2025中國(guó)生成式AI大會(huì)于4月1日-2日在北京舉行，在大會(huì)首日GenAI應(yīng)用論壇上，楓清科技創(chuàng)始人兼CEO高雪峰以《知識(shí)引擎和大模型雙輪驅(qū)動(dòng)的下一代行業(yè)智能體平臺(tái)》為題發(fā)表演講。
自2021年成立以來(lái)，高雪峰介紹到，楓清科技（Fabarta）在過(guò)去的幾年當(dāng)中一直致力于把人工智能的技術(shù)跟實(shí)際的產(chǎn)業(yè)落地的場(chǎng)景融合在一起，完成真正的AI產(chǎn)業(yè)落地。
總結(jié)過(guò)往經(jīng)驗(yàn)，高雪峰認(rèn)為AI技術(shù)在產(chǎn)業(yè)中落地有三個(gè)關(guān)鍵要素：知識(shí)引擎、行業(yè)大模型、智能體平臺(tái)。要把生成式AI技術(shù)應(yīng)用到產(chǎn)業(yè)端，最需要實(shí)現(xiàn)決策智能。
對(duì)此，楓清科技采取了以數(shù)據(jù)為中心的AI平臺(tái)架構(gòu)落地的范式，還推出知識(shí)引擎和行業(yè)大模型雙輪驅(qū)動(dòng)的智能體平臺(tái)，幫助企業(yè)實(shí)現(xiàn)多場(chǎng)景價(jià)值落地。
以下為高雪峰的演講實(shí)錄：
今天將提及三個(gè)概念：第一是知識(shí)引擎，我們屬于多模態(tài)的知識(shí)引擎；第二是懂行業(yè)的行業(yè)大模型；第三是行業(yè)的智能體平臺(tái)。
當(dāng)人工智能技術(shù)真正融入產(chǎn)業(yè)時(shí)，必須具備這三個(gè)要素，才能實(shí)現(xiàn)平臺(tái)驅(qū)動(dòng)下多價(jià)值場(chǎng)景的人工智能技術(shù)落地。
我們先回顧這張圖，大家應(yīng)該在很多場(chǎng)合見過(guò)，它展示的是人工智能的發(fā)展歷史。我們都清楚，“人工智能” 一詞于 1956 年的達(dá)特茅斯會(huì)議被提出。
自人工智能概念提出至今，至少經(jīng)歷了兩個(gè)波峰與兩個(gè)寒冬。
第一個(gè)是在最開始，我記得在一個(gè)跳棋程序中，人工智能借助機(jī)器學(xué)習(xí)戰(zhàn)勝了所有人類棋手，致使1956年的人們就宣稱人工智能時(shí)代即將來(lái)臨。
然而，不到十年，因算力不足無(wú)法將機(jī)器學(xué)習(xí)能力提升至超越人類專家水平，行業(yè)迅速進(jìn)入首個(gè)寒冬。
隨后，基于符號(hào)邏輯推理的專家系統(tǒng)誕生，即我們所說(shuō)的 “符號(hào)與知識(shí)工程”。這推動(dòng)人工智能迎來(lái)第二個(gè)波峰，各行業(yè)涌現(xiàn)出大量專家系統(tǒng)。
但人們逐漸發(fā)現(xiàn)，此類系統(tǒng)難以突破認(rèn)知局限，無(wú)法向通用知識(shí)拓展，且構(gòu)建成本高昂，行業(yè)旋即陷入第二個(gè)寒冬。
此后，深度學(xué)習(xí)技術(shù)不斷發(fā)展，直至當(dāng)下，我們已共同見證人工智能擁抱產(chǎn)業(yè)的意義重大波峰來(lái)臨，或即將到來(lái)。
這一階段的標(biāo)志性技術(shù)成果，就是那篇有關(guān)Transformer的論文。深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的發(fā)展，已讓我們認(rèn)識(shí)到泛化智能的存在。
