让一部分企业先学到真知识!

李勇:6G时代云大物智链脑融合创新与产业变革

李勇老师李勇 注册讲师 24查看

课程概要

培训时长 : 2天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 37029

面议联系老师

适用对象

总监、经理、主管、运营人员、技术中心管理人员等对新技术发展感兴趣的人士;

课程介绍

培训对象:总监、经理、主管、运营人员、技术中心管理人员等对新技术发展感兴趣的人士

课程时间:2天(12小时)

本课程亮点:

本课程以6G星地一体网络为技术底座,深度融合生成式AI、脑机接口、量子计算等前沿科技,通过20+2023-2024年最新行业案例(含华为星闪技术、Neuralink脑机接口、GPT-4行业应用等),揭示"云-脑-端-链"协同创新如何重构产业生态。

本课程受益:

1. 掌握6G网络三大革命性技术特征

2. 理解生成式AI在产业落地的创新范式

3. 设计脑机接口与物联网融合应用场景

4. 预判量子计算对现有技术体系的冲击

5. 规划企业数字孪生2.0实施路径

6. 构建AI原生组织的新型运营体系

系列一

内容

单元一

数智化转型的升维竞争

1.2024技术融合新态势

1.1)生成式AI引发的认知革命

1.2)6G星地网络重构连接维度

1.3)脑机接口突破人机边界

2.技术是否真的仅仅是个工具?

2.1)技术不仅仅是降本增效的工具

2.2)技术更是企业战略和战术的核心影响元素

案例:特斯拉Optimus+Neuralink人形机器人协同

讨论课题:你所在行业可能被颠覆的环节分析

单元二

6G物联网架构革命

1. 通信技术突破

1.1)太赫兹通信实现TB级传输

1.2)智能超表面(RIS)动态组网

2. 网络架构创新

2.1)星地一体网络部署

2.2)通感算一体化基站

案例:中国移动空天地海应急通信系统

讨论课题:设计行业专属6G网络切片方案

单元三

智能计算新范式:从云到更强算力

1. 算力架构革命

1.1)神经拟态芯片量产应用

1.2)存算一体技术突破

2. 新型计算范式

2.1)光子计算商业化落地

2.2)量子-经典混合计算

案例:英伟达OVX数字孪生算力中心

讨论课题:企业算力资源智能调度方案

单元四

生成式AI产业落地

1. 技术架构演进

1.1)多模态大模型架构

1.2)AI生成内容(AIGC)引擎

2. 应用场景创新

2.1)数字员工工作台

2.2)智能文档处理系统

案例:平安银行数字员工工作台

讨论课题:设计业务场景的AI Agent流程

单元五

脑机接口革命

1. 技术路线突破

1.1)侵入式电极阵列技术

1.2)非侵入式脑电采集

2. 产业应用场景

2.1)神经康复治疗系统

2.2)增强现实交互界面

案例:Neuralink首例人类植入案例

讨论课题:设计制造业脑机质检方案

单元六

区块链3.0演进

1. 技术架构升级

1.1)智能合约2.0标准

1.2)零知识证明扩容方案

2. 安全体系构建

2.1)量子抗性算法

2.2)分布式密钥管理

案例:香港数字港元试点工程

讨论课题:设计跨境贸易区块链方案

单元七

工业元宇宙价值重构

1. 核心技术突破

1.1)空间计算引擎

1.2)光场显示技术

2. 商业场景创新

2.1)工业数字孪生

2.2)虚拟发布会场

案例:宝马工业元宇宙工厂

讨论课题:构建产品三维展示空间

单元八

数字孪生2.0

1. 技术架构升级

1.1)实时双向映射系统

1.2)物理引擎精度提升

2. 应用场景深化

2.1)城市治理推演

2.2)产线故障预测

案例:中国空间站数字孪生系统

讨论课题:关键设备孪生建模方案

单元九

量子计算突破

1. 技术进展

1.1)量子纠错突破

1.2)中性原子量子计算机

1.3)量子通信解析

2. 产业应用

2.1)药物分子模拟

2.2)金融风险预测

案例:本源量子金融系统

讨论课题:企业量子安全防护方案

单元十

机器人产业革命

1. 核心技术突破

1.1)人形机器人运动控制

1.2)多模态感知融合

产业应用场景

2.1)工业机器人柔性制造

2.2)服务机器人智能交互

案例:特斯拉Optimus人形机器人

讨论课题:设计您所在行业的机器人应用方案

 

