91人妻视频中文字幕,fc2最新共享视频免费

行業(yè)分享丨Data+LLM：AI 在智能制造數(shù)字化轉(zhuǎn)型中的應(yīng)用

澳汰爾 2025-02-28 | 閱讀：126

導(dǎo)讀

隨著數(shù)字化轉(zhuǎn)型在制造企業(yè)中的推廣力度不斷加大,，越來(lái)越多的制造企業(yè)逐漸認(rèn)識(shí)到數(shù)據(jù)在企業(yè)中所發(fā)揮的作用，并開(kāi)始嘗試?yán)脭?shù)據(jù)科學(xué)來(lái)幫助企業(yè)降低成本、提高效率,。最近幾年的推廣過(guò)程中,，我們有一個(gè)非常顯著的感受,，過(guò)去當(dāng)我們向客戶介紹 AI 時(shí),，客戶通常會(huì)表示認(rèn)可其價(jià)值,，但也提到由于各種問(wèn)題,，缺乏數(shù)據(jù),，或沒(méi)有找到合適的應(yīng)用場(chǎng)景。然而,，在最近兩年間,，當(dāng)我們向客戶介紹 AI 時(shí)，大部分客戶的反應(yīng)轉(zhuǎn)變?yōu)榉e極探尋企業(yè)內(nèi)部是否有適合的場(chǎng)景可以應(yīng)用,，并提出是否可以通過(guò) POC 來(lái)評(píng)估效果,。此外，越來(lái)越多的客戶主動(dòng)聯(lián)系我們,，詢問(wèn)公司是否有相關(guān)的 AI 產(chǎn)品,，并表達(dá)了希望通過(guò)這些產(chǎn)品開(kāi)展數(shù)字化轉(zhuǎn)型項(xiàng)目的意愿。這反映了當(dāng)前 AI 在制造企業(yè)中應(yīng)用的趨勢(shì),。

今天的介紹會(huì)圍繞下面幾點(diǎn)展開(kāi)：

1. 數(shù)據(jù)在制造業(yè)中的場(chǎng)景和挑戰(zhàn)

2. AI 案例分享

3. LLM 在企業(yè)應(yīng)用的探索

分享嘉賓｜趙帥 Altair澳汰爾數(shù)據(jù)分析高級(jí)應(yīng)用工程師

編輯整理｜馬同學(xué)

內(nèi)容校對(duì)｜李瑤

出品社區(qū)｜DataFun

數(shù)據(jù)在制造業(yè)中的場(chǎng)景和挑戰(zhàn)

數(shù)據(jù)在制造業(yè)中的應(yīng)用場(chǎng)景眾多,，從產(chǎn)品設(shè)計(jì)到生產(chǎn)制造、設(shè)備維護(hù),，以及產(chǎn)品的售前,、售后中都有相關(guān)應(yīng)用場(chǎng)景。下圖中列出了八類典型場(chǎng)景。例如,，在制造企業(yè)中,，各類設(shè)備普遍存在，如何實(shí)施預(yù)測(cè)性維護(hù)以減少停機(jī)時(shí)間成為關(guān)鍵問(wèn)題之一,。在產(chǎn)品測(cè)試方面,，可以利用機(jī)器學(xué)習(xí)模型部分替代實(shí)驗(yàn)，從而節(jié)省測(cè)試時(shí)間和成本,。此外,，還有對(duì)產(chǎn)品質(zhì)量問(wèn)題的根因分析，以及傳感器數(shù)據(jù)異常檢測(cè)等場(chǎng)景,。這里不再一一詳述每個(gè)場(chǎng)景的具體內(nèi)容,。

數(shù)據(jù)在制造業(yè)的應(yīng)用所面臨的挑戰(zhàn)相較于消費(fèi)互聯(lián)網(wǎng)或金融行業(yè)更為嚴(yán)峻。

首先,，制造業(yè)的數(shù)據(jù)具有高度的多樣性和異構(gòu)性,。與互聯(lián)網(wǎng)企業(yè)通過(guò)簡(jiǎn)單添加幾行代碼設(shè)置一些埋點(diǎn)即可輕松獲取數(shù)據(jù)不同，制造業(yè)中的每條生產(chǎn)線設(shè)備各異,，供應(yīng)商不同,，數(shù)據(jù)接口也不統(tǒng)一，這使得數(shù)據(jù)收集成為一項(xiàng)艱巨的任務(wù),。當(dāng)然目前大多數(shù)制造企業(yè)已經(jīng)建立了數(shù)據(jù)中臺(tái)或數(shù)據(jù)倉(cāng)庫(kù),，解決了大部分?jǐn)?shù)據(jù)采集的問(wèn)題。

