Day1：AI基础与外部大模型技术应用
Introduction to AI (AI技术简介)（2小时）
目标：理解AI基础概念、发展脉络及与企业质量控制等业务场景的潜在结合点
一、开场与引入（10分钟）
- 破冰互动
- 提问："提到AI，你首先想到什么？"（收集关键词，如机器人/语音助手等）
- AI与质量控制、销售预测、供应链管理等的关联
- 举例：AI在缺陷检测、预测性维护中的实际应用案例
二、AI技术起源与发展（30分钟）
- AI的诞生（1940-1950s）
- 图灵与《计算机器与智能》："图灵测试"的通俗解释
- 达特茅斯会议（1956）：AI正式成为学科
- 发展历程里程碑
- 时间轴展示（配图）：
- 1960s：专家系统（如医疗诊断工具）
- 1997：深蓝击败国际象棋冠军
- 2012：AlexNet图像识别突破
- 2020s：生成式AI兴起
三、AI三大流派简介（30分钟）
类比：用"不同学派解决问题的方式"帮助理解
1.符号主义（Symbolic AI）
特点：基于规则推理（如早期质检规则系统）
案例：Excel中的IF函数逻辑扩展
2.连接主义（神经网络）
特点：模仿人脑学习（如图像识别质检）
示意图：神经元网络分层处理数据
3.行为主义（强化学习）
特点：试错优化（如机械臂调整质检动作）
案例：AlphaGo学习策略
四、AI在质量控制中的应用场景（30分钟）
- 视觉检测
案例：手机屏幕缺陷识别（对比传统人工检测）
- 预测性分析
案例：通过历史数据预测设备故障概率
- 流程优化
案例：利用AI缩短质检报告生成时间
- 互动讨论
分组讨论："我们部门哪些工作可能受益于AI？"
五、AI的局限与伦理（15分钟）
- 当前局限
- 数据依赖性：Garbage in, garbage out原则
- 可解释性问题：黑箱模型的风险
- 伦理考量
- 隐私保护：质检数据的安全使用
- 人机协作：AI辅助而非替代人工
Topic1：AI核心概念与企业价值（3小时）
- 电子制造业的AI应用全景图（质检、设备维护、供应链、工艺优化）
- 企业为何选择外部大模型而非开源模型：
数据隐私与合规性要求
技术维护成本对比（TensorFlow vs. 外部一般开源模型）
案例：某路由器厂商通过一般开源模型优化设备维修工单处理效率
Topic2：外部大模型实战（3小时）
主流外部AI工具解析：
1.一般开源模型（行业垂直能力）
2.一般开源模型（多模态与自然语言处理）
3.云端API调用与本地系统集成演示
实战演练：
i.使用大模型API构建质检报告生成系统
ii.设备故障日志的语义分析与分类
Topic3：核心算法全景解读（2小时）
算法逻辑与企业场景匹配：
i.监督学习（SVM在电路板缺陷分类）
ii.非监督学习（K-means在设备维修聚类分析）
iii.时序预测（LSTM网络在库存需求预测）
iv.算法选择决策树：精度vs可解释性vs实施成本
v.神经网络与深度学习
Day2：行业场景深度解析
Topic4：质量检测AI化（4小时）
视觉检测案例：
i.基于一般开源模型的PCB焊点缺陷检测（误判率<0.3%）
ii.多光谱成像+AI的元器件老化预测
过程质量控制：
i.在线检测数据实时分析系统
ii.案例：某交换机厂商质检效率提升40%的路径
Topic5：设备维护革命（4小时）
预防性维护体系构建：
i.振动传感器数据+时序模型的轴承寿命预测
ii.多设备协同的故障根因分析
备件库存优化：
i.基于强化学习的动态安全库存模型
ii.案例：某厂商库存周转率提升25%的AI策略
Day3：项目评估与实施规划
Topic6：AI项目四维评估法（4小时）
可行性评估矩阵：
i.技术可行性（数据质量/算法匹配度）
ii.经济性评估（ROI测算模板）
iii.组织适配度（IT架构/人员技能缺口）
风险控制：
i.数据漂移监测方案
ii.模型失效应急机制
Topic7：企业级AI实施路线图（4小时）
优先级排序方法论：
i.快速见效场景（如视觉质检）
ii.战略储备场景（如工艺参数优化）
资源矩阵构建：
i.内部资源（现有IT系统/数据中台）
ii.外部资源（云服务商/AI供应商选择标准）
分组实战：制定本企业AI落地优先级路线图