大模型驅動的研發效能實踐 顧黃亮 鄭清正 牛曉玲 等 9787111772347 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202503*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：大模型驅動的研發效能實踐
ISBN：9787111772347
出版社：機械工業
著編譯者：顧黃亮 鄭清正 牛曉玲 等
頁數：249
所在地：中國大陸 *此為代購商品
書號：1720976
可大量預訂，請先連絡。

編輯推薦

作者背景資深：作者是某持牌金融機構的資深研發效能專家，中國商聯專家智庫入庫專家，通信部和信通院特聘專家。 近20位專家力薦：長江學者、國家智庫成員、信通院雲大所所長、清北教授、知名企業家和行業專家聯合推薦。 集大成之作：全面講解研發工程師和運維工程師所需掌握的大模型知識，從實踐角度詳解大模型如何賦能DevOps、SRE、平台工程，全面提升軟體交付全生命周期的效率與效能。

內容簡介

這是一本從實踐角度深入探討如何利用大語言模型提升軟體交付全生命周期效率與效能的實戰性著作。全面細緻地講解了研發和運維人員需要掌握的大語言模型及其相關技術的原理，重點講解了如何藉助大模型實現DevOps、SRE、平台工程三大領域的智能化實踐，覆蓋開發、測試、運維、監控、安全、項目管理等軟體開發全流程和全場景，通過豐富的實例展示了其在實際工作場景中的具體應用。 本書的獨特之處在於它不僅涵蓋了基礎理論知識，如Transformer模型的基本原理及GPT系列模型的發展歷程，更注重於實踐應用，提供了從預訓練到微調的完整方法論。書中特彆強調了大語言模型在降低IT人員認知負荷方面的作用，通過集成多種工具和技術，幫助企業構建更加高效、智能的軟體交付體系。此外，本書得到了來自企業級、學術界和研究機構近20位專家的一致好評。 通過閱讀本書，你將： 了解大語言模型的發展和起源； 了解ChatGPT的相關內容，包括GPT模型的結構和完整實現； 了解Transformer模型的基本原理； 深入了解大語言模型的微調技術，軟體交付的三大底座以及RAG的基本原理； 探索大語言模型在運維場景中的實踐； 探索大語言模型在編程場景中的實踐； 探索大語言模型在測試場景中的實踐； 探索大語言模型在安全場景中的實踐； 接觸前沿的技術趨勢，了解實踐中的具體方法，清晰看懂實踐后的數據和數據。

作者簡介

牛曉玲，DevOps標準工作組組長、DevOps國際標準編輯人。長期從事開發運維方面的相關研究工作，包括雲服務的運維管理系統審查等。參与編寫《雲計算服務協議參考框架》《對象存儲》《雲資料庫》《研發運營一體化（DevOps）能力成熟度模型》系列標準，《雲計算運維智能化通用評估方法》等標準共20餘項。參与多篇白皮書、調查報告的編製工作，包括《企業IT運維發展白皮書》《中國DevOps現狀調查報告（2019）》《中國DevOps現狀調查報告（2020）》《中國DevOps現狀調查報告（2021）》等。參与50餘個項目的DevOps能力成熟度評估，具有豐富的標準編製及評估測試經驗。

