨模态学习、隐私保护和可持续性。
-
-
国外AI大模型：
-
详细介绍了几款知名的国外AI大模型，包括GPT系列、Gemini系列、Claude系列和LLaMA。
-
讨论了这些模型的基本功能、特点、应用领域和发展趋势。
-
-
高教领域大模型应用：
- 探讨了AI大模型在高等教育领域的应用，如智能教学辅助、科研支持、行政管理、创新课程和国际合作。
-
GPT系列模型（OpenAI）：
- 详细介绍了GPT系列模型的基本功能、特点、安装与使用方法、使用技巧和注意事项。
-
Gemini系列模型（Google）：
- 介绍了Gemini系列模型的基本功能、特点、安装与使用方法、使用技巧和注意事项。
-
Claude系列模型（Anthropic）：
- 介绍了Claude系列模型的基本功能、特点、安装与使用方法、使用技巧和注意事项。
-
LLaMA（Meta AI）：
- 介绍了LLaMA模型的基本功能、特点、安装与使用方法、使用技巧和注意事项。
-
其他模型：
- 简要介绍了其他一些有特色的AI模型，如Grok、Otter.ai、ChatPDF、POE、Sora和Midjourney等。
报告的最后部分提供了参考文献，供读者进一步研究和探索。
整体来看，这份报告为用户提供了一个全面的国外AI大模型的概览，包括它们的功能、应用、安装和使用方法，以及在使用过程中可能遇到的注意事项和安全问题。报告旨在帮助用户更好地理解和利用这些先进的AI技术，以促进学术研究和教学活动的创新和发展。
研究意义随着新一代人工智能的发展，大模型（如GPT-4o等）凭借大规模训练数据、网络参数和算力涌现出强大的生成能力、泛化能力和自然交互能力，展现出改变工业世界的巨大潜力。尽管大模型已在自然语言等多个领域取得突破性进展，但其在工业应用中的探索仍处于初级阶段，当前工业大模型的系统性研究仍属空白。工业应用中特有的异质数据模态、复杂多样的专业化场景、长流程的关联性决策、以及对于可信性实时性的高要求，使得通用大模型无法直接用于解决复杂的工业问题，亟需开展全新的工业大模型基础理论和关键技术研究。
本文工作本文系统地探讨了工业大模型的挑战问题、概念内涵、体系架构、构建方法、关键技术与典型应用。从五个挑战问题的分析出发，提出了工业大模型的全新定义和体系架构；同时，提出了工业大模型的四阶段构建方法，阐述了工业大模型核心关键技术；然后，基于所提出的工业大模型六种核心应用能力，探讨了面向产品全生命周期的工业大模型典型应用场景，并给出了“基石”工业大模型原型系统在生成式人工智能方面的应用实例；最后，探讨和展望了工业大模型未来的研究方向和开放性问题。本文将为工业大模型这一全新研究方向的开辟与发展，提供基础理论、关键技术和行业应用的全面指导。
构建方法工业大模型的构建主要包括以下4个阶段：工业数据制备，工业基座模型训练，工业任务/行业模型适配，工业场景交互应用，如图2所示。
应用场景与通用大模型不同，工业大模型面向工业应用的需求，在其独特的架构和训练方法的支持下，形成6种核心应用能力，包括智能问答、场景认知、过程决策、终端控制、内容生成和科学发现。工业大模型贯穿产品全生命周期、围绕六项核心应用能力的典型应用场景。工业大模型在实际工业生产流程中可以将工业智能体作为载体之一，与工业场景中所涉及的人员与工业赛博物理系统进行交互完成特定任务。
【导读】MIT科学家Dimitri P. Bertsekas在ASU开设了2024《强化学习》课程，讲述了强化学习一系列主题。Dimitri 的专著《强化学习》讲义，是一本探讨人工智能与最优控制的共同边界的著作。
这是我在亚利桑那州立大学（ASU）课程中使用的主要教材。它基于我在2019至2024年间编写的课堂笔记。虽然它是一本独立的书籍，但也可以结合我的视频讲座和幻灯片（可在本网站找到）一起使用。 该书的第二版可以免费下载并用于教学目的。印刷版将在4个月内由出版公司发行，数字版也将在Google Play上提供。 本教材约480页，并在每章末附有练习题。书中主要强调基于动态规划（Dynamic Programming, DP）数学框架的直观推理。尽管数学证明并未被重点展示，但本教材依赖于我在此网站列出的《动态规划》和《强化学习》书籍中的理论发展和分析。这些书籍在符号和术语上保持一致。 本教材的重要结构特点是以模块化方式组织，具有灵活性，可以适应课程内容的变化和不同的内容选择。具体来说，本书分为两部分： (1) 一个基础平台，即第1章。该章节提供了对近似动态规划/强化学习（RL）领域的精选概览，并为更详细的课堂RL主题发展提供了起点，具体选择可由讲师决定。 (2) 选定方法的深入覆盖。在第2章中，我们讨论了一步或多步前瞻的值空间近似方法。特别关注了确定性和随机性的展开算法和前瞻树搜索。其他有趣的主题包括多智能体展开、自适应控制中的重优化展开、贝叶斯优化和极小极大问题。在第3章中，我们讨论了神经网络和其他近似架构的离线训练，以及与策略迭代/自学习、Q学习、策略梯度和聚合方法的结合。 在其他课程中，可以使用相同的基础平台进行不同的深入覆盖选择。例如，一个关于最优控制/MPC/自适应控制的课程可以基于第1章的平台构建。同样，基于该平台还可以设计数学导向程度不同的课程。 第1章，精确和近似动态规划。