我們?；煜粋€(gè)概念：將大語(yǔ)言模型或多模態(tài)大模型這類生成式人工智能，誤作通用智能。
而把生成式人工智能技術(shù)應(yīng)用到產(chǎn)業(yè)端，最需要的是決策智能。
生成智能到?jīng)Q策智能的演進(jìn)是一個(gè)漫長(zhǎng)且需構(gòu)建諸多技術(shù)壁壘的過(guò)程，無(wú)法單純依賴基于概率的Transformer技術(shù)實(shí)現(xiàn)跨越。
所以，縱觀AI發(fā)展的歷史，只有把符號(hào)邏輯推理和概率體系深度融合，才能真正地從生成式智能邁向企業(yè)需要的決策智能。
在過(guò)去兩年，大家對(duì)人工智能領(lǐng)域的關(guān)注點(diǎn)發(fā)生了轉(zhuǎn)變。
第一，起初人們多用大語(yǔ)言模型聊天，如今越來(lái)越多的人開始關(guān)注人工智能技術(shù)能否真正融入產(chǎn)業(yè)，并帶來(lái)產(chǎn)業(yè)價(jià)值的切實(shí)提升。
我國(guó)也在這兩年提出了人工智能+的概念和理念，并寫進(jìn)了政府工作報(bào)告，強(qiáng)調(diào)人工智能與產(chǎn)業(yè)融合，發(fā)揮新質(zhì)生產(chǎn)力的作用。
第二，以往人們以模型為中心進(jìn)行探索，如今逐漸轉(zhuǎn)向以數(shù)據(jù)為中心，或模型與數(shù)據(jù)雙中心的體系架構(gòu)。
還有最重要的一點(diǎn)，大家不再盲目追求巨量參數(shù)模型，而是在模型參數(shù)增大、泛化能力提升的同時(shí)，開始注重邏輯推理能力的增強(qiáng)。
因此我們知道，連接主義、符號(hào)主義、行為主義（即具身智能）三者融合，才能開啟真正意義上的強(qiáng)人工智能時(shí)代。
一、用平臺(tái)驅(qū)動(dòng)解決人工智能產(chǎn)業(yè)落地的四大挑戰(zhàn)
那么，生成式的人工智能技術(shù)在產(chǎn)業(yè)端落地，一定會(huì)遇到幾個(gè)無(wú)法繞開的問(wèn)題：
第一是模型幻覺。無(wú)論大語(yǔ)言模型或多模態(tài)大模型多么強(qiáng)大，都不可避免存在幻覺，即所謂 “一本正經(jīng)的胡說(shuō)八道”。
第二是可解釋性。任何大語(yǔ)言模型給出決策建議時(shí)，都無(wú)法提供該建議背后詳盡的邏輯依據(jù)。
第三是推理能力。即使我們通過(guò)強(qiáng)化學(xué)習(xí)改進(jìn)模型COT（思維鏈）的推理能力，但其精準(zhǔn)推理仍存在幻覺問(wèn)題。
所以在企業(yè)決策場(chǎng)景中，如果涉及精準(zhǔn)推理，還是需要其他技術(shù)輔助完成。
最后是企業(yè)級(jí)的能力以及數(shù)據(jù)的安全和時(shí)效方面的考慮。
針對(duì)以上人工智能技術(shù)在企業(yè)落地必須考慮的問(wèn)題，楓清科技采取了兩個(gè)步驟：
第一，落地以數(shù)據(jù)為中心的人工智能平臺(tái)架構(gòu)范式。
第二，推出知識(shí)引擎與行業(yè)大模型雙輪驅(qū)動(dòng)的新一代行業(yè)智能體平臺(tái)，輔助企業(yè)實(shí)現(xiàn)人工智能場(chǎng)景價(jià)值落地。
這里有諸多具體且有價(jià)值的創(chuàng)新：例如，我們把圖結(jié)構(gòu)跟向量、JSON以及各種原文的文本信息進(jìn)行多模態(tài)的存儲(chǔ)和計(jì)算；