其次,，制造業(yè)從業(yè)人員大多為傳統(tǒng)學(xué)科工程師,，缺乏數(shù)據(jù)專業(yè)背景。雖然他們是行業(yè)專家,，對(duì)業(yè)務(wù)問(wèn)題非常熟悉,，但在將業(yè)務(wù)問(wèn)題轉(zhuǎn)化為數(shù)據(jù)問(wèn)題時(shí)，中間還是存在一定的斷層,。

第三,，數(shù)據(jù)安全性是另一大挑戰(zhàn)。制造企業(yè)需要挖掘的數(shù)據(jù)通常涉及企業(yè)的核心機(jī)密,，如配方和生產(chǎn)工藝等敏感信息,，因此他們往往不愿意將這些數(shù)據(jù)提供給第三方公司進(jìn)行分析。

最后,，制造業(yè)場(chǎng)景難以復(fù)制,。例如，在一家企業(yè)成功實(shí)施節(jié)能減排項(xiàng)目后,，當(dāng)嘗試在另一家企業(yè)推廣時(shí),，由于設(shè)備差異等因素,，之前建立的模型和數(shù)據(jù)分析結(jié)果可能無(wú)法直接復(fù)用，需要從頭開(kāi)始,。這種場(chǎng)景的高度定制化特性增加了項(xiàng)目的復(fù)雜性和成本,。

因此在制造企業(yè)內(nèi)部推進(jìn)數(shù)字化轉(zhuǎn)型項(xiàng)目時(shí)，乙方公司需要提供一個(gè)完整的數(shù)據(jù)平臺(tái),，來(lái)解決上述挑戰(zhàn),。

首先是集成多源異構(gòu)的數(shù)據(jù)，這一步驟大部分企業(yè)的數(shù)據(jù)中臺(tái)已具備相應(yīng)能力,。

其次,，平臺(tái)需提供制造企業(yè)所欠缺的數(shù)據(jù)科學(xué)能力，通過(guò)簡(jiǎn)單易用的軟件工具快速培訓(xùn)企業(yè)內(nèi)部的業(yè)務(wù)專家,，使他們能夠自行操作,，而無(wú)需將數(shù)據(jù)外發(fā)給第三方公司進(jìn)行分析。這是針對(duì)前面提到的第二和第三項(xiàng)挑戰(zhàn),。

第四,，針對(duì)制造企業(yè)內(nèi)部應(yīng)用場(chǎng)景繁多的情況，只有當(dāng)企業(yè)自身的專家掌握了數(shù)據(jù)科學(xué)的能力,，并借助平臺(tái)的支持,，才能迅速實(shí)現(xiàn)數(shù)據(jù)應(yīng)用的構(gòu)建。

下圖展示的是 Altair RapidMiner 企業(yè)級(jí)人工智能平臺(tái)的架構(gòu)圖,。該平臺(tái)分為兩層：底層是數(shù)據(jù)編織平臺(tái),，支持用戶集成來(lái)自各種來(lái)源的數(shù)據(jù)，并配備了一個(gè)高性能自研圖數(shù)據(jù)庫(kù),，用于大數(shù)據(jù)的存儲(chǔ)和查詢,。在數(shù)據(jù)編織平臺(tái)之上，是全可視化操作的機(jī)器學(xué)習(xí)平臺(tái),，方便用戶進(jìn)行建模操作,。

以下是數(shù)據(jù)編制的流程圖,，該流程分為四個(gè)步驟：數(shù)據(jù)加載,、模型構(gòu)建、模型融合和最終的數(shù)據(jù)訪問(wèn),。我們能夠迅速將企業(yè)內(nèi)部的結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為知識(shí)圖譜,，并存儲(chǔ)于圖數(shù)據(jù)庫(kù)中。接下來(lái),，企業(yè)內(nèi)部大模型能夠非常方便的利用知識(shí)圖譜中的數(shù)據(jù)作為外掛數(shù)據(jù),，實(shí)現(xiàn)大模型對(duì)企業(yè)內(nèi)部數(shù)據(jù)的有效利用和快速訪問(wèn)，為企業(yè)提供強(qiáng)有力的支持,。

我們的機(jī)器學(xué)習(xí)平臺(tái)在 2024 年 6 月的 Gartner 數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)魔力象限中,，位于領(lǐng)導(dǎo)者象限。這一成績(jī)體現(xiàn)了我們?cè)谠擃I(lǐng)域的卓越表現(xiàn)和領(lǐng)先地位。

AI 案例分享

接下來(lái),，將分享過(guò)去一兩年中為制造業(yè)企業(yè)用戶落地的一些 AI 應(yīng)用案例,。

1. 行人頭碰損傷預(yù)測(cè)

第一個(gè)案例是行人頭碰損傷預(yù)測(cè)，這一應(yīng)用與模擬仿真業(yè)務(wù)緊密結(jié)合,。在汽車上市前,，需要進(jìn)行多種碰撞測(cè)試，包括行人頭部,、大腿和小腿的碰撞實(shí)驗(yàn),。我們通過(guò)AI技術(shù)，能夠更精確地預(yù)測(cè)這些碰撞對(duì)行人的潛在損傷,。以下是三張圖示,，分別展示了頭部碰撞、大腿碰撞和小腿碰撞的模擬情景,。這些圖示有助于進(jìn)一步說(shuō)明該應(yīng)用的具體實(shí)施方式,。