内容包括：AlphaZero的离线训练和在线对局、确定性动态规划、随机精确和近似动态规划、无限时域问题——概览、无限时域线性二次问题、例子重构与简化、强化学习与决策/控制。 第2章，值空间近似——展开算法。内容包括：确定性有限时域问题、值空间近似——确定性问题、离散优化的展开算法、带多步前瞻的值空间展开和近似、约束形式的展开算法、小阶段成本和长时域——连续时间展开、随机展开与蒙特卡洛树搜索、无限空间问题的展开优化、多智能体展开、贝叶斯优化和序贯估计的展开、基于POMDP（部分可观测马尔可夫决策过程）形式的自适应控制、极小极大控制的展开。 第3章，学习值和策略。内容包括：参数化近似架构、神经网络、近似动态规划中代价函数的训练、近似动态规划中策略的训练、策略梯度及相关方法、聚合。 关于第二版 第二版包含了一些重大补充，包括2024年在ASU课程中涵盖的内容。特别是建立了与Transformer、大型语言模型（LLM）以及HMM（隐马尔可夫模型）推理方法的联系（第2.3.7节），并大幅扩展了确定性问题的多步搜索内容（第2.4节）。此外，对MPC的讨论有所拓展，增加了其在极小极大问题和计算机象棋中的应用（第2.12节）。同时，第一版的结构和目标保持不变。
本文介绍了在战场数字孪生框架内使用贝叶斯优化（BO）、遗传算法（GA）和强化学习（RL）等先进技术优化军事行动的综合方法。研究重点关注三个关键领域：防御作战中的部队部署、火力支援规划和下属单位的任务规划。在部队部署方面，BO 用于根据战场指标优化营的部署，其中汤普森采样获取函数和周期核取得了优异的结果。在火力支援规划中，采用了 GA 来最小化威胁水平和射击时间，解决了资源有限条件下的资源受限项目调度问题（RCPSP）。最后，为任务规划开发了一个 RL 模型，该模型结合了多智能体强化学习 (MARL)、图注意网络 (GAT) 和层次强化学习 (HRL)。通过模拟战场场景，RL 模型展示了其生成战术演习的有效性。这种方法使军事决策者能够在复杂环境中提高行动的适应性和效率。研究结果强调了这些优化技术在支持军事指挥和控制系统实现战术优势方面的潜力。
基于战场数字孪生的 COA 生成概念
战场数字孪生是一个数字复制品，代表了真实战场环境的组成部分和行为特征。它可以通过接收来自实际战场的实时或接近实时的战场、敌方和友军单位信息，并将其动态反映到数字孪生中，从而对数字孪生模型进行评估和调整。换句话说，模型可以根据真实世界的数据不断更新，以实现更具适应性的分析。这一概念与深绿的自适应执行相一致，后者也依赖于动态更新的信息。通过这种方式，可以向真实战场系统提供改进的决策反馈，帮助用户根据数字孪生模型做出更好的决策，而数字孪生模型是根据实际作战数据更新的。
本节提出了 “基于战场数字孪生的作战行动选择生成与分析 ”概念，通过各种技术方法，利用战场数字孪生生成作战行动选择。然后对这些选项进行评估、效果比较，并推荐最合适的 COA 选项。基于战场数字孪生的作战行动选择生成和分析的基本概念是，利用战场数字孪生的预测模拟生成作战行动选择，同时考虑若干战术因素（METT+TC：任务、敌人、地形和天气、可用部队和支持、可用时间和民用因素）。然后，可在数字孪生环境中对生成的作战行动方案进行快速评估。图 2 展示了这一流程的概念图。生成和分析 COA 的四个关键输入--威胁分析、相对战斗力分析结果、战场信息以及指挥官和参谋部的指导--假定来自其他分析软件模块和用户输入，从而完成智能决策支持系统。有关链接分析软件模块的更多信息，请参阅 Shim 等人（2023，2024）。
图 2：基于战场数字孪生系统的 COA 生成和分析概念。
可以按照图 1 中概述的战术规划流程生成并详细说明 COA 选项。然而，如前所述，规划过程中的许多任务都需要人工干预，而人工智能技术的应用仍然有限。因此，我们将重点放在 COA 生成阶段，在研究适用技术的同时，找出可以实现自动化和智能化的方面。本研究介绍了在 COA 生成过程中可实现自动化和智能化的三个概念：确定友军部队部署、规划间接火力支援和规划部队战术任务。友军部队部署是指部队到达战场后如何安排和使用，而部队部署则是指如何将部队转移到指定的大致位置。我们将贝叶斯优化方法应用于友军部署优化问题，作为 COA 方案生成的一部分。随着人工智能技术的快速发展，许多研究都探索了基于最先进机器学习算法的全局优化方法。其中，使用高斯过程的贝叶斯优化法作为一种针对实验成本较高的黑盒函数的全局优化方法受到了广泛关注（Brochu，2010 年）。对于炮兵作战，我们将火力支援调度问题归结为一个项目调度问题，该问题力求在遵守资源限制的同时，最大限度地减少敌方总威胁和发射时间。将项目调度与资源管理相结合的任务被称为资源约束项目调度问题（RCPSP）。最后，我们利用强化学习（RL）技术为下属单位规划战术任务，以找到最优行动策略。强化学习已经证明，它是在动态和不确定环境中解决复杂决策问题的有效框架。特别是，我们利用多智能体强化学习（MARL）、分层强化学习（HRL）和图注意网络（GAT）的原理，为多个单位有效地学习任务及其相应参数，同时从每个智能体的角度考虑其重要性。
在使用所提出的方法生成一系列作战行动（COA）选项后，将在战场数字孪生系统中对这些选项进行模拟评估。然后对模拟结果进行评估，以推荐最合适的 COA 选项。在下一章中，将详细解释用于实现所建议的 COA 生成概念的技术方法，并提供全面的实验评估结果，以突出所建议方法的有效性。