同時(shí)自研Hybrid RAG體系，能夠更容易地提取多元異構(gòu)數(shù)據(jù)與大模型的提示詞（prompts）相結(jié)合，融合企業(yè)的多模態(tài)數(shù)據(jù)與AI能力，智能化構(gòu)建知識(shí)。
我們給大型的產(chǎn)業(yè)或是企業(yè)去做人工智能的場(chǎng)景落地時(shí)，一定是用平臺(tái)驅(qū)動(dòng)的方式。
二、人工智能平臺(tái)架構(gòu)的演進(jìn)：從煙囪式到統(tǒng)一匯聚、雙輪驅(qū)動(dòng)
回到人工智能平臺(tái)，我相信大家對(duì)此都不陌生，早在十年前我們就在談人工智能平臺(tái)的概念。
接下來(lái)來(lái)看看我們的行業(yè)智能體平臺(tái)有什么不同：
從六七年前我們做人工智能平臺(tái)的時(shí)候，應(yīng)用場(chǎng)景、數(shù)據(jù)以及模型各自獨(dú)立，像一個(gè)個(gè) “煙囪” 般存在。所以，那時(shí)的人工智能平臺(tái)更像是人工智能應(yīng)用的交易市場(chǎng)（marketplace）。隨著大語(yǔ)言模型的推出，所有的模型慢慢地匯聚到一個(gè)或者幾個(gè)大模型體系中。
同樣的，我們會(huì)把企業(yè)的所有的多模態(tài)數(shù)據(jù)匯聚到企業(yè)統(tǒng)一的知識(shí)引擎中。如此一來(lái)，底層的數(shù)據(jù)知識(shí)與中間層的模型至少已逐步完成了匯聚整合。
這種匯聚使得人工智能平臺(tái)驅(qū)動(dòng)并實(shí)現(xiàn)多場(chǎng)景價(jià)值落地成為可能。
那么我們也不是單純拿一個(gè)現(xiàn)成的大模型，或者對(duì)一個(gè)行業(yè)模型進(jìn)行調(diào)優(yōu)，又或者給企業(yè)提供一款產(chǎn)品，讓其開箱即用就實(shí)現(xiàn)整個(gè)產(chǎn)業(yè)的智能化，這是完全不現(xiàn)實(shí)的。
我們會(huì)通過(guò)行業(yè)智能體的平臺(tái)，結(jié)合統(tǒng)一的模型、數(shù)據(jù)和知識(shí)，從而賦能企業(yè)當(dāng)中豐富多樣的智能化場(chǎng)景。
在切實(shí)幫助企業(yè)進(jìn)行人工智能產(chǎn)業(yè)落地的時(shí)候，一定會(huì)經(jīng)歷這樣的幾個(gè)階段：
第一個(gè)階段是關(guān)注?，F(xiàn)在大家已經(jīng)不用強(qiáng)調(diào)這一點(diǎn)了，從春節(jié)期間DeepSeek火爆出圈以來(lái)各行各業(yè)基本上都會(huì)與我們的團(tuán)隊(duì)交流：我們想要運(yùn)用人工智能，改變場(chǎng)景價(jià)值和實(shí)際產(chǎn)業(yè)價(jià)值，我們可以有什么樣的路徑？
第二個(gè)階段是評(píng)估。我們需要對(duì)企業(yè)的數(shù)據(jù)狀況，以及企業(yè)對(duì)想要實(shí)現(xiàn)的人工智能場(chǎng)景價(jià)值的預(yù)期，進(jìn)行梳理和評(píng)估。
接著是設(shè)計(jì)階段。要明確企業(yè)實(shí)施人工智能時(shí)，其智能化應(yīng)用的具體形態(tài)。