其中，頭部碰撞是這三個(gè)場(chǎng)景中最為關(guān)鍵的實(shí)驗(yàn),。右側(cè)展示了一張汽車前引擎蓋的圖示,。首先，我們將前引擎蓋劃分為多個(gè)區(qū)域,，然后測(cè)試當(dāng)行人的頭部碰撞到這些區(qū)域時(shí)所受到的傷害值,。在右下角有一張?jiān)u分表，如果某區(qū)域的傷害值超過(guò) 1,700,，則該區(qū)域會(huì)被標(biāo)記為紅色,，并且評(píng)分為 0。

完成對(duì)所有區(qū)域的碰撞測(cè)試后,，我們會(huì)對(duì)整個(gè)引擎蓋進(jìn)行綜合評(píng)價(jià),，以確定車輛是否符合行人頭部碰撞的標(biāo)準(zhǔn)。如果不符合標(biāo)準(zhǔn),，則需要重新設(shè)計(jì)引擎蓋或調(diào)整發(fā)動(dòng)機(jī)艙內(nèi)部布局,，然后再次進(jìn)行實(shí)驗(yàn)，直至滿足要求為止,，確保車輛可以正常上市銷售,。這一過(guò)程確保了汽車在安全性方面的高標(biāo)準(zhǔn)。

在傳統(tǒng)方法中,，首先使用模擬仿真軟件生成一個(gè)模擬人頭部的橢圓形物體,。對(duì)于兒童，該物體的重量設(shè)置為 3.5 公斤,；對(duì)于成人,，則設(shè)置為 4.5 公斤,。該物體將以 35 公里每小時(shí)的速度撞擊汽車前引擎蓋。右側(cè)展示的是在模擬仿真軟件中進(jìn)行仿真的動(dòng)畫示例,，顯示頭部不斷碰撞到不同區(qū)域,，并計(jì)算所受到的傷害值。這一過(guò)程通常需要兩到四周才能完成整個(gè)工作流程,。

部分客戶希望利用其歷史上的車型模擬仿真數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型,，以便在新車輛設(shè)計(jì)時(shí)能夠快速預(yù)測(cè)頭部損傷標(biāo)準(zhǔn)（HIC）值，而無(wú)需等待兩到四周的模擬仿真結(jié)果,。通過(guò)機(jī)器學(xué)習(xí)模型,，可以在大約三到五秒內(nèi)獲得不同區(qū)域的 HIC 值，從而快速迭代設(shè)計(jì),。當(dāng)然,，前提是預(yù)測(cè)出的 HIC 值與實(shí)際情況之間的誤差在可接受范圍內(nèi)。

我們使用的模型基于以下參數(shù)構(gòu)建：例如引擎蓋的長(zhǎng)度,、寬度,、角度、厚度及其材料屬性（如屈服強(qiáng)度和延伸率）,。關(guān)鍵參數(shù)包括引擎蓋外層和內(nèi)層之間的間隙,，以及引擎蓋內(nèi)部的發(fā)動(dòng)機(jī)、電池或其他剛性零件的位置,。如果引擎蓋與這些剛性點(diǎn)之間的間隙較小,，則撞擊該區(qū)域時(shí)的傷害值會(huì)顯著增加，這也是一個(gè)重要的考量因素,。

提取上述參數(shù)作為模型輸入變量,，并將歷史上模擬仿真計(jì)算出的各區(qū)域 HIC 值作為輸出變量，以此構(gòu)建我們的機(jī)器學(xué)習(xí)模型,。這樣可以有效提升設(shè)計(jì)效率和安全性評(píng)估的準(zhǔn)確性,。

接下來(lái)將展示如何在 RapidMiner 平臺(tái)中，利用已提取的仿真數(shù)據(jù),，通過(guò)拖拽方式構(gòu)建機(jī)器學(xué)習(xí)流程,。

首先進(jìn)行數(shù)據(jù)質(zhì)量檢驗(yàn)，包括多重共線性檢驗(yàn)和對(duì)齊視圖等步驟,。然后選擇我們要預(yù)測(cè)的目標(biāo)變量,，即 HIC 值,，并按照 7:3 的比例拆分訓(xùn)練集和測(cè)試集,。在此基礎(chǔ)上，我們應(yīng)用 XGBoost 算法來(lái)擬合數(shù)據(jù),，并生成模型評(píng)價(jià)指標(biāo),。