图 8：强化学习的拟议架构。
海洋环境中的防空是保护友军海军资产免受空中威胁。为了最大限度地减少对被防御资产的威胁，需要将稀缺的防御资源优化分配给目标。灵活的指挥和控制功能是处理防空事件动态性质的必要条件。须确保单舰或特遣舰队防空环境中传感器和武器之间的协调和自动化。为了在决策自动化方面提供有效的决策支持，舰艇指挥控制系统需要采用快速高效的算法。
舰艇防空规划（NADP）问题包括舰艇的机动决策以及针对威胁分配/调度武器和传感器，从而使友军部队的总预期生存概率最大化。NADP 问题可定义为武器目标分配（WTA）问题的一个特定版本，自 20 世纪 50 年代以来，已有文献对该问题进行了广泛研究。与其他研究相比，NADP 问题包含了新的特征，使问题的定义更加现实和适用。它还涉及传感器分配要求、武器/传感器盲区、取决于序列的设置时间和舰船雷达信号。
本文的目标是开发精确/启发式求解方法，为 NADP 决策自动化提供快速高效的决策支持。论文提出了 NADP 问题的混合整数非线性规划 (MINLP) 模型，并针对静态和动态问题开发了启发式求解方法。计算结果证明，这些启发式方法在解决 NADP 问题时既快速又高效。
武器目标分配（WTA）是一个组合优化问题，其中一组武器必须有选择地攻击一组目标，以最小化目标的预期生存值。在分布式形式下，它也是自主多智能体机器人学中的一个重要问题。在本研究中，我们探索了一种改进的武器目标分配问题的分布式方法，在该问题中，武器必须达到指定的杀死每个目标的概率。本文提出了三种新的成本函数，在智能体与目标比率较低的情况下，这些函数诱导的行为可能优于经典成本函数诱导的行为。以机载自主武器为例，在模拟同质和异质交战场景时探讨了这些成本函数的性能。模拟结果表明，在代理与目标比率较低的情况下，有效使用武器尤为重要，而所提出的成本函数可实现指定的预期行为。
此外，还考虑了多目标版本的 WTA 问题，其中任务分配的质量既取决于分配给每个目标的武器的总效果，也取决于智能体到达目标的相对时间。在现实世界中，任务规划者希望对每个目标实施出其不意的攻击，这种时间限制可能非常重要。本文提出的第四个成本函数将武器的有效性和时间指标结合为一个综合成本。在武器与目标的接近速度被限制在一定范围内的情况下，这种综合成本允许在分配决策过程中加入到达时间限制。通过理论分析和仿真演示了这种新成本函数的性能。结果表明，所提出的成本函数在闭合速度限制下平衡了优化有效性和到达时间考虑的双重目标，而且用户定义的调整参数可用于调整有序到达和实现预期杀伤概率双重目标的优先级。
通过构建 ChatGPT 克隆、代码错误修复器、测验生成器、翻译应用、自动回复邮件生成器、PowerPoint 生成器等项目，提升您的应用开发技能。 关键特性
- 通过掌握 ChatGPT 概念（包括微调和集成），转变为 AI 开发专家
- 通过涵盖广泛 AI 应用的实际项目获得实践经验
- 通过将 ChatGPT API 与 Stripe 集成，实现应用支付系统
- 购买纸质版或 Kindle 版还可免费获得 PDF 电子书
书籍简介
通过本书，您将学习如何利用 ChatGPT 在应用程序中实现 AI 的潜力。本实用指南将带您无缝集成 OpenAI API 到项目中，帮助您轻松驾驭复杂的 API 并确保应用程序的流畅运行。 本次新版内容涵盖了 OpenAI Embeddings 等关键主题，帮助您理解词汇和短语之间的语义关系。您将通过 10 个 AI 项目了解如何使用 ChatGPT、Whisper 和 DALL-E API，使用最新的 OpenAI 模型（GPT-3.5 和 GPT-4）以及 Visual Studio Code 作为开发环境。项目中将集成 ChatGPT 到 Flask、Django、Microsoft Office API 和 PyQt 等框架和工具中。您将掌握 NLP 任务，构建 ChatGPT 克隆，创建 AI 代码错误修复 SaaS 应用程序，并通过整合 Stripe 支付系统，为应用添加支付功能。 通过本书，您将能够开发、部署并通过 ChatGPT API 实现您的创新应用。 您将学到的内容
- 建立使用 OpenAI API 进行 NLP 任务的扎实基础
- 构建、部署并集成支付功能到各种桌面和 SaaS AI 应用程序中
- 将 ChatGPT 集成到 Flask、Django 和 Microsoft Office API 等框架中
- 借助 DALL-E API 在桌面应用中生成令人惊叹的 AI 艺术
- 体验 Whisper API 的语音识别和文本转语音功能
- 学习如何针对您的特定使用案例微调 ChatGPT 模型
- 掌握 AI Embeddings 技术，衡量文本字符串之间的关联性
本书适合人群
本书适合各类专业人士，包括程序员、企业家和软件爱好者。初学者 Python 开发者、希望探索 ChatGPT 应用的 AI 开发人员、将 AI 技术集成到软件中的开发人员、以及使用 ChatGPT 构建 AI 驱动 Web 应用的 Web 开发人员都将从中受益。对于正在利用 ChatGPT 进行 AI 项目的学者和研究人员也将有所帮助。理解本书的内容需要具备基本的 Python 知识并熟悉 API。 目录