最后才是搭建平臺(tái)。在搭建好的平臺(tái)上選取1至3個(gè)試驗(yàn)性場(chǎng)景來(lái)落地實(shí)施。由于模型能夠完全整合在一起，底層的數(shù)據(jù)和知識(shí)也可隨著不同場(chǎng)景的實(shí)現(xiàn)而匯聚，進(jìn)而真正達(dá)成平臺(tái)驅(qū)動(dòng)。
這是我們給所有的產(chǎn)業(yè)中的龍頭企業(yè)、大型企業(yè)，賦能全平臺(tái)實(shí)現(xiàn)人工智能場(chǎng)景落地時(shí)，一定會(huì)采用的企業(yè)架構(gòu)。
最底層存在典型的基礎(chǔ)設(shè)施，涵蓋不同的大模型、模型工廠，甚至還涉及模型訓(xùn)練推理的加速等基礎(chǔ)能力。
然后行業(yè)的數(shù)據(jù)集是不斷地要豐富的。
大約兩年前，我們跟所有的大型的客戶、鏈主企業(yè)溝通時(shí)發(fā)現(xiàn)，他們只構(gòu)建了最底層的基座，然后就要拿底層基座的能力去賦能上面豐富的場(chǎng)景價(jià)值，結(jié)果遭遇了前文所提及的大語(yǔ)言模型在產(chǎn)業(yè)落地過(guò)程中的各類問(wèn)題。
因此，我們幫他在中間加了一層，即構(gòu)建企業(yè)的知識(shí)中臺(tái)。
其中包含我剛才所提到的，我們需要智能化地搭建企業(yè)多模態(tài)知識(shí)引擎，還需構(gòu)建契合該行業(yè)的智能體平臺(tái)，從而真正通過(guò)以數(shù)據(jù)為中心的這一層，將底層的模型與上層豐富的智能化應(yīng)用連接起來(lái)。
三、從數(shù)據(jù)到知識(shí)再到應(yīng)用：做真正懂行業(yè)的模型
談到我剛才提到的三要素，我們先看一下懂行業(yè)的模型。
我前一陣跟一位三甲醫(yī)院的科室主任交流，他提到自己正在使用DeepSeek滿血版本的大模型，把所有復(fù)雜的病例扔進(jìn)去，讓它給出診斷建議（不是診療建議），據(jù)他所說(shuō)，該模型的表現(xiàn)已能達(dá)到真正研究生或博士水平的 80%-90%。
這是由于在這個(gè)細(xì)分行業(yè)里，大量開放的診療路徑、醫(yī)學(xué)文獻(xiàn)等相關(guān)數(shù)據(jù)，都已納入到泛化的大語(yǔ)言模型的訓(xùn)練數(shù)據(jù)之中。
所以，在任何一個(gè)精準(zhǔn)行業(yè)里，其實(shí)我們很少會(huì)對(duì)大參數(shù)的模型進(jìn)行微調(diào)，因?yàn)槟蒙倭康臄?shù)據(jù)進(jìn)行微調(diào)反而會(huì)造成“泥牛入?！钡姆醋饔眯Ч?/p>
但是，懂行業(yè)的模型的需求依然存在。
在與諸多龍頭行業(yè)合作時(shí)，我們發(fā)現(xiàn)像新材料這類公開數(shù)據(jù)較少的領(lǐng)域，需要利用行業(yè)的推理數(shù)據(jù)來(lái)蒸餾出規(guī)模并非很大的模型，盡管生成這些推理訓(xùn)練數(shù)據(jù)頗具難度。
這里面存在兩個(gè)關(guān)鍵訴求：
第一，細(xì)分行業(yè)的數(shù)據(jù)具有特殊性，不會(huì)出現(xiàn)在自然界的公域數(shù)據(jù)中。所以我們必須依靠這些獨(dú)特?cái)?shù)據(jù)來(lái)訓(xùn)練行業(yè)模型，以提升模型在該細(xì)分行業(yè)的推理和生成能力。
第二，模型尺寸問(wèn)題?？紤]到企業(yè)在端測(cè)、邊測(cè)等場(chǎng)景下的模型推理需求，我們需要從大參數(shù)模型中蒸餾出一些中小參數(shù)模型，來(lái)實(shí)現(xiàn)云邊端模型智能一體化的效果。