李勇老师的其他课程

• 李勇:运营商数据治理实战指南
讲授专家:李勇 培训对象:广州移动交付经理、技术经理、数据分析师及对数据治理感兴趣的人士; 课程时间:2天 课程背景: 本课程主要是在数字化转型和数据驱动决策的宏观趋势下,旨在解决学员在运营商数据治理项目中遇到的实际问题,提升学员对数据治理工具、方法论及行业应用的认知与实践能力。课程具备系统性、实战性与前瞻性相结合的特点,通过丰富案例分享,帮助学员全面掌握数据治理的核心技能。 课程收益: Ø 受益一:理解数据治理的基本概念、框架及重要性,掌握数据治理的核心原则。 Ø 受益二:熟悉数据治理的工具和方法论,包括数据资产管理、数据标准制定、数据质量管理等。 Ø 受益三:了解能源行业数据治理的特定场景与案例,掌握行业数据治理的特殊性。 Ø 受益四:识别企业数据治理过程中常见困难,并学习有效的解决策略与方法。 Ø 受益五:掌握数据治理与AI应用结合的技巧,包括数据针对性调整与清洗整理手段。 Ø 受益六:学会如何构建数据治理体系,提升数据资产的价值和利用效率。 Ø 受益七:了解数据治理项目的规划、实施与管理流程,提升项目管理能力。 课程大纲: 单元 大纲 内容 单元一 数据治理基础与框架 1.数据治理概述 1.1 数据治理的定义与重要性 1.2 数据治理的核心原则与目标 1.3 数据治理的框架与组成要素 案例:某运营商数据治理体系构建案例 2.数据治理的标准与规范 2.1 数据标准的制定与实施 2.2 数据质量管理流程与工具 2.3 数据隐私与保护政策 案例:数据标准在运营商业务中的应用实践 讨论课题:如何建立有效的数据治理组织架构? 单元二 数据资产管理 1. 数据资产的概念与价值 1.1 数据资产的定义与分类 1.2 数据资产的价值评估方法 1.3 数据资产的管理策略 案例:运营商数据资产盘点与价值评估实践 2. 数据生命周期管理 2.1 数据生命周期的阶段与特点 2.2 数据存储、备份与归档策略 2.3 数据销毁与合规处理 案例:数据生命周期管理在运营商中的应用 讨论课题:如何优化数据资产管理流程,提高数据利用效率? 单元三 数据标准与数据质量 1.数据标准的制定与实施 1.1 数据标准的内容与要求 1.2 数据标准的推广与应用 1.3 数据标准与业务需求的对接 案例:运营商数据标准体系构建与实施 2.数据质量管理 2.1 数据质量问题的识别与分析 2.2 数据质量提升的策略与工具 2.3 数据质量持续改进机制 案例:数据质量管理在运营商业务中的实践 讨论课题:如何建立有效的数据质量监控体系? 单元四 数据治理工具与方法论 1 数据治理工具介绍 1.1 常见数据治理工具的功能与特点 1.2 工具选型与实施策略 1.3 工具与业务流程的融合 案例:数据治理工具在运营商项目中的应用 2 数据治理方法论 2.1 数据治理方法论概述 2.2 方法论在项目实施中的应用步骤 2.3 方法论的持续优化与迭代 案例:基于方法论的数据治理项目实施案例 讨论课题:如何选择适合运营商的数据治理工具与方法论? 单元五 能源行业数据治理场景与案例 1.能源行业数据治理概述 1.1 能源行业数据特点与挑战 1.2 数据治理在能源行业的重要性 1.3 能源行业数据治理的趋势与发展 案例:能源行业数据治理成功案例分享 2.能源行业数据治理特定场景 2.1 智能电网数据治理 2.2 新能源数据治理 2.3 能源交易数据治理 案例:特定场景下的数据治理实践 讨论课题:如何针对能源行业特点进行数据治理?1 单元六 企业数据治理困难与解决方法 1.