- 使用 ChatGPT API 开始 NLP 任务
- 构建 ChatGPT 克隆
- 使用 Flask 创建并部署代码错误修复应用
- 将代码错误修复应用与支付服务集成
- 使用 ChatGPT 和 Django 构建测验生成应用
- 通过 ChatGPT API 和 Microsoft Word 构建桌面翻译应用
- 构建 Outlook 邮件回复生成器
- 使用 PyQt 和 ChatGPT API 构建论文生成工具
- 集成 ChatGPT 和 DALL-E API：构建端到端 PowerPoint 演示文稿生成器
- 使用 Whisper API 实现语音识别和文本转语音功能
- 选择合适的 ChatGPT API 模型
- 微调 ChatGPT，创建独特的 API 模型
关于作者
马丁·雅涅夫（Martin Yanev）是一位成就卓越的软件工程师，拥有丰富的跨行业经验，包括航空航天和医疗技术领域。凭借超过八年的辉煌职业生涯，马丁在空中交通控制和色谱系统等关键领域开发和集成尖端软件解决方案方面形成了独特的专业知识。他在费奇堡州立大学（Fitchburg State University）担任计算机科学教授，教授超过 28 万名全球学生，展现了其卓越的教学才能。他在 Flask、Django、pytest 和 TensorFlow 等框架上具有深厚造诣，并熟练掌握 OpenAI API 的构建、训练和微调。马丁拥有航空系统和软件工程双硕士学位，这一显赫的学术成就体现了他对行业理论和实践的坚持与专注。凭借卓越的成就和多样的技能，马丁不断推动创新，在软件工程领域取得变革性进展。
在过去15年中，空间和时空统计中的几个重要主题在教材中未得到足够的重视。《空间-时间数据建模：马尔可夫随机场、客观贝叶斯与多尺度模型》旨在填补这一空白，概述了近期提出的多种分析空间和时空数据集的方法，包括规范的高斯马尔可夫随机场、动态多尺度时空模型以及适用于空间和时空模型的客观先验。该书的目标是让这些方法更加易于实践者使用，并激发在空间和时空统计这一重要领域中的进一步研究。
主要主题：
- 规范的高斯马尔可夫随机场及其作为时空模型和多尺度模型构建模块的应用。
- 含有内在条件自回归先验的空间随机效应层次模型，包括参考先验、快速计算的结果以及客观贝叶斯模型选择。
- 状态空间模型的客观先验，以及一种用于具有动态时空随机效应的时空模型的新近似参考先验。
- 基于规范高斯马尔可夫随机场的用于泊松观测的时空模型。
- 用于空间聚类和数据压缩的动态多尺度时空阈值法。
- 多尺度时空同化计算机模型输出和监测站数据。
- 动态多尺度异方差多元时空模型。
- M-开放多重最优悖论及其对多尺度建模的一些实际影响。
- 用于平滑时空过程的动态多尺度时空模型集成。 本书的读者包括统计学、数据科学、机器学习及相关领域的实践者、研究人员和研究生。本书的先修课程要求为硕士水平的统计推断、线性模型和贝叶斯统计课程。本书可以用作空间和时空统计专题课程的教材，也可以作为空间和时空建模研究生课程的补充材料。
关于作者
Marco A. R. Ferreira是弗吉尼亚理工大学统计学系教授。他曾在多个科学期刊的编辑委员会中为统计学界服务，包括《贝叶斯分析》期刊，并参与了国际贝叶斯分析学会和美国统计协会的多个委员会，以及许多国内和国际会议的科学委员会。Marco目前的研究领域包括时间序列和时空数据的动态模型、多尺度模型、客观贝叶斯方法、随机搜索算法以及统计计算。其主要应用领域包括生物信息学、经济学、流行病学和环境科学。Marco的研究得到了行业、国家科学基金会和国家卫生研究院的资助。他在顶级期刊上发表了重要的科学论文，如《美国统计学会杂志》、《皇家统计学会杂志》、《Biometrika》和《贝叶斯分析》。截至撰写本文时，Marco已指导了超过15名博士生和博士后，他们现任职于学术界、工业界和政府部门。
-
编写有趣且实用的Python应用程序——无需编程经验！
-
使用GitHub Copilot AI编码助手创建Python程序
-
编写告诉Copilot该做什么的提示
-
阅读Python代码并理解它的功能
-
测试您的程序，以确保它们按预期工作
-
通过提示工程或手动修改修复代码
-
创造性地应用Python来帮助工作 AI发展迅速，因此《学习AI辅助的Python编程（第2版）》已全面更新，以利用最新的模型和AI编码工具。由两位著名的计算机科学大学教授撰写，它教授您在AI优先的世界中开始Python编程所需的一切技能。您将学会使用这些技能创建用于数据分析、自动化繁琐任务，甚至视频游戏的工作应用程序。此外，在这本新版中，您将找到将大型软件项目分解为AI可以轻松完成的小任务的突破性技术。序言由Beth Simon撰写。购买纸质书可免费获得Manning Publications提供的PDF和ePub格式的电子书。关于技术人们编写计算机程序的方式已经永远改变。使用GitHub Copilot，您可以用简单的英语描述您希望程序执行的操作，AI会立即生成它。关于本书本书展示了如何使用AI创建和改进Python程序——即使您之前从未写过一行代码。您可以减少处理缓慢、底层编程细节的时间，学习如何让AI助手立即将您的想法变为现实。在此过程中，您还将学到足够的Python语言知识，以理解和改进您的AI助手创建的内容。内容包括