使用新數(shù)據(jù)進(jìn)行 HIC 值預(yù)測(cè)時(shí),，同時(shí)進(jìn)行自變量?jī)?yōu)化。運(yùn)行流程后,，通過(guò)模型評(píng)價(jià)指標(biāo)可以觀察到均方根誤差（RMSE）和相對(duì)誤差（RE）表現(xiàn)良好,。此外，我們還檢查了實(shí)際值與預(yù)測(cè)值的擬合曲線,，發(fā)現(xiàn)擬合度非常高,。這使得在后續(xù)的新車碰撞測(cè)試中，可以直接利用該模型快速預(yù)測(cè) HIC 值,。

可以看到,，我們構(gòu)建的模型預(yù)測(cè)出的 HIC 值相對(duì)誤差較小，通常保持在 10% 以下,。這意味著用戶可以在一定程度上用我們預(yù)測(cè)的 HIC 值替代傳統(tǒng)的模擬仿真結(jié)果,，從而迅速獲得設(shè)計(jì)階段的 HIC 值預(yù)測(cè)結(jié)果。

2. 包裝的紙箱抗壓預(yù)測(cè)

第二個(gè)案例涉及為包裝行業(yè)構(gòu)建紙箱抗壓性能的預(yù)測(cè)模型,。如今,，消費(fèi)者大多通過(guò)網(wǎng)絡(luò)購(gòu)買各種商品，通常使用瓦楞紙箱進(jìn)行包裝,。對(duì)于這些瓦楞紙箱而言,，關(guān)鍵要素之一是其能夠承受多大的壓力，尤其是在堆疊過(guò)程中,，確保內(nèi)部物品不受損壞,。

傳統(tǒng)流程為，客戶提出具體需求,，例如要求瓦楞紙箱尺寸為長(zhǎng) 200 毫米,、高 150 毫米、寬 300 毫米,，并要求其抗壓強(qiáng)度達(dá)到 1500 牛頓,。廠商根據(jù)以往經(jīng)驗(yàn)設(shè)計(jì)紙箱后，需進(jìn)行實(shí)際測(cè)試,。然而,，這種測(cè)試不僅耗時(shí)，而且如果未能滿足客戶需求,，則需要反復(fù)修改設(shè)計(jì)并重新測(cè)試,。

鑒于客戶擁有大量歷史臺(tái)架測(cè)試數(shù)據(jù)，我們利用這些數(shù)據(jù)構(gòu)建了一個(gè)預(yù)測(cè)模型,。下圖中展示了一張包含歷史數(shù)據(jù)的表格,，其中列出了紙箱的長(zhǎng)、寬,、高以及瓦楞層數(shù),、波形類型,、厚度、克重等參數(shù),，這些參數(shù)對(duì)瓦楞紙箱的抗壓性能有顯著影響,。基于這些輸入變量和歷史抗壓性數(shù)據(jù),，我們構(gòu)建了相應(yīng)的模型,。

例如，當(dāng)客戶提出新的需求,，如尺寸為長(zhǎng) 350 毫米,、寬 150 毫米、高 300 毫米,，且抗壓性能要求達(dá)到 1600 牛頓時(shí),，我們可以利用該模型快速預(yù)測(cè)所需的瓦楞層數(shù)、波形類型及其他相關(guān)參數(shù),。如果預(yù)測(cè)結(jié)果未達(dá)到 1600 牛頓的要求,，我們可以通過(guò)調(diào)整參數(shù)來(lái)優(yōu)化設(shè)計(jì)。之后,，再通過(guò)實(shí)驗(yàn)驗(yàn)證模型的預(yù)測(cè)結(jié)果,，從而節(jié)省客戶的臺(tái)架測(cè)試時(shí)間和成本。

這一案例展示了如何利用歷史數(shù)據(jù)和機(jī)器學(xué)習(xí)模型,，在設(shè)計(jì)階段快速預(yù)測(cè)和優(yōu)化瓦楞紙箱的抗壓性能,，減少實(shí)際測(cè)試的需求，提高設(shè)計(jì)效率,。

3. 節(jié)能減排

第三個(gè)案例是幫助某制造企業(yè)實(shí)現(xiàn)節(jié)能減排,。企業(yè)面臨高昂的電力消耗，希望通過(guò)應(yīng)用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法來(lái)制定合理的節(jié)能措施,。

客戶需求為根據(jù)生產(chǎn)量調(diào)整冷水機(jī)的運(yùn)行策略,，當(dāng)生產(chǎn)量大時(shí)，多開(kāi),，反之則少開(kāi),。首先要根據(jù)排產(chǎn)量計(jì)算出所需的制冷量，再根據(jù)冷水機(jī)的能耗曲線,，制定出不同冷水機(jī)的運(yùn)行策略,。

用戶提供的冷水機(jī)數(shù)據(jù)包括：進(jìn)出水溫度、能耗,、天氣溫度,、產(chǎn)能，以及冷水機(jī)的能效曲線等?；谶@些數(shù)據(jù),，構(gòu)建了預(yù)測(cè)模型,，根據(jù)預(yù)測(cè)結(jié)果即可制定冷水機(jī)的運(yùn)行策略,。這樣在不增加硬件和系統(tǒng)改造的情況下，每年可以幫助用戶節(jié)省 10% 的電耗,。