其次是我們提到的知識(shí)引擎。這是我們對(duì)整個(gè)行業(yè)的多模態(tài)數(shù)據(jù)，用AI的方式智能構(gòu)建相應(yīng)知識(shí)引擎的具體步驟。
我們把傳統(tǒng)的數(shù)據(jù)存儲(chǔ)和計(jì)算轉(zhuǎn)變?yōu)橹R(shí)的記憶和推理，并開放基本問(wèn)答、智能問(wèn)述、權(quán)限管理、安全管理以及知識(shí)反饋等眾多企業(yè)級(jí)能力。通過(guò)智能體平臺(tái)的智能體大腦，連接各類處理和分析數(shù)據(jù)的工具，最終賦能多場(chǎng)景價(jià)值的應(yīng)用。
這里要特別提到，只有符號(hào)邏輯推理、概率和向量融合在一起，才能產(chǎn)生更智能的價(jià)值。
我們將圖的數(shù)據(jù)結(jié)構(gòu)融入產(chǎn)品的每個(gè)角落，把多模態(tài)數(shù)據(jù)各種描述信息的元數(shù)據(jù)，整個(gè)成一張龐大的企業(yè)數(shù)據(jù)資產(chǎn)地圖。同時(shí)，抽取文本、視頻等非結(jié)構(gòu)化數(shù)據(jù)的元數(shù)據(jù)，借助圖結(jié)構(gòu)構(gòu)建知識(shí)體系。
企業(yè)結(jié)構(gòu)化數(shù)據(jù)（如數(shù)倉(cāng)和數(shù)據(jù)源里的數(shù)據(jù)）之間存在如血緣關(guān)系、列算子級(jí)血緣等復(fù)雜的關(guān)系，我們可智能構(gòu)建呈現(xiàn)此類結(jié)構(gòu)化數(shù)據(jù)的圖結(jié)構(gòu)復(fù)雜關(guān)系。
并且，還能把結(jié)構(gòu)化數(shù)據(jù)中的復(fù)雜血緣關(guān)系，與企業(yè)文本中的實(shí)體和文本向量化數(shù)據(jù)，進(jìn)一步構(gòu)建出更復(fù)雜的關(guān)系。
這是我們完整的企業(yè)工作流：把多模態(tài)引擎的知識(shí)數(shù)據(jù)與企業(yè)知識(shí)庫(kù)中的數(shù)據(jù)相結(jié)合，再配合行業(yè)模型，借助智能體大腦，優(yōu)化梳理知識(shí)庫(kù)與各類數(shù)據(jù)、智能問(wèn)述、指標(biāo)以及科技情報(bào)等分析之間的基本鏈路邏輯。
四、行業(yè)智能體平臺(tái)賦能產(chǎn)業(yè)：場(chǎng)景案例全解析
這是我們?yōu)轭^部央企實(shí)施的方案：基于知識(shí)引擎與行業(yè)模型，融合開放、基礎(chǔ)的通用智能體能力，通過(guò)深諳企業(yè)知識(shí)的智能體大腦，將其賦能于企業(yè)全產(chǎn)業(yè)鏈周期與版圖，真正實(shí)現(xiàn)了以企業(yè)內(nèi)部知識(shí)驅(qū)動(dòng)的人工智能多場(chǎng)景價(jià)值落地。
更深入的舉幾個(gè)例子，比如說(shuō)我們可以幫助企業(yè)實(shí)現(xiàn)更精準(zhǔn)、豐富的知識(shí)問(wèn)答，這并非簡(jiǎn)單上傳文檔后進(jìn)行泛化聊天。
企業(yè)級(jí)的知識(shí)問(wèn)答會(huì)涵蓋復(fù)雜的權(quán)限管控信息，甚至?xí)_到這個(gè)用戶不能問(wèn)該Excel文件里相關(guān)的任何的信息，或者是只有經(jīng)理級(jí)別的員工才能訪問(wèn)某文件夾里面所有文檔內(nèi)容。