-
可运行代码的提示
-
手动修改代码并利用AI帮助
-
AI测试您的程序
-
让AI处理繁琐的细节 关于读者如果您可以在计算机上移动文件并安装新程序，您就可以学习编写实用的软件！关于作者Dr. Leo Porter是加州大学圣地亚哥分校的计算机科学教学教授，拥有十年以上的教学经验，并因其在计算机科学中有效教学法和评估的获奖研究而闻名。 Dr. Daniel Zingaro是多伦多大学的计算机科学副教学教授及获奖教师，他的主要研究领域是计算机科学教育研究，研究学生如何学习计算机科学内容。本书的技术编辑是Peter Morgan。目录
- 引入AI辅助编程和GitHub Copilot
- 开始使用Copilot
- 设计函数
- 阅读Python代码：第一部分
- 阅读Python代码：第二部分
- 测试与提示工程
- 问题分解
- 调试和更好地理解代码
- 自动化繁琐的任务
- 制作一些游戏
- 创建作者身份识别程序
- 未来方向
生成式AI已经彻底改变了组织应对问题的方式，加速了从概念到原型再到解决方案的过程。尽管这些应用程序提高了效率，它们通常需要进行详细的规划、起草和修改以完成复杂的任务。通过整合这些行动，AI代理提供了更高的自主性和效率，但理解和部署它们对于许多组织来说仍然是一个挑战，尤其是在技术和研究快速发展的情况下。 本书将是您穿越这个复杂且快速发展的领域的必备指南。作者迈克尔·阿尔巴达（Michael Albada）提供了一种实用且基于研究的方法，用于设计和实现单代理和多代理系统。书中简化了这些复杂性，并为您提供了从概念到解决方案高效过渡的工具。读完本书，您将能够： * 了解基于基础模型的AI代理的独特特性 * 探索AI代理的核心组件和设计原则 * 探讨设计权衡并实现有效的多代理系统 * 设计和部署定制的AI解决方案，提升您所在领域的效率和创新能力
**工业大模型伴随着大模型技术的发展，逐渐渗透至工业，处于萌芽阶段。**就大模型的本质而言，是由一系列参数化的数学函数组成的计算系统，且是一个概率模型，其工作机制是基于概率和统计推动进行的，而非真正的理解和逻辑推理，因此，当前大模型具有不可解释性和幻觉不可消除等主要特征。就大模型落地工业的情况而言，工业互联网、等工作已经让部分工业企业遍历了数据采集-数据存储-数据处理-数据分析-数据资产沉淀-数据应用的过程，部分场景已经准备好了向基础大模型投喂的“数据原料”，当经过简单数据处理、微调、适配后，可以解决部分垂直细分场景问题，具有落地可行性。就工业大模型的发展进度而言，工业大模型与工业互联网一样，都是要挖掘数据资产的价值，而数据准备的阶段性工作在工业互联网时期大部分已经准备好，故我们预计工业大模型的进程在技术不受限的前提下，可能会快于工业互联网。当然，工业大模型是以大模型技术为驱动，其进程快慢很大程度受限于大模型本身能力的进化。 **工业大模型玩家与工业互联网平台玩家重合度高，其成长路径目前也表现出高度相似的特征，但目前市场产品、服务、落地场景都处于探索阶段，大家都在同一起跑线。**就参与玩家而言，大模型技术底蕴、行业know how、运维资源等方面是各类玩家主要锚定的优势，且都是基于自身优势点，围绕具体应用场景摸索大模型在工业的落地性进行市场切入的。就具体产品形态而言，整体还较为稚嫩，目前大模型的能力更多还是依附于已有产品体系，鲜少有独立的产品出现，未来随着大模型流量入口特性明朗，有望独立成产品。就应用场景而言，当前大模型的不可解释性和幻觉等特性，与工业“0容错”的特性相悖，因此当前大模型落地工业的探索更多聚焦于偏运营的、具有一定容错能力的场景（如知识问答、辅助设计/代码生成等），而生产制造等核心场景的探索需要静待模型进化以及CV大模型、多模态大模型的发展。就发展挑战而言，模型、数据、应用、商业变现是无法避开的话题，且各方相互影响，互利共赢。 **大模型落地工业的探索中，还处于非常早期的阶段，供需双方都在尝试，当然，也有很多问题值得探讨与思考。**1）大模型落地工业的竞争要素：基础能力、模型能力、模型应用是主要竞争点，且在不同行业发展阶段，其相对竞争优势有所不同，具体而言：短期主要看大模型技术，长期则主要看模型应用深度。2）大小模型间的关系：大小模型间不存在替代关系，是并存且是协同融合赋能的关系。3）工业大模型服务走向平台化：大模型落地工业的服务平台化特征以开始显现，且逐步形成垂直行业大模型+智能体+小模型+机理模型为主的平台化调用方案。4）产业数据拉通助力工业大模型能力进化的同时，对大模型落地工业的广度、深度都大有裨益。 
使用 GitHub Actions 自动化您的构建、测试和部署流水线！持续交付 (CI/CD) 流水线可以帮助您自动化软件开发过程，并最大化团队的效率。**《GitHub Actions 实战》**通过动手实验和项目，教您如何在 GitHub Actions 中构建实际的构建、测试和部署流水线。 在《GitHub Actions 实战》中，您将学习如何：
- 创建和共享 GitHub Actions 工作流
- 自动化 CI/CD 工作负载和其他 GitHub 任务
- 使用机密、变量和环境来保护发布流水线
- 支持合规框架
- 创建安全且可扩展的自托管运行器