企业数据治理常见困难 1.1 数据孤岛与数据壁垒问题 1.2 数据质量与数据准确性挑战 1.3 数据治理与业务融合难度 案例:企业数据治理困难实例分析 2.解决方法与策略 2.1 打破数据孤岛的策略与工具 2.2 提升数据质量的方法与技术 2.3 数据治理与业务融合的路径与实践 案例:企业数据治理困难解决案例 讨论课题:如何有效应对企业数据治理中的挑战? 单元七 数据治理与AI应用的结合 1.数据治理与AI的相互关系 1.1 AI对数据治理的需求与推动 1.2 数据治理对AI应用的支撑与保障 1.3 数据治理与AI的融合发展趋势 案例:数据治理与AI结合的应用实例 2.数据针对性调整与清洗整理手段 2.1 AI在数据清洗中的应用 2.2 AI在数据整合与标准化中的作用 2.3 AI在数据质量提升中的贡献 案例:AI在数据治理中的具体应用案例 讨论课题:如何更好地将AI应用于数据治理中? 单元八 数据资产价值提升 1.数据资产价值评估 1.1 数据资产价值的衡量指标 1.2 数据资产价值评估方法与模型 1.3 数据资产价值提升的策略与路径 案例:数据资产价值评估与提升实践 2.数据资产运营与管理 2.1 数据资产运营的模式与策略 2.2 数据资产管理的最佳实践 2.3 数据资产价值最大化的方法与技术 案例:数据资产运营与管理成功案例 讨论课题:如何有效提升并运营数据资产价值? 单元九 数据治理项目规划与实施 1.数据治理项目规划 1.1 项目目标设定与需求分析 1.2 项目范围界定与资源调配 1.3 项目计划与时间表制定 案例:数据治理项目规划实例 2.数据治理项目实施 2.1 项目实施步骤与流程 2.2 项目实施中的风险管理与应对 2.3 项目实施效果的评估与反馈 案例:数据治理项目实施案例分享 讨论课题:如何制定并实施有效的数据治理项目计划? 单元十 数据治理与业务融合 1.数据治理与业务战略对接 1.1 数据治理如何支撑业务战略 1.2 业务战略对数据治理的需求 1.3 数据治理与业务战略的协同机制 案例:数据治理与业务战略对接实践 2.数据治理在业务流程中的应用 2.1 数据治理如何优化业务流程 2.2 数据治理在业务流程中的实施步骤 2.3 数据治理对业务流程持续改进的支撑 案例:数据治理在业务流程中的应用实例 讨论课题:如何实现数据治理与业务流程的深度融合? 单元十一 数据治理的安全 1.数据保护原则与策略 1.1数据保护的基本原则,如保密性、完整性、可用性等。 1.2探讨数据分类与分级策略,以及针对不同级别数据的保护措施。 1.3分析数据加密、脱敏、备份与恢复等关键技术及其应用场景。 2.隐私合规与法规遵循 2.1)阐述个人隐私保护的重要性及相关法律法规(如GDPR、CCPA等)的要求。 2.2)讨论数据收集、存储、处理与传输过程中的隐私合规问题。 2.3)介绍隐私影响评估(PIA)与数据保护影响评估(DPIA)的方法与实施步骤。 3.访问控制与权限管理 3.1)分析访问控制模型(如RBAC、ABAC等)及其在数据治理中的应用。 3.2)探讨权限分配、审查与撤销的最佳实践。 3.3)介绍身份认证、单点登录(SSO)与多因素认证(MFA)等安全技术。 4.数据泄露防范与应急响应 4.1数据泄露的常见原因与后果。 4.2数据泄露预防策略,如监控、审计、入侵检测等。  
• 李勇:用户分层,画像及数据分析