我們都知道，這是無(wú)法通過(guò)向大模型投喂全部數(shù)據(jù)并微調(diào)來(lái)實(shí)現(xiàn)的，但是我們知識(shí)引擎就能夠解決這樣的問(wèn)題。
還有企業(yè)的智能指標(biāo)管理。這也并非傳統(tǒng)BI報(bào)表疊加自然語(yǔ)言處理形成的ChatBI，它是具備多模態(tài)數(shù)據(jù)深度根因分析能力的。
舉個(gè)例子，財(cái)務(wù)報(bào)表場(chǎng)景中，二級(jí)公司做賬時(shí)可能將退款誤納入收入計(jì)算，導(dǎo)致收入虛高并與供應(yīng)鏈數(shù)據(jù)嚴(yán)重不匹配。此類問(wèn)題僅憑 ChatBI 或常規(guī)數(shù)倉(cāng)指標(biāo)報(bào)表難以發(fā)現(xiàn)。
但是通過(guò)多模態(tài)數(shù)據(jù)——鏈接了所有供應(yīng)鏈的詳細(xì)數(shù)據(jù)，系統(tǒng)可精準(zhǔn)識(shí)別上述風(fēng)險(xiǎn)點(diǎn)，提示財(cái)務(wù)收入確認(rèn)與供應(yīng)鏈信息存在顯著矛盾。
這才是真正意義上的企業(yè)智能決策輔助。
再包括我們?cè)谳o助AI科技情報(bào)上面也做了大量特定的知識(shí)處理，比如論文、專利、各種實(shí)驗(yàn)數(shù)據(jù)等等。
在特定的領(lǐng)域里面，如晶體、化工催化和蛋白質(zhì)新材料領(lǐng)域，都有十分復(fù)雜的論文或數(shù)據(jù)結(jié)構(gòu)表達(dá)，天然地與圖和向量融合的分布式存儲(chǔ)模式匹配起來(lái)。
基于此，我們就能夠在精準(zhǔn)的知識(shí)邏輯上做復(fù)雜的推理，調(diào)用模型的生成能力，生成相應(yīng)的文章、綜述和翻譯等等。
還有一個(gè)多模態(tài)領(lǐng)域的應(yīng)用就是企業(yè)的安全生產(chǎn)。這個(gè)場(chǎng)景涉及高頻的實(shí)時(shí)視頻流反饋，我們會(huì)通過(guò)綜合分析復(fù)雜的產(chǎn)線標(biāo)準(zhǔn)作業(yè)流程（SOP）及各類操作手冊(cè)，識(shí)別產(chǎn)線操作中的風(fēng)險(xiǎn)點(diǎn)，并預(yù)判可能引發(fā)的嚴(yán)重后果。
在科技情報(bào)的領(lǐng)域里面，前兩天我們剛剛跟中國(guó)中化與吉林大學(xué)的計(jì)算機(jī)學(xué)院成立了“AI + 新材料”的聯(lián)合實(shí)驗(yàn)室。
依托我們的知識(shí)引擎和智能體平臺(tái)能力，真正地推動(dòng)傳統(tǒng)的科學(xué)計(jì)算的產(chǎn)業(yè)鏈的信息向新一代AI技術(shù)智能規(guī)劃的轉(zhuǎn)型，為傳統(tǒng)科學(xué)計(jì)算領(lǐng)域賦予了強(qiáng)大的生成式智能化能力。
同時(shí)，結(jié)合公域和實(shí)驗(yàn)室積累的科技情報(bào)的知識(shí)性數(shù)據(jù)，我們會(huì)在不久的將來(lái)開放高質(zhì)量材料數(shù)據(jù)及科學(xué)計(jì)算智能化服務(wù)，面向全社會(huì)共享。
此次新成立的聯(lián)合實(shí)驗(yàn)室，正是產(chǎn)學(xué)研一體化的典型實(shí)踐案例。