4. 客訴風(fēng)險(xiǎn)預(yù)測(cè)

第四個(gè)案例是幫助客戶減少客訴,。客戶業(yè)務(wù)為兒童牙齒矯正,，部分兒童在佩戴矯正器后會(huì)經(jīng)歷疼痛和不適,，繼而進(jìn)行投訴?？蛻粝Ｍ?AI 技術(shù),，基于診斷階段的 CT 檢測(cè)報(bào)告數(shù)據(jù)，預(yù)測(cè)可能出現(xiàn)的投訴風(fēng)險(xiǎn),，從而及時(shí)調(diào)整矯正器,，確保患者佩戴舒適,。

通過(guò)對(duì)歷史客訴部位與 CT 報(bào)告之間的關(guān)聯(lián)進(jìn)行建模,，利用 AI 預(yù)測(cè)，使上頜舌側(cè)預(yù)測(cè)正確率達(dá)到了 87%,，同比客訴下降 60%,。

5. 質(zhì)檢檢測(cè)

下面介紹的案例是使用圖像識(shí)別技術(shù)幫助客戶檢測(cè)生產(chǎn)線上零件表面的缺陷，這一應(yīng)用廣泛存在于制造行業(yè)中,。我們的軟件提供了一套完整的圖片標(biāo)記處理和模型構(gòu)建流程,。

客戶可以對(duì)圖片數(shù)據(jù)進(jìn)行標(biāo)注，例如標(biāo)識(shí)出哪些區(qū)域存在針孔,、油污或劃痕等問(wèn)題,。基于這些標(biāo)注的圖片,，我們可以訓(xùn)練出相應(yīng)的圖像識(shí)別算法,。當(dāng)有新的零件進(jìn)入時(shí)，該算法能夠快速識(shí)別圖片中的缺陷區(qū)域,，識(shí)別準(zhǔn)確率可達(dá) 99% 以上,。通過(guò)這種 AI 方式，客戶可以高效實(shí)現(xiàn)對(duì)其零件質(zhì)量的檢測(cè),。

LLM 在企業(yè)應(yīng)用的探索

下面介紹我們?cè)谄髽I(yè)內(nèi)部應(yīng)用大型模型所做的一些探索和解決方案,。

自 2022 年 11 月 OpenAI 發(fā)布了全球首個(gè)大型模型 ChatGPT 以來(lái)，生成式 AI 已成為全球熱門話題,。大型模型究竟在哪些方面帶來(lái)了技術(shù)上的提升和能力的增強(qiáng)呢,？主要有以下三個(gè)方向：

大語(yǔ)言的理解和生成能力：在大型語(yǔ)言模型出現(xiàn)之前,，對(duì)話機(jī)器人對(duì)自然語(yǔ)言的理解并不完善?；?Transformer 架構(gòu)的大型模型在這方面取得了顯著進(jìn)展,，特別是在高效理解和生成復(fù)雜的自然對(duì)話語(yǔ)言上表現(xiàn)尤為突出。
處理和理解長(zhǎng)依賴距離的上下文信息：這意味著大型模型能夠更好地理解對(duì)話中更為復(fù)雜的概念和想法,。它可以捕捉到更長(zhǎng)距離的上下文依賴關(guān)系,，從而更準(zhǔn)確地理解用戶意圖。
多模態(tài)處理能力：除了文本數(shù)據(jù),，大型模型還具備處理語(yǔ)音和圖像的能力,，并能將不同模態(tài)的信息進(jìn)行整合。這使得它們不僅限于文本處理,，還能跨多種數(shù)據(jù)類型提供綜合分析和支持,。

接下來(lái)介紹企業(yè)應(yīng)用大模型的一些常見(jiàn)方法。

第一個(gè)方法是模型的微調(diào),，即對(duì)大型模型的參數(shù)進(jìn)行重新訓(xùn)練,。這可以分為全參數(shù)微調(diào)和高效微調(diào)兩種方式。高效微調(diào)有許多方法,，例如 LoRA（Low-Rank Adaptation）方法,，可以通過(guò)在模型的關(guān)鍵層之間添加旁路，減少所需的訓(xùn)練參數(shù)總量,。然而,，使用企業(yè)內(nèi)部數(shù)據(jù)對(duì)大型模型進(jìn)行微調(diào)仍面臨諸多挑戰(zhàn)：

計(jì)算資源消耗：即使是小規(guī)模的微調(diào)，也需要大量的計(jì)算資源和時(shí)間,。

回答準(zhǔn)確性問(wèn)題：即使經(jīng)過(guò)微調(diào),，大型模型在回答問(wèn)題時(shí)仍可能出現(xiàn)錯(cuò)誤，或者看似正確的回答實(shí)際上并不符合企業(yè)內(nèi)部數(shù)據(jù)的真實(shí)情況,。這種現(xiàn)象被稱為“幻覺(jué)效應(yīng)”,。