**《GitHub Actions 实战》**充满了用于自动化交付流水线的实战方法，帮助更快速地交付新功能。DevOps 工程师将特别喜欢关于基础设施即代码（Infrastructure-as-Code）和自动化云环境的可靠方法。本书由三位微软 MVP 编写，并由 GitHub 的 DevOps 架构师技术审核，提供了您在实际工作中取得成功所需的技能和建议。 购买本书的印刷版，您将获得 Manning 出版社免费提供的 PDF 和 ePub 格式的电子书。
关于本书
**《GitHub Actions 实战》**向您展示了如何仅使用 GitHub 中可用的工具来实现安全可靠的持续交付过程——无需复杂的 CI/CD 框架！您将跟随一个销售票务的扩展示例应用程序，完成从初始构建到云端部署的全过程。 本书的第一部分介绍了工作流和 actions 的基础知识，所有内容都通过简单的示例进行说明。然后，您将深入了解平台的架构、安全考量以及工作流运行时的详细讲解。最后，您将学习如何交付完整的 CI/CD 流水线，包括合规性、性能和成本优化。您甚至将学习如何创建您自己的 actions，并在 GitHub 市场中共享！
关于读者
适合已经使用 GitHub 并希望扩展到 GitHub Actions 的软件开发人员和 DevOps 工程师。
关于作者
Michael Kaufmann 荣获微软区域总监 (RD) 和微软最有价值专家 (MVP) 称号。 Rob Bos 是一名培训师（Azure 和 GitHub），微软 MVP 和 LinkedIn Learning 讲师。 Marcel de Vries 是 Xebia Microsoft 服务线的联合创始人、全球总经理兼 CTO，连续 17 年获得微软 MVP 称号，自 2008 年以来一直担任微软区域总监。
- 编写出色的ChatGPT提示词
- 执行端到端的描述性分析
- 设置适合AI的数据分析环境
- 评估数据质量
- 制定战略性分析计划
- 生成代码以分析非文本数据
- 直接使用ChatGPT探索文本数据
- 准备可靠的报告 《使用生成式AI和Python入门数据分析》将教你如何提高编码效率，产生新的分析方法，并微调数据管道——在ChatGPT等AI工具的协助下。对于数据分析流程的每一步，你都会发现如何从简单的自然语言提示出发，应用数据技术。同时，你将发展出一种直觉，以应对这些工具仍然存在的风险和错误。购买纸质书籍还可从Manning Publications免费获得PDF和ePub格式的电子书。
关于技术
如果你具备数据分析的基本知识，本书将展示如何利用ChatGPT加速日常的核心数据分析工作。速度提升是显著的：作者报告称，完成任务的时间仅为过去的三分之一甚至四分之一。
关于本书
本书提供了适用于工作中的可靠、实用的建议。它能帮助你更好地探索问题，生成新颖的分析方法，并微调数据管道——同时帮助你培养一种理解AI工具可能带来的风险和错误的直觉。最终，你能够完成更多工作，效率更高，结果更佳，轻松应对。本书假设你已经掌握了基本的知识，并将指导你完成整个分析过程——从收集和准备原始数据、数据清理、生成基于代码的解决方案、选择统计工具，到最终创建有效的数据展示。清晰的提示帮助你提取、解读并展示数据，将你的技能提升到一个全新的水平。
内容提要
- 编写出色的ChatGPT提示词
- 执行端到端的描述性分析
- 设置适合AI的数据分析环境
- 评估数据质量
- 制定战略性分析计划
- 生成代码以分析非文本数据
- 直接使用ChatGPT探索文本数据
- 准备可靠的报告
关于作者
Artur Guja、Dr. Marlena Siwiak和Dr. Marian Siwiak是具有商业、科研和金融背景的经验丰富的数据科学家。本书的技术编辑为Mike Jensen。
目录
- 数据分析中生成式AI的使用简介
- 利用生成式AI确保数据质量
- 在生成式AI支持下进行描述性分析与统计推断
- 使用生成式AI解读结果
- 使用生成式AI进行基础文本挖掘
- 使用生成式AI进行高级文本挖掘
- 扩展与性能优化
- 风险、缓解和权衡 附录A 向ChatGPT v4指定多个DataFrames 附录B ChatGPT代码调试指南 附录C 懒惰与人类错误
关于作者
Artur Guja是一位风险经理、计算机科学家、系统开发人员和金融市场专家，在银行业拥有超过20年的经验，致力于在IT、风险管理和金融产品交易领域提供安全且实用的解决方案。Dr. Marlena Siwiak是一位经验丰富的数据科学家和生物信息学家，具备广泛的科学背景，并在开发商业数据应用方面积累了丰富经验，既能驾驭数据又能驾驭文字。Dr. Marian Siwiak是一位数据科学家，凭借数据知识和管理经验，成功交付了涵盖生命科学、机器人等多领域的数百万规模的IT、科学和技术项目。
随着空军从以反恐为重点调整为应对具有潜在生存后果的近邻竞争，“一切照旧 ”的系统开发方法将不再适用：无法继续在几十年前开发的概念上循序渐进。相反，需要新的技术，为提供新的能力，以及运用这些能力的新的作战概念。目前在信息科学领域，特别是在自主系统（AS）开发及其相关基础技术--人工智能（AI）领域，存在着广泛而深入的技术推动力。随着新的人工智能算法和学习技术的开发和以新颖的方式加以应用，对认知和神经生理学的了解--大多数时候之所以 “聪明 ”的基础--也在以令人目眩的速度增长，而构建自主系统（如自动驾驶汽车和游戏机器人）的能力也不断成为头版新闻。此外，随着计算能力、内存、网络和数据可用性的摩尔定律增长，底层计算基础设施的爆炸性增长也加剧了这些进步。
