友情链接:
合作联系
|
ASPEN培训课程
一、培训对象
本课程面向致力于从事AI工程化落地工作的技术人员，包括但不限于：
后端开发工程师、全栈开发工程师
云原生工程师、运维工程师、SRE工程师
数据开发工程师、ETL工程师
算法工程师、大模型调优工程师
AI实施工程师、数字化交付顾问
RPA开发工程师
AI产品负责人、初级AI研发人员
人工智能相关专业在校生及希望从传统开发转向AI工程化的技术人员-
二、培训目标
完成本课程后，学员将具备以下能力：
需求转化能力：掌握从业务访谈、痛点量化到BRD（业务需求文档）输出的完整方法，能独立完成AI项目的可行性评估和功能范围锁定
全栈工程能力：建立FDE全栈能力框架认知，掌握前后端开发、API集成、容器化部署、系统架构的工程基线标准
AI系统部署能力：掌握基于Kubernetes的GPU集群管理、模型服务容器化部署、弹性伸缩与高可用配置
生产级交付能力：搭建MLOps可观测性体系，配置监控告警、日志追踪和分级告警，确保AI系统安全合规、稳定运行-
三、培训内容
1. FDE角色认知与行业洞察
系统讲解FDE（Forward Deployed Engineer）的起源、定位与发展趋势，厘清FDE与MLE（机器学习工程师）、SDE（软件开发工程师）、售前咨询的角色边界，建立FDE“技术专家+业务顾问”双重身份认知。学习PEST-C宏观分析框架和价值流图（VSM）方法，理解如何从行业视角识别AI落地的机会与约束。
2. 业务调研与需求提炼方法
讲授干系人访谈框架（业务方、技术方、管理层三视角需求采集）、业务流程拆解方法（泳道图梳理全链路）、痛点量化技术（将“效率低、成本高”转化为可测量的基线指标）。通过案例实战，学员将从零到一完成某行业客户的需求访谈与BRD文档输出。
3. AI适用性判断与MVP定义
学习AI任务类型映射（分类、生成、检索、推理四类任务与业务场景匹配）、可行性评估矩阵（数据可得性、容错容忍度、ROI三维打分），掌握“不做AI”的决策边界。训练MVP（最小可行产品）定义与裁剪原则，在有限资源下交付能让用户走通核心闭环的最小功能集。
4. Python工程化与API服务开发
覆盖Python工程化最佳实践（Pyenv+Poetry多环境隔离、Git Flow协作流程），基于FastAPI框架快速构建高性能模型API服务，涵盖路由设计、中间件配置、依赖注入和契约式接口规范。学员将完成一个可部署的模型服务API项目。
5. 容器化部署与Kubernetes集群管理
学习Docker镜像多阶段构建、容器化封装技术，基于Kubernetes部署大模型服务，配置GPU集群资源调度、HPA（水平Pod自动伸缩）、健康探针与滚动更新策略，实现企业级AI基础设施的弹性伸缩与高可用部署。
6. 企业数据基础设施建设
聚焦AI应用的数据底座搭建，涵盖CDC（变更数据捕获）数据接入、dbt数仓分层建模、数据质量监控体系建设。同时学习知识图谱搭建与本体的语义建模技术，为RAG应用和智能体开发奠定数据基础。
7. RAG智能体开发（核心模块）
系统学习检索增强生成全流程技术栈：文档解析与切片策略（针对PDF、Word、表格等不同格式优化token粒度）、Embedding模型选型、向量数据库构建与运维、混合检索（Dense+Sparse）与Re-rank重排优化、检索提示词工程与对话管理。学员将构建一个企业级知识库问答系统。
8. Agentic AI与多智能体协作
深入讲解ReAct范式与Function Calling实现机制，学习Tool定义与错误处理策略、多Agent协作模式与状态管理、短期记忆与上下文工程。掌握从提示词工程向Harness架构演进的方法论，构建具备自主决策能力的智能体应用。
9. RPA业务自动化与遗留系统打通
学习将AI能力嵌入传统业务流程的技术路径，包括Playwright浏览器自动化实现、文档自动处理、工单自动分派等场景应用。帮助学员打通企业遗留系统，实现AI与现有业务流程的无缝融合。
10. 模型边缘轻量化部署
针对端侧AI部署需求，教授模型量化、知识蒸馏、剪枝等模型压缩技术，以及边缘设备（如手机、IoT设备）的模型推理部署方法。使学员具备将大模型能力延展到端侧场景的工程能力。
11. MLOps可观测性与生产安全交付
搭建可观测性三支柱体系（日志、指标监控、链路追踪），配置模型推理性能监控、数据漂移追踪和分级告警规则。安全部分覆盖IAM权限管理、OIDC/OAuth2统一身份认证、RBAC/ABAC精细化权限控制、SBOM（软件物料清单）生成与镜像漏洞扫描（Trivy），将等保2.0合规要求映射为技术实施点。
12. 综合实战：端到端AI系统交付项目
