国双科技资深产品总监徐瑛：知识作为对信息的总结和提炼

围绕知识搜索、问答、分析等方面的效果和不足，徐颖认为，通过知识的构建，可以形成统一的知识层。 在知识层的基础上，可以通过一系列流程积累相关数据和经验，真正实现知识的复用、共享、分发和传承，赋能更多场景。 具体搭建只有三步，第一步“搭建”； 第二步是“知”； 第三步是“用”。

徐莹| 国双科技高级产品总监

以下为演讲摘要：

将知识置于核心的案例研究

支持汽车企业数字化、智能化转型进程的因素有很多，包括软件和硬件。 那么我们如何才能将知识作为我们力量的核心呢？ 我们先看几个例子。

第一个案例来自汽车研究和设计过程。 设计汽车产品时需要大量知识。 为了便于高效管理、检索和使用这些知识，我们通过业务逻辑梳理所需的行业规范、标准和相关数据文档，构建相应的知识库、知识中心和知识图谱。 在此基础上，我们可以为相应的产品设计者提供检索和知识获取。 这样，在产品设计的每个阶段，我们都可以根据设计师的需求提供更准确的信息。

来源：国双科技

第二个案例来自工程车的售后环节。 当工程车发生故障时，会拨打400电话。 呼叫中心服务人员会根据信息留下相应的记录，然后将记录交给相应的维护工程师，由维护工程师前往现场进行设备维护。

在这个过程中，无论是呼叫中心工作人员还是维护工程师都需要较高的专业水平。 不同的呼叫中心工作人员和工程师的标准有高有低，处理同一问题的方法也不同。 随着人员流动，好的案件经验就会流失。 在这个过程中，如何积累和传承好的案例和企业经验，需要建设知识中心和知识库。

来源：国双科技

这里我们构建了一个基于业务逻辑的关于设备、故障现象、原因以及处理措施的知识体系。 通过知识系统，当车辆出现问题时，可以根据提示自行诊断简单的问题。 当呼叫达到400时，400呼叫中心人员还可以根据相应提示引导更多问题，留下更多线索。 当他将问题和线索传递给后续维修工程师时，他可以大致了解汽车的状况，然后思考维修措施。 这样可以提升体验和效率。

第三个案例研究来自汽车过程审核工作。 汽车制造业是典型的流程型企业。 对于流程企业来说，有相关的体系要求和流程需要采用来进行生产。 还有各种软件系统来支持流程的顺利进行。 但软件系统和相应的规章制度是在不同时期建立的。

来源：国双科技

因此，有些流程和规定要求在线上进行，但实际上却是在线下进行。 新的流程需要按照系统进行，但旧的流程仍然在系统中进行。 当进行过程审核时，就不会一样了。 合规性和风险。 因此，我们根据规章制度中流程的相应规定，构建了相应的知识库，同时，我们在流程系统中构建了相应的实际流程图谱。 通过对比，我们可以清晰地看到两者之间的差异或不足，进而在流程审核合规性上进行智能升级。

知识在汽车企业智能化转型中的应用

可以发现，每一个环节，无论是研发环节还是生产环节，都蕴含着汽车企业大量的知识。 这些知识可以是文档、法规、数据或经验。 在汽车企业内部，尤其是知识密集型部门，每个人都要花费40%-70%的工作时间来获取和分析各种知识文档，这是一个非常大量的时间。

一方面，我们需要运用大量的知识，另一方面，很多知识还没有积累。 比如实际操作经验、典型案例丢失。 这样，大量的知识需要使用，但大量的知识还没有沉淀下来，那么知识的有效利用率和沉淀率就会很低。

来源：国双科技

知识和数据有什么区别？ 通过抽象业务逻辑形成的数据可以称为知识。 这是一个简单的例子。 在搜索故障现象时，如果按照数据层面进行搜索，往往得到的答案就是左图，在这里可以看到与故障现象相关的各种维修文档。 但很多时候这对于维护人员来说并不好用，因为他需要的只是某个文档中的一小段文字，而这一小段文字可能分布在好几个文档中，非常碎片化。 当他去检索内容时，他真正想要获取的信息是直接查找原因并得到维护措施和建议。 在检索现象时，直接返回原因和措施，这是基于知识的数据抽象的结果。

将知识引入数字化智能化转型过程，一方面可以积累经验，另一方面在知识的获取、知识的创造与分析、业务创新等方面都会有很多用处。 第一个是搜索。 当知识被引入时，会带来两种不同的搜索效果。 二是问答。 其优点是答案准确，缺点是不够灵活。 大语言模型出现后，问答带来了很大的飞跃。 优点是灵活，缺点是不可解释。

当知识图谱被引入问答环节时，用它来规范大语言模型对问题答案的返回，可以增加大语言模型的可信度。 在构建知识图谱的过程中，难点在于不可避免的人工标注，需要比较大的工作量。 但最近，通过与大型语言模型的结合，过程中可以利用大型语言模型的推理和一系列解释能力，帮助我们更加智能地构建知识图谱，让部分人工标注工作可以由大型语言自动实现。语言。 提高问答效果和施工效率。

来源：国双科技

三、分析。 对于分析来说，比较传统的方式是通过机制模型或者机器学习模型来实现。 在过程中有时会发现其存在缺点，准确度不够，准确度低。 这时可以将业务知识引入到机器学习或者机制建模的过程中，从业务角度提出规范约束。 这样，可以提高预测的准确性。

图本身是一种特殊的结构，节点与节点之间的关系。 基于此，您可以直接使用它进行分析。 汽车在保养过程中，会出现多种故障和现象。 在这个过程中，如何找到核心问题，并通过最短的维护路径解决问题？ 您可以组合这些图，然后使用最短路径算法来找到问题的解决方案。 找到最短路径后，就可以将其作为这种多现象、多问题故障的解决方案进行修复，并存储在后续的知识库中。 这样，从长远来看，也能提高解决复杂维修现象和维修问题的能力。

知识构建的关键要素

通过知识构建可以形成统一的知识层。 在知识层的基础上，可以沉淀相关的数据和经验，然后由上层分发和应用。 除了服务于汽车制造全流程之外，供应链领域的相关知识还可以用于供应链系统中的智能化应用，比如客户服务、营销等。 不同的知识可以分配给更细分的人群，服务于整个链条。 。

具体如何构建呢？ 一般来说，分为三个步骤。 第一步是构建。 构建包括知识图谱构建、知识库构建和相应算法构建。 第二步是知识的获取。 第三步，利用它对知识进行深入分析。 一开始构建的过程并不难，因为我们发现一系列的软件可以帮助我们构建图和知识库，但难点在于后续的运营、维护和更新，包括如何保证知识库有最新内容。 。

来源：国双科技

这个过程中很重要的一点就是业务人员一定要参与。 业务人员给出相应的需求和逻辑，算法就会接管他们的需求和逻辑。 只有两者紧密结合，才能通过算法和相应的模型来呈现需求，并最终支撑上层应用。 对于业务人员的需求，不仅需要一线员工，还需要领导者，因为保证知识体系的建设需要相应的沉淀和流程建设。

一旦有了知识体系和数据，就需要对其进行收集和管理，最终通过知识体系赋予其新的知识和业务逻辑，支撑前端业务侧系统的应用。 这样，系统的各个方面都得到了支持。 商业。

（以上内容摘自国双科技高级产品总监徐颖9月18日在2023第二届汽车数字化转型大会上发表的主题演讲《“知识”是汽车企业数字化、智能化转型的核心力量》） ，2023 年。）