去年 11 月底，ChatGPT 的发布，在全世界开启了一拨人工智能浪潮，几乎所有的人都在探讨生成式 AI、大模型能够给人类的生活与工作带来怎样的变化。然而，在企业侧，尽管探讨也十分火爆，但雷声大、雨点小，我们观察到，只有少量的企业真正迈出了生成式 AI、大模型的步伐，而且笃定大模型坚定大踏步走下去的企业更是凤毛麟角。本次分享，将围绕这一现状展开，探讨以下几个方面的内容：
1、在大模型的应用方面，传统企业还有哪些顾虑？
2、大模型在企业落地的形式有哪些？
3、如何在企业侧推进大模型应用？
4、大模型在企业落地的步骤是怎么样的？
5、关于大模型厂商服务企业需要考量的因素的一点浅见。
6、分享几个成功的大模型在企业落地的案例

1、使用RAG 提升大模型推理能力（非结构化数据）
2、大模型在数据分析上的应用（结构化数据）
3、SQL Copilot 与 BI Copilot应用

1、AIGC场景下对存储与数据管理的挑战
2、如何应对AIGC的存储与数据管理需求
3、AIGC场景下全生命周期的存储与数据管理解决方案

增长是对抗不确定性的关键要素，而持续增长的主导力量已越来越多源于企业自身围绕核心指标驱动的数字化转型和决策智能。然而在这一过程中：如何即时且全方位地评估业务进展、准确知别高风险点，如何自动定位指标波动背后的实质原因同时给出针对性的行动建议，为动态优化决策提供更智能、高效、有力的支持，最终推动业务增长，却成为亟待跨越的难题。在这里 AI 大模型和提示工程可以发挥怎样的作用？指标对于语义信息的价值在和通用大模型的碰撞中会擦出怎样的火花？我们将和您一同分享。

如何在这个 AI 浪潮之巅迅速地将创意转化为应用：
1、LLM 应用的产品创新范式：AI 2.0 产品开发密码
2、LLM 应用开发的工程范式：从 Hard Coded 到 AutoAgent as Service 的工程演进
3、LLM 应用开发的协作范式：从 Design First 到 Prompt First 编程协作变革