在此的目标有两个：为空军高层领导提供自主系统潜力的愿景，以及自主系统如何在各级作战中发挥变革性作用；为科技界提供一个总体框架和路线图，以推动技术发展，同时支持其向现有和即将获得的系统过渡。与其他人一样，也认为使用这些系统将带来可观的回报，原因很简单，这些自主系统的单项能力将为提供更大的使用自由度和新的作战概念机会。但这只是一种传统观点。更深远的潜在回报将来自于以信息为中心的发展和自主系统的激增，这样，就可以抛弃传统的以平台为中心的思维方式，成为一个以服务为导向、无处不在的网络化和信息密集型的企业。
本文方法是首先阐述在 AS “行为 ”方面的需求：也就是说，无论底层技术手段如何，这些系统在熟练程度、信任度和灵活性等关键维度上的行为结果是什么？然后，将重点关注有可能将致力于解决这一问题的多个不同群体聚集在一起的架构方法，然后讨论可以将这些架构变为现实的使能技术。最后，提出了一些建议，这些建议不仅涉及技术问题，还涉及应该解决的问题集类型、解决这些问题所需的开发流程和组织结构，以及能够实现所提出愿景的知识平台的更广泛结构。
建议涉及六个具体领域，概述如下。
R1. 行为目标
这些基本上是概括性的设计要求，规定了希望 AS 在熟练性、可信性和灵活性方面的行为方式。
-
建议 1a： 自主系统（AS）的设计应确保其在特定环境、任务和队友中的熟练操作。熟练性的理想属性包括情境代理、自适应认知能力、允许多代理出现以及从经验中学习的能力。
-
建议 1b： 自主系统（AS）应确保由人类同行操作或与人类同行合作时的信任。理想的信任原则包括：认知一致和/或决策透明、情境感知、可实现自然的人-系统互动的设计以及有效的人-系统团队合作和培训能力。
-
建议 1c：自主系统（AS）应以实现熟练程度和信任为目标，并能推动不同任务、同伴和认知方法之间的行为灵活性。人工智能系统所需的灵活性原则包括：能够根据整体任务的要求和所面临的情况改变其任务或目标。它应该能够扮演下属、同级或上级的角色，并与人类或组织内的其他自主系统一起改变这种角色。它还应能够改变执行任务的方式，既能在短期内应对不断变化的情况，也能在长期内积累经验和学习。
R2. 架构和技术
这包括支持跨学科研究与开发的统一框架和架构，以及支持架构内预期功能所需的技术投资。
-
建议 2a： 开发一个或多个通用的自主系统架构，以涵盖目前在不同社区使用的多个框架。架构至少应提供 “端到端 ”功能，即为自主系统提供感知能力，使其能够捕捉环境的关键方面；提供认知能力，使其能够进行评估、制定计划和作出决定，以实现预期目标；提供运动能力，使其能够在需要时对环境采取行动。体系结构应具有功能结构，以实现可扩展性和可重用性，不对组件功能的符号处理或次符号处理做出承诺，包含记忆和学习功能，并根据需要支持人机交互。无论采用哪种形式，架构都应可根据分配的任务、参与的同伴关系和使用的认知方法进行扩展。衡量一个架构是否有用的一个关键标准是，它是否有能力弥合处理自主性问题的不同群体之间在概念和功能上的差距。
-
建议 2b： 继续开发在组件层面提供所需功能的使能技术。这不仅包括支持基本的 “看/想/做 ”功能的技术，还包括支持有效的人机交互界面 (HCI)、学习/适应和知识库管理的技术，既包括通用技术，也包括特定领域的技术。技术开发的性质应从基础研究、探索性开发到早期原型设计不等，这取决于具体技术的成熟程度及其设想的应用。
-
建议 2c： 开发并推广多层硬件和多层软件架构，以支持自主系统的开发、验证、运行和修改，其中每一层为给定的高层和低层功能提供不同硬件实现/主机的物理结构，每一层为类似功能提供不同的软件实现。要充分利用新兴技术趋势，特别是商业领域的新兴技术趋势，可能需要各种复杂的架构模式。
R3. 挑战问题
这里既涉及与领域无关的问题（或功能性问题），如动态重新规划，也涉及与领域有关的问题（或面向任务的问题），如多域融合。
-
建议 3a：通过一套范围适当、规模适当、抽象化的面向功能的挑战问题集，推动自主系统的基本行为、架构和功能开发，使科学与技术（S&T）界的不同成员能够专注于自主系统行为的不同贡献者。根据最初提名的架构和功能集选择挑战问题集，其方式应涵盖架构所代表的全部功能（详尽性），并尽量减少解决任何两个挑战问题所需的功能重叠（排他性）。
-
建议 3b：选择以任务为导向的挑战问题，其两个目标是：a) 解决当前或未来可能非常适合应用自主系统的业务差距；b) 挑战科技界在自主系统功能的科学和工程方面取得重大进展。确保挑战问题能够在前面选定的架构和功能的范围内得到解决，以确保独立于领域的工作和独立于领域的工作之间的一致性，避免 “一次性 ”应用工作最终对其他面向任务的问题集贡献甚微。既要考虑 “部分 ”以任务为重点的挑战问题，也要考虑 “端到端 ”的挑战问题。最后，不要将科技资源用于解决在其他部门也有类似问题的作战问题，除非空军特有的属性使问题非常独特，无法以类似方式解决。
R4. 开发流程