數(shù)據(jù)滯后性：企業(yè)內(nèi)部的數(shù)據(jù)不斷更新，尤其是訂單數(shù)據(jù)等關(guān)鍵信息,。頻繁地使用新數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)并不現(xiàn)實(shí),。通常情況下，企業(yè)每月能夠?qū)δＰ瓦M(jìn)行一次微調(diào)已屬難得,，這意味著模型中的數(shù)據(jù)會(huì)存在一定的滯后性,。

技能要求高：一般制造企業(yè)不具備擁有模型微調(diào)技能的專業(yè)人員，因此這種方法并不適合大多數(shù)制造企業(yè),。

因此,，盡管模型微調(diào)能夠提升大型模型對(duì)企業(yè)特定數(shù)據(jù)的理解和生成能力，但由于計(jì)算資源需求大、回答準(zhǔn)確性問(wèn)題,、數(shù)據(jù)滯后性和技能要求高等因素,，這種方法在實(shí)際應(yīng)用中面臨諸多挑戰(zhàn)，并不適合大多數(shù)制造企業(yè),。企業(yè)應(yīng)根據(jù)自身情況選擇更為合適的解決方案,。

第二種方法是檢索增強(qiáng)生成（RAG）方式，這是目前最常用的方法之一,。簡(jiǎn)單來(lái)說(shuō),，這種方法不需要大型模型直接擁有企業(yè)內(nèi)部的數(shù)據(jù),，而是通過(guò) RAG 方式將數(shù)據(jù)外掛于模型之外,。

具體流程如下：

數(shù)據(jù)預(yù)處理：首先，我們將文本數(shù)據(jù)進(jìn)行切片,，并將其向量化,，構(gòu)建索引后存儲(chǔ)在向量數(shù)據(jù)庫(kù)中，以便后續(xù)用于問(wèn)答檢索,。
用戶查詢處理：當(dāng)用戶輸入查詢或問(wèn)題時(shí),，大型模型會(huì)在向量數(shù)據(jù)庫(kù)中搜索與用戶查詢最相關(guān)的文檔片段。
結(jié)果匯總與整理：模型會(huì)返回最相關(guān)的前五個(gè)文檔片段,?；谶@些內(nèi)容，模型進(jìn)一步匯總和整理信息,，最終生成回答以響應(yīng)用戶的查詢,。

通過(guò)這種方式，大模型可以高效地利用外部數(shù)據(jù),，而無(wú)需直接存儲(chǔ)和處理企業(yè)內(nèi)部的具體數(shù)據(jù),。這不僅減少了對(duì)計(jì)算資源的需求，還提高了回答的準(zhǔn)確性和相關(guān)性,。

RAG（檢索增強(qiáng)生成）方法在處理文檔數(shù)據(jù)方面表現(xiàn)出色,，但對(duì)于結(jié)構(gòu)化表格數(shù)據(jù)的支持相對(duì)不足，尤其是對(duì)市面上大多數(shù)關(guān)系型數(shù)據(jù)庫(kù)的支持較為有限,。因此,，盡管 RAG 在文本處理上表現(xiàn)良好，但在處理結(jié)構(gòu)化數(shù)據(jù)時(shí)存在一定的局限性,。而結(jié)構(gòu)化數(shù)據(jù)往往是企業(yè)內(nèi)部最核心,、最有價(jià)值的數(shù)據(jù)。

為了應(yīng)對(duì)大模型在回答結(jié)構(gòu)化數(shù)據(jù)場(chǎng)景中的挑戰(zhàn),，目前有一種稱為“Text-to-SQL”的技術(shù),。該技術(shù)并不是新技術(shù)，其主要功能是將用戶的自然語(yǔ)言問(wèn)題轉(zhuǎn)換為針對(duì)關(guān)系型數(shù)據(jù)庫(kù)的查詢語(yǔ)句（通常是 SQL）。通過(guò)這種方法,，從數(shù)據(jù)庫(kù)中查詢回來(lái)的數(shù)據(jù)通常是非常精確且無(wú)誤的,。前提是生成的 SQL 查詢必須有效，并能夠準(zhǔn)確獲取用戶所需的數(shù)據(jù),。當(dāng)數(shù)據(jù)查詢返回后,，大型模型可以基于這些數(shù)據(jù)進(jìn)行總結(jié)或歸納，從而精準(zhǔn)地回答用戶的問(wèn)題,，避免產(chǎn)生任何幻覺(jué)問(wèn)題,。

