面临挑战
立臻科技具备业界领先的工厂智能化建设和领先的科技人才队伍，目前公司已经具备完善的数据平台并已落地大量智能化场景，在制造业中企业中，具备领先的数智化发展水平。公司目标是能够借助大模型的发展，能够全面利用已沉淀的结构化和非结构化数据，改变过去点状落地智能化场景的方式，希望能够体系化全面落地智能化能力，全面提升智慧工厂建设，不断提升公司的智能化竞争力。
1.面对当前企业面临的多重挑战，首先需要深入分析和解决的是员工管理方面的困难。
随着企业规模和厂区扩大，员工管理难度显著增加。即便是细微的管理失误，也可能导致员工离职，从而直接影响到生产排产计划的执行效率和稳定性。这种影响不仅仅限于人力资源的重新招聘和培训成本，更涉及到生产线的稳定性和运行效率。因此，有效的员工管理和保持员工稳定是当前企业急需解决的首要问题之一。
其次，随着企业规模的扩大，管理成本也呈现出线性增长的趋势。这不仅包括人力资源管理的成本，还涉及到管理工具和系统的投入成本。传统的管理方式往往无法有效应对规模扩大带来的管理挑战，需要引入更为智能化和系统化的管理解决方案，以降低管理成本，提升管理效率和准确性。
此外，企业在员工个性化需求满足方面面临的问题也不容忽视。现有系统往往缺乏足够的灵活性和个性化定制功能，难以有效地满足员工多样化的需求。特别是一线作业工人文化水平不高，对于普通IT系统的操作和利用能力有所限制，需要更加简化和智能化的系统设计，使其能够轻松适应员工的操作习惯和能力水平。
2.面对制造业的多模态数据分析挑战，企业面临着复杂的数据处理问题。
制造业中产生的数据通常是多模态的，包括非结构化和半结构化数据，这些数据的分析与决策支持仍处于早期阶段。传统的数据分析方法可能无法有效地整合和分析这些多样化的数据类型，导致信息孤立和决策效率低下。特别是在生产过程中，涉及到从设备传感器收集的实时数据到质量控制记录，再到供应链管理中的物流数据，这些数据来源广泛且类型不一，如何实现数据的统一管理和分析成为制造业面临的重要挑战之一。缺乏有效的数据分析和决策支持系统，企业难以从这些数据中准确提取有价值的信息，并据此进行即时的生产优化和战略调整。
通过大模型帮助企业获得高质量数据后，进一步就是如何利用大模型对通用知识的理解能力，配合专有制造业模型对特定场景垂直的推理能力，让大模型结合业务场景、系统需要自主的选择合适的小模型，充分发挥各自的优势，提升系统整体决策的能力。
解决方案
1.知识解析与术语理解
在制造业的实施中，知识解析和黑话理解是关键的技术支持。通过将文档结构解析为图谱结构，大模型能够更好地理解文档中的关联性知识上下文。这种技术不仅提升了回答准确率，还能够快速提取和理解复杂的制造业术语和企业内部用语。本项目采用了统一语义层增强的多模态知识融合技术，将结构化数据和非结构化数据进行融合，构建了一个统一的语义层。这个语义层能够理解并关联不同类型的数据，从而在回答问题时提供更加精准和全面的信息。通过构建语义关联拓扑，可以在设备类型、生产商和文档信息之间建立紧密的联系，确保每个回答都基于最相关和最新的知识。
2.智能问数技术
通过理解自然语言查询并将其转换为SQL查询语句，极大地提高了从数据库中提取信息的效率。使用统一语义层的方式，将多模态异构数据源的元数据进行集中管理，帮助大模型更好的理解不同业务含义所对应的元数据信息，同时通过动态提示词的方式，将特有的业务含义及其思维链放到大模型的记忆系统中，使之可以更灵活的满足不同业务场景对查数、取数、分析的需求。这项技术不仅减少了人工编写查询语句的时间和劳动，而且降低了技术门槛，使得非技术人员也能通过自然语言与数据库进行交互。这促进了数据分析的民主化，并支持企业更快地获取数据支持，做出更加精准和及时的决策。
3.智能工具调用技术（大模型调小模型）
通过理解自然语言描述的需求或指令，并将其转换为相应的工具调用（小模型服务），实现了业务流程的自动化和用户友好的交互体验。这项技术有助于提升用户体验，因为它允许用户通过自然语言与应用程序交互，而无需学习复杂的操作流程或API使用方式。同时，它也为企业提供了一个创新服务模式，通过开发基于自然语言的接口服务，增强了企业的竞争力。
4.企业级权限控制
在多厂区、多级别和不同角色的用户环境中，权限控制是必不可少的。系统根据用户的角色和权限，提供定制化的答案，确保用户能够无感知地获取符合其权限范围内的知识。例如，高级别管理人员可以获取更深层次的企业战略信息，而现场工作人员则能够获得与其操作任务相关的实用信息，从而有效支持各级别人员的决策和操作。
5.混合LLM使用，兼顾推理能力与企业数据安全
结合公网大参数量模型的推理能力，与内网数据安全的需求是制造业智能应用的重要考量。混合LLM使用策略能够有效地应对复杂的场景需求，例如大规模问答、智能体工具调用等。通过确保敏感数据不出内网，同时灵活选择不同链路上使用的大模型，企业能够在维持数据安全的同时，充分利用大模型的强大推理和处理能力，提升生产效率和智能化程度。
5.超级入口
超级入口技术使智能体能够自动识别用户意图，并根据不同的对话场景无需显式切换不同的对话应用。这种技术提高了用户体验，使得用户能够更自然地与系统交互，无论是查询数据、执行任务还是获取建议。
客户收益
随着合作成果落地，在人力资源和支撑性职能领域，数十万名作业员和研发人员已经可以通过统一的对话式入口，对公司政策、管理反馈、薪酬、休假等领域进行询问。以作业员为例，可极大程度的降低了对于系统使用的门槛。同时，相比于传统的提交工单系统，极大程度的提升了员工关怀专员对于作业员反馈处理的效率。
随着语义层的加入，系统的智能化程度得到了显著提升，特别是在SQL准确率方面。这种提升可以从几个不同的层面来理解。首先，LLM（Large Language Model，大型语言模型）的原生理解力，也就是它在没有额外语义信息的情况下对自然语言的理解能力，大约在30-50%的准确率。然而，一旦引入了基础的语义信息，比如字段级的语义描述，这个准确率可以提升到大约70%。进一步地，当引入基于语义的业务含义描述，也就是表级语义描述时，准确率可以进一步提高到85-100%。
在员工关怀相关的问答场景中，知识覆盖度达46%（知识来源严格受限于知识库内），对于较为开放式的问答可实现76%的知识覆盖度（允许利用大模型本身的知识进行补充，常用于闲聊场景），并且在一个月的试用时间范围内，由业务专家对回答质量进行抽查，未收到任何负反馈。
对于系统回答不知道的情况进行统计分析后得出结论：
- 91.1%：知识库内并不存在相关知识，需要知识运营人员基于相关话题判断是否需要补充相关的领域知识
- 1.4%：问题是提问不明，例如“离职、投诉”，此处进一步通过关联问功能，让系统引导用户给出更为准确的问题，如“离职手续怎么办理？”
- 0.7%：专有名词尚未加入配置项，如员关=员工关爱中心、员工一站式服务中心，需要引导知识库运营人员在产品中添加相关配置。
- 6.8%：相关语义存在识别问题，需要通过算法进一步提高。枫清科技（Fabarta）通过产品本身，也可实现对bad case的自动化收集，以持续性的提高回答准确率。