这包括支持创新、快速原型设计和迭代需求开发的流程--与传统的瀑布式流程（需求说明、里程碑满足和最终状态测试与评估（T&E））形成对比，以支持自主系统的快速开发和投入使用。
-
建议 4a： 建立教育和实习人员管道，选派人员到空军技术研究所参加自主性入门短期课程，重点是人工智能使能因素。然后，个人成员将被嵌入到以人工智能为重点的特别行动活动中：自主能力小组（ACT），学习如何将所学技能应用于满足美国空军的自主需求。在四年的时间里支持这项工作，使人工智能人员的数量比现在增加一个数量级。通过一系列特别激励计划确保留住人才。通过对关键的校外研究人员提供适当的长期支持来补充这支队伍。
-
建议 4b：采用三阶段框架，反复选择挑战性问题，对潜在解决方案的影响进行建模，并进行解决方案开发、原型设计和评估。开展基于兵棋推演的初始阶段评估，目标是确定关键挑战问题和基于自主系统的解决方案，以应对这些威胁或利用潜在机遇。通过定量模型和模拟（M&S）以及性能参数对这些概念进行形式化，对有前途的自主系统候选方案进行更深入的评估。最后，重点设计一个或多个在 M&S 研究中确定的有前途的自主系统候选方案的工程原型。开发并实验评估一个自主系统原型，该原型可作为：a) 购置的设计原型；b) 其他所需 S&T 的设计驱动力。
-
建议 4c： 通过空军首席数据官，获取存储美国空军航空、航天和网络数据的空间，以便人工智能专业人员能够利用这些数据创建自主解决方案，解决面临的挑战。在相关组织中设立数据管理员角色，以管理数据，并为数据生产者和消费者创建简化的访问和检索方法。
-
建议 4d： 支持向基于云的计算发展，同时利用量子计算这一通用计算范式，满足嵌入式和高性能计算处理需求。
R5. 组织结构
这包括围绕项目（或成果）重点进行组织，而不是按照传统的技术专业领域进行组织。
- 建议 5：在空军研究实验室（AFRL）内建立 ACT，采用 “扁平化 ”业务模式，将 6.1-6.4 领域的专家集中到一个以产品为中心的组织中，开发自主系统科学，同时为作战人员提供能力。与空军科学研究办公室和 AFRL 其他主要技术局合作，并与 AFRL 以外的美国空军组织协调，包括国防部自主利益共同体 (COI)、AFWERX 和其他可促进技术向作战人员过渡的办公室。在 “ACT ”中，根据类似 “臭鼬工厂 ”的一套 “指导规则”，纳入以产品为中心的业务流程，促进未来空军向以信息为中心的业务平台模式转变。
R6. 知识平台
这为提供了一种整合自主系统行为原则、架构/技术、挑战问题、发展过程和组织结构的整体手段。
- 建议 6：开发一个知识平台（KP），其核心是将信息技术（IT）平台方法与平台业务模式相结合。为多域作战空军设计的知识平台应垄断观察代理与知识创建代理以及与作战效果代理之间的联系，这些代理可以是人或基于自主系统（AS）。知识创造代理提供了创造能力所需的生态系统，而这些能力则用于创造作战效果。这个生态系统将通过以下方式实现：利用自主性的三个行为原则；实现这些行为的架构和技术；驱动挑战的问题；跨越人员、架构/应用、数据和计算基础设施的开发流程；以及最后，为推进技术、利用技术和提供能力而需要建立的组织结构。这种方法将为提供一种手段，使美国空军从解决少数问题的传统工具方法过渡到适用于更多问题的知识平台方法。
总结
总之，对自主系统开发和应用的建议包括
-
这些系统要想精通业务、得到人类同行的信任并灵活应对意外情况，就必须具备的行为方式
-
需要统一的框架、架构和技术，以便不仅跨越孤立的科技界，而且跨越操作上的隔阂和领域
-
挑战科技界所需的重点难点问题，包括基础性问题和操作性问题，同时提供远远超出传统的以平台为中心的现代化方法的操作优势
-
处理人员、系统、数据和计算基础设施的新流程，这些流程将加速创新、快速原型设计、实验和实地应用
-
新的组织结构--自主系统能力团队，将技术专业汇集到一个单一的组织中，专注于创新产品开发，并根据需要向其他组织和社区拓展
-
知识平台，全面整合自主系统的行为原则、架构/技术、挑战问题、开发流程和组织结构
AFRL，特别是 ACT，不能简单地将其注意力局限于自主系统的研究领域，也不能简单地延续在一次性演示中应用现代人工智能和 AS 技术来逐步提高任务能力的模式。必须选择挑战性问题来推进知识平台的能力，以敏捷的方式在变革性应用中提供表现出熟练、可信和灵活行为的自主系统。除了以项目为中心的工作外，ACT 还可以优先考虑和协调 AFRL 的整个自主系统科技组合--使各项工作同步进行，以最大限度地提高投资效果--及时、大规模地将 AS 能力用于应对任务挑战，同时在各科技局之间 “共享 ”新架构、技术和流程的 “财富”。最后，一旦取得成功，ACT 可以作为一个 “存在证明”，证明美国空军后勤部如何从其传统的以学科为中心的组织转变为一个更加跨学科和以项目为导向的组织，解决美国空军整个企业的变革性问题。
拥有一个独特的机会，将空军从一个以空中平台为中心的部门（空间和网络往往处于次要地位）转变为一个真正以多领域和知识为中心的组织。通过知识平台向作战人员提供自主系统，空中、太空和网络的每项任务都将得到改进，而且不仅是逐步改进，而是成倍地改进。将成为一个以服务为导向、无处不在的网络化和信息密集型企业。简而言之：
一个灵活的、以信息为中心的体系，通过无障碍地访问极其有效的外围设备，及时做出决策。
微信扫码咨询专知VIP会员