然而，Text-to-SQL 本身也存在一些問(wèn)題,。例如,，數(shù)據(jù)庫(kù)中的表和字段名稱可能不具備業(yè)務(wù)上的含義。比如,，一個(gè)字段在業(yè)務(wù)上被稱為“客戶”,，但在數(shù)據(jù)庫(kù)中存儲(chǔ)的 ID 可能是“dimension_customer”。因此,，在將自然語(yǔ)言轉(zhuǎn)換為 SQL 查詢時(shí),，仍需進(jìn)行語(yǔ)義到數(shù)據(jù)庫(kù)字段的轉(zhuǎn)換，這一轉(zhuǎn)換過(guò)程的準(zhǔn)確性直接影響到查詢結(jié)果是否符合用戶需求,。

如果能基于一個(gè)本身就包含數(shù)據(jù)業(yè)務(wù)語(yǔ)義的數(shù)據(jù)庫(kù)進(jìn)行查詢,，那么這一轉(zhuǎn)換步驟就可以省去，從而提高查詢的精確度,。為此,，我們使用了一種稱為“Text-to-Sparql”的方法。Sparql 是一種用于圖數(shù)據(jù)庫(kù)查詢的語(yǔ)言,。我們將企業(yè)內(nèi)部的結(jié)構(gòu)化數(shù)據(jù)生成知識(shí)圖譜,，并存儲(chǔ)于圖數(shù)據(jù)庫(kù)中。這樣,，當(dāng)大型模型對(duì)關(guān)系型數(shù)據(jù)進(jìn)行查詢時(shí),，就不需要再進(jìn)行業(yè)務(wù)語(yǔ)義到字段查詢的轉(zhuǎn)換，因?yàn)閳D數(shù)據(jù)庫(kù)中的數(shù)據(jù)已經(jīng)包含了業(yè)務(wù)含義,。

我們基于大型模型結(jié)合圖數(shù)據(jù)庫(kù)或知識(shí)圖譜的檢索方式,，推出了自己的大模型應(yīng)用——Altair Copilot。以下是 Altair Copilot 在企業(yè)內(nèi)部應(yīng)用的框架圖示,。

我們的目標(biāo)是解決以下問(wèn)題：首先將企業(yè)內(nèi)部的數(shù)據(jù)轉(zhuǎn)換為知識(shí)圖譜,，然后使用大型模型對(duì)知識(shí)圖譜中的數(shù)據(jù)進(jìn)行查詢。這樣可以實(shí)現(xiàn)對(duì)企業(yè)內(nèi)部結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的有效查詢,。此外,，在某些場(chǎng)景中,，我們還可以查詢以往構(gòu)建的機(jī)器學(xué)習(xí)小模型，并調(diào)用這些模型以獲得對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè)結(jié)果,，例如銷量預(yù)測(cè)或其他相關(guān)模型的結(jié)果,。

通過(guò)這一架構(gòu)，Altair Copilot 不僅能夠高效處理企業(yè)內(nèi)部的復(fù)雜數(shù)據(jù),，還能結(jié)合歷史模型的預(yù)測(cè)能力,，為企業(yè)提供更加精準(zhǔn)和有價(jià)值的洞察。

再回到大模型結(jié)合知識(shí)圖譜本身來(lái)說(shuō),，從技術(shù)層面上看,，大模型和知識(shí)圖譜是如何結(jié)合以回答用戶的自然語(yǔ)言問(wèn)題的呢？我們繪制了一個(gè)流程圖來(lái)展示這一過(guò)程,。

當(dāng)用戶提出一個(gè)問(wèn)題時(shí),，大模型首先會(huì)對(duì)問(wèn)題進(jìn)行自然語(yǔ)言處理，分析出問(wèn)題中的關(guān)鍵點(diǎn),，包括主體數(shù)據(jù)及其相互關(guān)系,。例如,，在某個(gè)問(wèn)題中可能涉及供應(yīng)商（supplier）,、分發(fā)中心（distribution center）和國(guó)家（country）等主體，同時(shí)還可能包含一些附加條件,，如評(píng)分需高于 0.7,。

知識(shí)圖譜在回答這類問(wèn)題時(shí)的核心優(yōu)勢(shì)在于其使用自然語(yǔ)言描述數(shù)據(jù)實(shí)體及其關(guān)系的能力。參考下圖,，供應(yīng)商,、國(guó)家及其范圍等信息是以實(shí)體的形式存儲(chǔ)在圖數(shù)據(jù)庫(kù)中的。因此,，大模型能夠較為簡(jiǎn)單地將用戶的自然語(yǔ)言轉(zhuǎn)換為對(duì)知識(shí)圖譜的查詢,。

接下來(lái)，大模型生成一個(gè) Sparql 查詢語(yǔ)句,，用于圖數(shù)據(jù)庫(kù)的檢索,。如果仔細(xì)觀察這個(gè)查詢語(yǔ)句，可以看到其中的供應(yīng)商,、國(guó)家及范圍等元素與用戶自然語(yǔ)言描述的內(nèi)容基本匹配,。這種方式顯著減少了大模型生成 Sparql 查詢語(yǔ)句的錯(cuò)誤率，使得查詢結(jié)果更加準(zhǔn)確可靠,。