最后分享一個(gè)小型的、基于復(fù)雜的架構(gòu)的知識(shí)引擎和行業(yè)智能體平臺(tái)以及我們的智能體大腦產(chǎn)生的，針對(duì)金融客戶的智能指標(biāo)問(wèn)述的例子。
下面為大家詳細(xì)解讀，我們以企業(yè)的不良貸款這一指標(biāo)進(jìn)行深入分析。
首先，智能體大腦會(huì)調(diào)用多種展示工具、生成工具和分析工具，以此來(lái)理解用戶的需求，并智能檢索數(shù)倉(cāng)及指標(biāo)中的各類數(shù)據(jù)，以豐富多樣的形式將這些數(shù)據(jù)展示出來(lái)。
其次，智能體大腦不僅能完成上述操作，同時(shí)也能調(diào)用最基本的線性分析的回歸計(jì)算等傳統(tǒng)的小模型，借助這些模型為用戶解讀數(shù)據(jù)的基本規(guī)律。
再者，除了展示數(shù)據(jù)和分析規(guī)律外，智能體大腦還具備多維度分析能力，其中涵蓋了最基本維度的根因分析。
除此之外，我們也能夠進(jìn)行相應(yīng)的預(yù)測(cè)，即判斷這個(gè)指標(biāo)數(shù)據(jù)后期的發(fā)展趨勢(shì)。
最后，文本中的全部數(shù)據(jù)和信息都被融合到了統(tǒng)一的底層知識(shí)網(wǎng)絡(luò)中。
此時(shí)，我們可以發(fā)現(xiàn)，企業(yè)知識(shí)庫(kù)的信息以及金融監(jiān)督管理局的所有風(fēng)險(xiǎn)數(shù)據(jù)，都會(huì)自動(dòng)融入我們的知識(shí)網(wǎng)絡(luò)，這一過(guò)程是智能構(gòu)建的，無(wú)需人工進(jìn)行數(shù)據(jù)提取、標(biāo)注等任何操作。
我們會(huì)梳理金融監(jiān)督管理局的各項(xiàng)要求，以此判斷具體違反了哪些規(guī)定。針對(duì)不良貸款超標(biāo)的情況，可總結(jié)出可能由兩個(gè)事件原因?qū)е隆?/p>
此時(shí)能夠追溯眾多數(shù)據(jù)源頭展開分析。具體而言，情況分析客戶在更豐富的企業(yè)數(shù)據(jù)圖譜中存在哪些不良交易，或者存在何種風(fēng)險(xiǎn)實(shí)控情況；也包括客戶在企業(yè)數(shù)據(jù)圖譜上，是否有不良交易，以及風(fēng)險(xiǎn)實(shí)控人的擔(dān)保風(fēng)險(xiǎn)狀況。
這些都可以通過(guò)龐大的地下鏈接到一起的知識(shí)網(wǎng)絡(luò)，通過(guò)智能體的大腦去分析所有的原因。
這就是我們展示的一個(gè)關(guān)于智能指標(biāo)的例子。它不再是單純的BI工具套上自然語(yǔ)言的外衣，而是真正地去重構(gòu)了指標(biāo)和BI體系的底層數(shù)據(jù)到知識(shí)的管理架構(gòu)，是智能化高效地建立的知識(shí)體架構(gòu)。
今天我簡(jiǎn)短的分享，是為了表達(dá)：人工智能各種技術(shù)要真正在實(shí)際的企業(yè)或者產(chǎn)業(yè)中落地，并帶來(lái)實(shí)現(xiàn)高價(jià)值場(chǎng)景，絕非依靠單一產(chǎn)品、單一技術(shù)或單一模型就能解決，這是一個(gè)復(fù)雜的、生產(chǎn)層面的問(wèn)題。
只有我們把各種人工智能技術(shù)融合成生態(tài)跟產(chǎn)業(yè)相融合，才能真正地讓我們當(dāng)下都非常癡迷的人工智能技術(shù)的生命力變得更加完全和繁榮。
以上是高雪峰演講內(nèi)容的完整整理。
熱門跟貼