智算超节点集群和数据中心集群原理和应用案例
传统以横向扩展为主的数据中心集群，由于存在节点间通信延迟高、带宽受限、能效低下等固有瓶颈，已难以满足极致算力应用的连续、高效需求。智算超节点集群通过纵向深度耦合与异构资源池化的创新架构，结合高速互联与先进液冷技术，实现了算力密度与能效的跨越式提升，正成为支撑国家与产业智能升级的新型算力基石。本课程旨在系统解析这一颠覆性技术的核心原理、架构演进与落地实践。
周红伟
量子通信原理与量子加密通信应用案例
课程背景在数字化时代，信息安全面临着来自未来量子计算和当前计算能力的双重挑战。传统公钥加密体系（如RSA）的安全性基于数学问题的计算复杂度，而量子计算的兴起正威胁着这一根基，使得现有的安全防线变得脆弱。与此同时，量子通信技术作为一项革命性技术，利用量子叠加、纠缠和不可克隆等物理原理，为实现信息论意义上“无条件安全”的通信提供了全新路径。本课程旨在深入解析量子通信的核心原理与关键技术，特别是量子密钥
银行场景-大模型的企业级RAG知识库的构建优化和代码实操
培训人员：智能体产品经理，智能技术人员，大模型技术人员，大模型产品人员培训时长：1天培训名称：大模型安全和企业级RAG知识库的构建和代码实操培训大纲第一部分 大模型的安全问题1.1 安全对齐的核心挑战与解决方案1.1.1 目标冲突：模型性能 vs 安全性 vs 伦理约束1.1.2 对抗性攻击防御（提示注入/越狱攻击）1.1.3 价值观对齐的评估框架（如SUTRA评估体系）1.2 前沿对齐技术实践1
石油行业大模型训练数据集构建案例实操
课程背景随着大模型技术的快速发展，模型性能的瓶颈逐渐从规模转向数据质量。低质量、重复、有偏或标注噪声的数据会显著限制模型的效果与泛化能力。在实际应用中，许多团队虽拥有海量数据，却因缺乏系统性的数据优化方法，导致训练效率低下、资源浪费，甚至引发模型偏见与输出不可靠等问题。本课程立足于产业实践中的常见数据挑战，通过案例驱动的方式，帮助学员掌握从评估、清洗、标注到筛选与增强的全流程数据优化技能，提升数据
数据层需求分析与数据架构设计
课程背景在数字化转型加速推进的今天，数据已成为企业核心战略资产。然而，众多企业在构建数据体系时面临需求不清晰、架构不合理、技术选型困难等挑战，导致数据孤岛、数据质量低下、系统扩展性不足等问题频发。数据层作为企业架构的基石，其设计质量直接影响业务系统的稳定性、数据的可用性及未来智能化建设的成效。本课程立足于企业级数据架构设计的实际需求，系统讲解从需求分析到架构设计的完整方法论，帮助企业构建高性能、可
银行大数据技术架构设计和大数据场景化解决方案
大数据和大模型算法实战专家—周红伟老师课程背景随着大模型发展和数据要素入表的客观要求，大数据技术和大数据应用也迎来了二次爆发。同时运营商也累计了大量的数据，也希望实现数据要素估值、流通和变现。避免运营商睡在大数据的金矿上。本课程主要内容包括：大数据应用开发流程、大数据主流技术、大数据场景化解决方案（离线批处理、实时检索、实时流处理）。包括大数据应用开发，大数据离线处理技术和场景化解决方
AI编程：软件研发全流程和Cursor编程工具案例实操
课程背景在人工智能技术深刻变革软件工程领域的当下，传统研发模式正面临开发效率瓶颈、技术债务累积和创新能力不足等挑战。开发者既要保证代码质量和项目进度，又需持续学习快速迭代的技术栈。Cursor等AI编程工具的出现，为软件研发带来了智能代码生成、自动化测试和智能重构等全新可能，但如何将其系统化地融入需求分析、编程实现、测试验证的全流程，成为提升研发效能的关键。本课程聚焦软件研发管理的现代方法论与Cu
AI大模型在银行的数据标注、微调、企业级部署和蒸馏微调案例实操
大模型算法实战专家—周红伟老师课程背景随着人工智能技术的快速发展，智能助手（如DeepSeek-R1）在多模态理解、个性化交互、知识推理等领域的应用日益广泛。DeepSeek-R1作为深度求索公司推出的第三代智能助手，凭借其先进的核心技术（如大规模预训练、多模态理解、上下文感知等），在智能客服、内容创作、教育、医疗等领域展现了强大的潜力。然而，要将DeepSeek-R1的能力充分发挥并应用于实际业
“十五五”通信行业转型和运营商人工智能技术应用案例
课程背景“十五五”时期（2026-2030年）是中国通信行业从“连接”走向“智能”的关键分水岭。面对“量收剪刀差”持续扩大、传统投资回报模式失效的核心挑战，发展新质生产力已成为国家与行业的共同战略选择。其中，人工智能不再是可选技术，而是驱动运营商实现价值重塑、突破增长天花板的核心引擎。本课程聚焦于“十五五”规划背景下，运营商如何利用其独特的网络、算力、数据和客户优势，在蓬勃发展的政企人工智能市场中
银行大数据风控建模与反欺诈应用
周红伟 —— 前马上金融风控负责人，大数据与人工智能技术的深度融合，为风险控制提供了更精准、高效的解决方案。决策树、随机森林、XGBoost等机器学习算法在金融风控领域展现出强大的预测能力，能够有效提升欺诈识别率、优化信用评分模型，并增强风险管理策略的智能化水平。