目錄

前言
本書讚譽
第1章 初識大語言模型
1 1 大語言模型的發展
1 2 常見的大語言模型
1 2 1 統計學模型N-gram
1 2 2 統計學模型HMM
1 2 3 神經網絡模型RNN
1 2 4 自然語言處理中的傳統模型LSTM
第2章 大語言模型的基石—Transformer
2 1 Transformer模型的由來
2 2 Transformer模型的基本原理
2 2 1 詞嵌入
2 2 2 位置編碼
2 2 3 注意力機制
2 3 Transformer注意力機制的技術實現
2 3 1 自注意力機制的設計細節
2 3 2 多頭注意力機制的設計細節
2 4 Transformer模型總結
第3章 從Transformer到ChatGPT
3 1 ChatGPT的由來
3 2 二元語法模型
3 2 1 文本如何轉換為數字
3 2 2 如何設計模型
3 2 3 如何訓練模型
3 3 GPT模型
3 3 1 GPT模型的結構
3 3 2 GPT模型的設計實踐
3 4 簡單GPT模型的完整實現
3 5 GPT模型的優化
3 5 1 樣本數據的精細化處理
3 5 2 特殊符號的引入
3 5 3 早停策略的應用
3 5 4 模型訓練中的強化學習
3 6 GPT模型總結
第4章 大語言模型的微調技術
4 1 微調的基本概念
4 1 1 適配器微調
4 1 2 前綴微調
4 1 3 LoRA
4 1 4 QLoRA
4 2 微調中的關鍵技術
4 2 1 PEFT工具包
4 2 2 LoRA
4 3 微調技術的應用案例
4 3 1 BERT分類模型
4 3 2 基於BERT分類模型的微調
4 3 3 QLoRA中使用的量化技術
第5章 企業AI應用必備技術—RAG
5 1 RAG技術的基本原理
5 2 RAG技術的應用案例
5 2 1 客服問答系統
5 2 2 財富管理系統
5 2 3 RAG2SQL
5 2 4 多智能體系統
第6章 軟體交付的三大底座
6 1 DevOps
6 1 1 DevOps的概念
6 1 2 DevOps與企業和IT組織的關係
6 1 3 DevOps究竟是什麼
6 1 4 DevOps的數字可視能力
6 1 5 DevOps的科技左移能力
6 1 6 DevOps的數字運營能力
6 1 7 DevOps的彈性合作能力
6 1 8 DevOps的數字風險能力
6 1 9 大語言模型下的DevOps
6 2 平台工程
6 2 1 平台工程的概念
6 2 2 平台工程的關鍵屬性
6 2 3 平台工程的核心模塊
6 2 4 平台工程的能力要求
6 2 5 平台工程的最佳實踐
6 2 6 平台工程與DevOps、SRE的區別
6 2 7 大語言模型下的平台工程
6 3 SRE
6 3 1 SRE的由來
6 3 2 SRE的目標
6 3 3 SRE團隊的使命
6 3 4 SRE團隊的存在形式
6 3 5 應用韌性架構設計
6 3 6 構建可靠性設計
6 3 7 變更評審設計
第7章 大語言模型在運維場景中的實踐
7 1 日誌運維智能化
7 1 1 日誌的概念
7 1 2 日誌運維的基本流程
7 1 3 日誌運維的痛點
7 1 4 如何解決日誌運維的痛點
7 2 智能運維知識庫的構建
7 2 1 構建運維知識庫的難點和優勢
7 2 2 構建運維知識庫的技術路徑
7 2 3 運維知識庫的應用案例
7 3 智能運維工單
7 3 1 智能運維工單的作用
7 3 2 構建智能運維工單的技術路徑
7 3 3 智能運維工單的應用案例
7 4 大模型運維能力評測
7 4 1 構建評測數據集
7 4 2 評測工具和方法
7 4 3 評測結果
7 5 基於多智能體的微服務根因分析
7 5 1 微服務架構的挑戰
7 5 2 多智能體系統
7 5 3 多智能體系統的應用案例
第8章 大語言模型在測試場景中的實踐
8 1 測試的痛點
8 2 動態測試技術的智能化演進
8 2 1 動態測試技術的基本概念
8 2 2 常見的動態測試技術
8 2 3 動態測試技術的痛點
8 2 4 大模型在動態測試領域的應用嘗試
8 3 靜態測試技術的智能化演進
8 3 1 靜態測試技術的基本概念
8 3 2 常見的靜態測試技術
8 3 3 靜態測試技術的痛點
8 3 4 大模型在靜態測試領域的應用嘗試
8 4 大語言模型在測試場景下的落地難點
8 4 1 大語言模型的處理窗口瓶頸
8 4 2 模型的幻覺問題
8 4 3 RAG與Agent的取捨
8 4 4 基座模型的選擇
8 4 5 大語言模型微調的必要性
8 4 6 模型的可解釋性與透明性
8 4 7 大語言模型在測試場景中的性能評估
8 4 8 大語言模型的維護與更新
8 5 基於靜態分析和RAG的漏洞自動化修復方案
第9章 大語言模型在編程場景中的實踐
9 1 代碼大模型
9 1 1 代碼大模型的定義和特點
9 1 2 常見的代碼大模型
9 2 代碼的下游任務
9 2 1 文本到代碼任務
9 2 2 代碼到代碼任務
9 2 3 代碼到文本任務
9 2 4 代碼到模式任務
9 2 5 文本到文本任務
9 3 代碼生成和補全
9 3 1 代碼生成和補全技術的發展歷史
9 3 2 常見的代碼生成和
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。