一旦 Sparql 查詢完成,，返回的結(jié)果一定是精確無(wú)誤的數(shù)據(jù)。大模型基于這些查詢結(jié)果,，進(jìn)一步整理和處理上下文信息,，最終回答用戶的問(wèn)題,。通過(guò)這種知識(shí)圖譜外掛的方式，大模型能夠高效生成針對(duì)圖數(shù)據(jù)庫(kù)的精準(zhǔn)查詢,，并有效解決幻覺(jué)問(wèn)題,。

最后，我們使用 Altair Copilot 完成了一個(gè)結(jié)構(gòu)化數(shù)據(jù)查詢的案例,。在底層數(shù)據(jù)或知識(shí)圖譜數(shù)據(jù)中，包含了銷售數(shù)據(jù)（如銷量,、時(shí)間,、客戶等信息）和產(chǎn)品主數(shù)據(jù)（如產(chǎn)品的泵表數(shù)據(jù),，即產(chǎn)品由哪些零件組成）。此外,，還加入了物聯(lián)網(wǎng)傳感數(shù)據(jù)，例如在一個(gè)水管演示案例中,，水管上的傳感器記錄了壓力和溫度等數(shù)據(jù)。

通過(guò)大模型或 AltairCopilot,，用戶可以對(duì)這些數(shù)據(jù)進(jìn)行查詢。以下是一個(gè)簡(jiǎn)短的演示：

首先,，選擇底層圖數(shù)據(jù)庫(kù)中的某個(gè)數(shù)據(jù)集,，這里選擇的是水管的數(shù)據(jù),。我們可以詢問(wèn)大模型底層圖數(shù)據(jù)庫(kù)包含哪些數(shù)據(jù)類型,，例如訂單,、水管泵表數(shù)據(jù)或傳感器數(shù)據(jù),。然后,，進(jìn)一步查詢特定水管的主數(shù)據(jù),。例如,，查詢編號(hào)為 TA001 的水管的相關(guān)主數(shù)據(jù)，如長(zhǎng)度和彎管數(shù)量,。

接下來(lái),，可以繼續(xù)查詢?cè)撍艿谋帽頂?shù)據(jù)，得知它由兩個(gè)零件組成,。還可以切換到銷售訂單數(shù)據(jù)的查詢，顯示銷售訂單的明細(xì)數(shù)據(jù),。如果返回的數(shù)據(jù)量過(guò)大，大模型會(huì)提示需要進(jìn)行匯總或選擇部分?jǐn)?shù)據(jù)展示,。我們可以按產(chǎn)品名稱匯總,，并僅返回前 30 條數(shù)據(jù),。

如果表格形式不夠直觀，可以直接要求大模型將數(shù)據(jù)可視化為柱狀圖,。如果發(fā)現(xiàn)圖表中缺少某些關(guān)鍵信息（如銷售數(shù)量），可以進(jìn)一步指示大模型將其添加到圖形上,。

對(duì)于物聯(lián)網(wǎng)數(shù)據(jù),，由于其通常包含大量記錄，建議先設(shè)定限制條件以減少返回的數(shù)據(jù)量,。例如，隨機(jī)選擇 10 個(gè)傳感器的水管 ID,。選定特定水管（如 TA0014）后,，可以進(jìn)一步查詢其傳感器的具體檢測(cè)數(shù)據(jù)（如壓力和溫度）,，并帶上時(shí)間戳。

這些傳感器數(shù)據(jù)也可以轉(zhuǎn)換為折線圖進(jìn)行可視化展示,。

整個(gè)演示展示了基于圖數(shù)據(jù)庫(kù)或知識(shí)圖譜結(jié)合大模型,，如何通過(guò)對(duì)話方式實(shí)現(xiàn)對(duì)企業(yè)內(nèi)部結(jié)構(gòu)化數(shù)據(jù)的查詢和可視化。這在很大程度上能夠替代現(xiàn)有的 BI 報(bào)表,，滿足客戶的實(shí)時(shí)BI需求或?qū)崟r(shí)數(shù)據(jù)可視化需求,。未來(lái)，大部分 BI 報(bào)表可能會(huì)被這種對(duì)話式的數(shù)據(jù)查詢和可視化方式所取代,。

以上就是對(duì)企業(yè)大模型解決方案的介紹,，如果您對(duì) RapidMiner 產(chǎn)品感興趣，可以掃描二維碼,，申請(qǐng)?jiān)囉谩Ｎ覀儗⒂袑ｉT人員與您聯(lián)系,，為您提供相關(guān)的試用服務(wù)。以上就是本次分享的內(nèi)容,，謝謝大家。

相關(guān)產(chǎn)品