培训对象:管理人员(总监、经理、主管) 课程时间:1天 课程背景: 创新产品与客户分级和用户画像往往有着密切的关联,对于需求解决的问题,令不少客户经理感到头疼,如何照顾客户需求,探索用户画像,解析用户结构,从而为我方销售探索更多的商机以及达成更好的销售任务,成为了重要课题。。那么基于“精准画像”下的场景营销又该如何实现呢?本课程将详细讲解。 课程收益: 培训完结后,学员能够: 如何做好用户分层管理 如何做好政企用户画像以及评分; 如何分类运营和维系客户; 课程大纲: 单元 大纲 内容 效益 单元一 我们的客户该如何分级分层管理 1、 为什么要做客户分层管理? 2、 按照何种逻辑来区分用户? 1) 按照行业及产品来分层 2) 按照四高原则分层 3) 按照不同的区域来分层 4) 按照共同的场景来分层 本单元让学员了解客户的分层管理的必要性以及如何分层管理 单元二 政企用户画像都包含那些元素 1. 用户背景分析 1) 经营定位 2) 商业模式 3) 未来目标 2. 外部环境分析 1) 行业环境 2) 市场环境 3. 内部情境分析 1) 业务情境 2) 组织架构 3) 信息化部署 4. 关键人分析 1) 岗位决策力 关注重点及合作意向 本单元让学员明确消费者画像分析的维度 单元三 深挖用户需求,聚焦B网客户场景地图视图 1、 什么是客户视角 2、 如何围绕用户画像去做营销计划 3、 什么是客户场景视图? 4、 如何对业务场景视图进行再细化 5、 如何针对不同的场景深挖用户诉求 6、 如何针对不同的场景去做分场景销售策略 掌握客户视角思维与场景分解地图工具 单元四 对客户来进行有效的价值评分和场景评分 1. 按照什么规则来评分? 1) 按照战略等级 2) 按照收入 3) 按照竞争维度 4) 按照客户体量 掌握客户价值动态评分的逻辑法则 单元五 对不同的分层该如何运营 1. 通用性标化产品的运营法则: 1) 营销方式过于单一,传播效率和覆盖效率极低 2) 营销媒介扁平,难以形成立体化冲击 3) 变现成本较高 4) 营销工具缺乏 5) 营销数据缺乏 2.用什么样的营销方式可以更好的解决如上问题? 3. 对大体量客户和战略客户该如何做好运营? 掌握不同产品和不同维度的运营策略 单元六 大数据的逻辑和思路 1. 数据分析是神马?数据分析基本过程? 2. 数据分析面临的常见问题 1) 不知道分析什么(分析目的不明确) 2) 不知道怎样分析(缺少分析方法) 3) 不知道收集什么样的数据(业务理解不足) 4) 不知道下一步怎么做(不了解分析过程) 5) 看不懂数据表达的意思(数据解读能力差) 6) 担心分析不够全面(分析思路不系统) 学习如何理解大数据分析 单元七 如何进行数据分析 3. 数据分析的六步曲 步骤1:明确目的--理清思路 4. 先有数据还是先有问题? 5. 确定分析目的 6. 确定分析思路 步骤2:数据收集—理清思路 7. 明确收集数据范围 确定收集来源 确定收集方法 步骤3:数据预处理—寻找答案 8. 数据清洗、转化、提取、计算 9. 数据质量评估 步骤4:数据分析--寻找答案 10. 分析方法选择 11. 构建合适的分析模型 12. 分析工具选择 步骤5:数据展示--观点表达 13. 选择合适的可视化工具 14. 选择恰当的图表 步骤6:报表撰写--观点表达 15. 选择报告种类 16. 完整的报告结构 17. 数据分析的三大误区 学习数据分析方法  
• 李勇:新团队建设与数据分析管理应用
