本质上，知识图谱是一种揭示实体之间关系的语义网络，是对现实世界事物及相互关系的形式化描述。
1、知识抽取
从异构数据源中获取候选知识单元，知识抽取技术将自动从结构化、半结构化和非结构化数据中抽取实体、关系、属性等知识要素，形成高质量的事实表达，为上层模式层的构建奠定基础。
2、实体抽取
也称为命名实体识别(named entity recognition，NER)，指从原始语料中自动识别出命名实体。实体是知识图谱中的最基本元素，其抽取的完整性、准确率、召回率等将直接影响到知识库的质量。实体抽取是知识抽取中最为基础与关键的一步。
3、关系抽取
关系抽取(Relation Extraction，RE)是知识抽取的重要子任务之一，主要目的是从文本中识别实体并抽取实体之间的语义关系，形成网状的知识结构。
4、属性抽取
从不同信息源中采集特性实体的属性信息。例如对某支股票，可以从网络的公开信息中得到其公司名称、上市日期、股东、营收等信息。属性抽取技术能够从各个数据源中汇集属性信息，更完整的表述实体属性。
5、实体对齐
实体对齐（entity alignment）也称为实体匹配（entity matching）或实体解析（entity resolution），主要是用于消除异构数据中实体冲突、指向不明等不一致性问题。实体对齐将来自多个来源的关于同一个实体或概念的描述信息融合起来得到唯一表示。如唐三藏、玄奘、金蝉子，可以融合成唯一表示。
6、知识表示
RDF三元组是表示知识图谱的一种常见表示形式，以（subject、predicate、object）的三元组形式就足以清晰的表示实体之间的许多复杂联系。如：（达芬奇，作品，蒙娜丽莎）、（姚明、徒弟、李秋平）等。
7、知识融合
由于知识图谱中的知识来源广泛，存在知识质量良莠不齐、冗余和错误的问题，通过知识融合，使来自不同知识源的知识在统一框架规范下进行异构数据整合、消歧、加工、推理验证、更新。达到数据、信息、方法、经验以及人的思想的融合，形成高质量的知识库。
8、知识更新
根据知识图谱的逻辑结构，其更新包括数据层的更新与模式层的更新。
数据层的更新是指实体元素的更新，包括实体的增加、修改、删除、以及实体的基本信息和属性值。数据层更新通常以自动的方式完成。
模式层的更新是指本体中元素的更新，包含概念的增加、修改、删除、概念属性的更新以及概念之间关系的更新等。模式层更新多数情况是靠人工干预完成的。人工定义规则、处理冲突，实施难度较大。
9、知识推理
知识推理是在已有的知识库上进一步挖掘隐含知识，从而丰富、扩展知识库。知识推理的对象可以是实体、实体的属性、实体间的关系、本体库中概念的层次结构等。例如（姚明，配偶，叶莉），（姚明、女儿，姚沁蕾），可以推测出（姚沁蕾，母亲，叶莉）。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
