主题介绍：\n 1. 探索算力的多维世界：选择与应用的艺术\n 在AI的世界中，算力展现出无尽的多样性和复杂性。我们将深入探讨不同类型的GPU和NPU（例如昇腾）之间的独特差异，以及如何基于特定的算法需求，作出最佳的算力选择。\n 2. 精细化的训练与推理集群管理：巧妙平衡成本与效益\n 训练与推理集群各自蕴含着独特的管理巧思。在这一部分，我们将剖析这两者在日常交付、权限控制和成本监控等方面的管理差异，特别是在面对训练集群高昂成本的挑战时，如何实施精细化管理。\n 3. 赋能多云生态：揭示标准化管理的力量\n 标准化是实现多云管理的金钥匙。本环节将探讨如何通过实施标准化流程和协议，实现多云环境中的流畅交付和协同。\n 4. 流量的智能调度：自动化与智能化的完美融合\n 流量调度是多云环境中的核心艺术。我们将展示如何通过自动化和智能化技术，实现流量的精确调度和优化，确保资源的最大化利用和服务的最优性能。\n 5. 安全与合规：构建大模型训练集群的坚固防线\n 在大模型训练集群的运维中，安全与合规是至关重要的基石。本节将深入探讨在大模型训练过程中遇到的安全与合规问题，并分享如何通过实施有效策略，确保训练集群的安全稳固。\n \n 主题大纲：\n 1. 美图AIGC历程；\n 2. 多元算力的选择和应用；\n 3. 标准化赋能多云生态；\n 4. 多云管理和稳定性运营；\n 5. 多云流量调度 & 弹性伸缩；\n 6. 大模型安全和成本建设；\n \n 听众收益：\n 1. 通过实际案例来分享不同算力对业务的影响，帮助听众在多样性选择的时候做出更加合适的决定；\n 2. 如何在多云环境中试试标准化管理和流程，掌握多云管理的最佳实践和标准，从而更加高效和一致的管理多云环境；\n 3. 学会如何实现流量的精确调度和优化，确保业务稳定运行；\n 4. 深入了解大模型训练中可能遇到的安全风险，如何制定有效的安全策略以及开展更好的成本优化；\n

主题介绍：\n LLM已在各类自然语言处理任务中展现出显著优势，以OpenAI发布的GPT模型为代表的新技术革命正在全面展开。然而，这些模型大多依赖于通用领域的数据，对于特定垂直领域的应用，其性能常常受到限制。为了解决这一问题，研究者开始深入探索垂直领域的LLM模型，目前已在医疗、法律等领域取得了显著的成果。智能运维AIOps，作为机器学习与传统行业交叉的典型领域，有望通过将LLM与AIOps相结合，开启全新的智能运维时代。本次分享将重点关注“运维大模型”，探讨其概念，以及与大语言模型、传统AIOps以及自动化运维工具的关系和融合方式。同时，面对众多开源大语言模型，将介绍如何选择适合的大语言基座模型。最后，还将系统地介绍和展望长短期内可落地的应用，以及在应用落地的过程中面临的挑战和解决方案。\n \n 主题大纲：\n 1. 运维大模型场景；\n 2. 运维大模型评测；\n 3. 运维大模型基础架构；\n 4. 运维大模型落地路线；\n \n 听众收益：\n 系统地结合近期落地实践介绍和展望长短期内可落地的应用，以及在应用落地的过程中面临的挑战和解决方案。同时也会详细的讲述运维大模型评测榜单OpsEval背后的技术和结论，为运维大模型的相关选型和优化提供指导意见。\n