讲授专家:李勇 培训对象:国际事业部管理人员、新增岗位负责人、社招高端人才、数据分析团队成员; 课程时间:1天 课程背景: 本课程主要是在企业国际化扩张与数字化转型的宏观趋势下,旨在解决学员如何高效搭建管理团队,并合理运用数据分析工具优化团队目标与市场需求的问题。课程将深入探讨新团队建设的核心要素与数据分析的实战应用,具备前瞻性、实用性和创新性的特点。 课程收益: 培训完结后,学员能够: 受益一:掌握新团队建设的核心原则与关键步骤; 受益二:了解数据分析的基本概念、工具与方法; 受益三:学会如何运用数据分析优化团队目标与市场需求; 受益四:掌握数据分析在团队管理中的实际应用技巧; 受益五:能够构建基于数据分析的决策支持系统; 受益六:提升团队协同效率与数据分析能力,为企业的数字化转型贡献力量。 课程大纲: 单元 大纲 内容-《项目管理》 单元一 新团队建设的基础与原则 新团队建设的核心要素 1.1 团队目标设定与愿景规划 1.2 团队成员的选拔与配置 1.3 团队文化的塑造与传播 案例:成功的新团队建设案例解析 新团队建设的原则与策略 2.1 团队协同与沟通机制建立 2.2 团队激励与绩效考核体系 2.3 团队冲突的解决与预防 案例:跨国企业新团队建设经验分享 讨论课题:如何根据企业实际情况制定新团队建设方案? 单元二 新团队管理的核心技能与策略 团队领导力与影响力提升 1.1 领导力理论与实践 1.2 影响力提升技巧与策略 1.3 团队领导者的自我管理与成长 团队沟通与协作优化 2.1 高效沟通技巧与策略 2.2 团队协作障碍识别与克服 2.3 跨文化团队管理与沟通 团队激励与绩效管理 3.1 激励理论与实践 3.2 绩效管理体系设计与实施 3.3 团队成员激励与绩效提升策略 案例:新团队管理中的成功案例与失败教训 讨论课题:如何打造高效协同的新团队? 单元三 数据分析团队搭建应该注意的问题 团队角色的定义 数据工程师:负责数据的收集、清洗和整合。 数据分析师:进行深入的数据分析,提取有价值的见解。 数据科学家:运用高级统计和机器学习技术,解决复杂问题。 业务分析师:将数据分析结果转化为业务建议和策略。 各角色的职责与协作 明确各角色的具体职责和期望成果。 建立有效的协作机制,促进跨角色沟通与合作。 单元四 什么是数据分析 1. 数据分析的三种类型 1) 描述性数据分析 2) 探索性数据分析 3) 验证性数据分析 2. 一般都对那些数据做分析 单元五 数据分析中需要掌握的思维和方法 1. 分解问题需要掌握的思维方法 1) 结构化思维 2) 公式化思维 3) 业务化思维 2. 分解问题中需要掌握的具体方法 1) 对比分析(查看数据差距) 2) 多维对比法(拥有较多维度数据) 3) 象限分析法(更好的做好策略) 4) 漏斗分析法(业务关键流程) 5) 杜邦分析法(企业财务经营数据分析) 6) 指数法(对于不好衡量的数据分析) 7) 假设法 8) 二八法 单元六 AI如何协助做好数据分析和团队管理 AI在数据挖掘与机器学习中的应用 1.1 数据挖掘的基本概念与方法 1.2 机器学习的基本原理与算法 1.3 AI在数据预测与分类中的应用 AI在数据分析中的自动化与智能化 2.1 自动化数据分析流程构建 2.2 智能化数据分析报告生成 2.3 AI在数据分析中的决策支持作用 案例:AI在数据挖掘与预测分析中的实践案例 AI在团队协作与沟通中的应用 1.1 AI驱动的团队协作平台与工具 1.2 AI在团队沟通中的优化作用 1.3 AI在团队冲突识别与解决中的价值 AI在团队目标设定与监控中的作用 2.1 基于AI的团队目标智能设定方法 2.2 AI在团队进度监控与反馈中的应用 2.3 AI在团队绩效评估中的优化作用 案例:AI在团队管理中的成功应用案例  

添加企业微信

1V1服务,高效匹配老师
欢迎各种培训合作扫码联系,我们将竭诚为您服务