准备好加速您的 AI 之旅了吗？ AI 快速入门现已正式发布！
AI 快速入门是一个新的目录，其中包含随时可以运行的行业特定用例，可让您直接掌握开源 AI 的强大功能。这些是您可以用来掌握红帽 AI 并磨练所需技能的练习场，以便将您的 AI 想法从实验付诸实践。每个 AI 快速入门都经过精心设计，易于部署、探索和扩展，为您和您的团队提供快速、实用的方法，了解 AI 如何在企业就绪型开源基础架构上为实际解决方案提供支持。
我们认为，实践经验是为 AI 未来做好准备的最佳方式。不用再一头雾水，深入研究这些具体的用例示例，开始将“假设”转变为“下一步”。
图 1：AI 快速入门目录预览
这听起来很不错，对吧？当然。现在，我们开始。首先访问 AI 快速入门目录，您可以在其中浏览感兴趣的用例。以“部署注重隐私的 AI 助手”快速入门为例。该快速入门演示了如何在医疗保健环境中识别和保护隐私信息。单击进入示例可显示有关用例的更多详细信息，包括最低要求和安装说明。即使您不使用患者数据，该 AI 快速入门也值得探索，因为它展示了一种简单有效的方法来保护企业内敏感数据，无论这些数据是什么。
如果医疗卫生 AI 快速入门不符合您的用例，我们有一个不断增加的列表供您尝试。其他示例包括：
- 利用企业 RAG 聊天机器人集中管理公司知识：本 AI 快速入门演示了如何使用检索增强生成（RAG），通过公司特定的数据存储来增强模型，以实现更准确和上下文感知的响应。
- 利用 AI 建议实现产品发现转型：在这里，您将学习如何将 AI 驱动的产品推荐和自动评论摘要集成到电子商务店面中。
- 为轻量级 HR 助手提供服务：这个聊天机器人有助于腾出通常用于搜索保单文档的时间，使人力资源代表能够将这些时间用于更高价值的关系工作。
图 2：“利用企业 RAG 聊天机器人整合企业知识”架构图
图 3：“利用 AI 推荐重塑产品发现体验”AI 快速入门的屏幕截图
“为轻量级 HR 助手提供服务”AI 快速入门特别有趣，因为该快速入门可以在没有 GPU 或专用硬件的情况下进行部署。该快速入门在 CPU 上运行 TinyLlama，因此任何人都可以利用其开始使用红帽 OpenShift AI。 事实上，我们可以一起部署 HR 助手：
- 前往快速入门的部署部分，然后按照说明操作。
- 在另一个浏览器标签页中，打开红帽 OpenShift 环境中的 Web 终端。如果您愿意，可以在本地使用 oc。
- 只需克隆存储库并更改目录即可。
git clone https://github.com/rh-ai-quickstart/llm-cpu-serving.git && \ cd llm-cpu-serving/ 
图 4：在红帽 OpenShift 中部署您的首个 AI 快速入门示例
- 创建新项目。
PROJECT="hr-assistant" oc new-project ${PROJECT}- 然后安装。
helm install llm-cpu-serving helm/ --namespace ${PROJECT} 只需执行几个命令，您就可以导航到 OpenShift AI 控制面板中的“hr-assistant”项目，并启动您自己的助手！
图 5：“为轻量级 HR 助理提供服务”AI 快速入门指南
如何构建 AI 快速入门以及我们的未来步骤
AI 快速入门是根据客户需求（您的需求和请求）构建的。我们希望这些案例既能展示其价值，又能为实现现实世界的成果提供清晰的路径，为此，我们将通过 AI 驱动的具体相关示例来实现这一目标。
红帽的 AI 专家、我们的软件和交付合作伙伴以及开源社区一直在共同努力开发这些用例。我们秉持开放的态度，邀请客户和合作伙伴试用我们最新的 AI 快速入门，帮助开发新的 AI 快速入门，并为未来的开发工作提交新的 AI 快速入门建议。如需了解详情，请查看我们的介绍页。
如果您只是想快速入门，不妨访问 AI 快速入门目录页面。 其中包括我们最受欢迎的 AI 快速入门列表，方便查找。当然，随着未来新的 AI 快速入门的开发和发布，我们的目录将继续增长。
AI 的真正价值在于其解决现实业务问题的能力，而不仅仅是其技术潜力。通过从空白阶段过渡到这些随时可以运行的用例，您的团队可以停止实验，并开始在红帽 AI 值得信赖的开放基础上交付切实的成果。
了解更多
关于作者
Karl Eklund is a Principal Architect aligning customer goals to solutions provided by the open source community and commercial vendors within the Red Hat OpenShift Data Science platform. Prior to joining Red Hat, Karl advised technology leaders on enterprise data and technology strategies and built machine learning models across multiple academic disciplines.
