大部分企业的知识管理有三个不足：缺乏长期规划、缺乏组织机制和文化、缺乏智能化，大模型+知识库的体系建设，从知识管理的底层切入，帮助企业探索多场景的知识应用形态，提升企业知识应用价值。

　　本文从知识库建设的挑战、AI+知识库建设框架与路径、4个不同场景的知识库落地案例，三个部分详细展开。

　　企业无论有无构建知识库，大都采取纸质化办公方式，很多的数字甚至还处于非电子化版本，企业需要去做更多的工作完成这个电子的转换。且不同部门之间会存在信息孤岛的情况，不同的管理方式，就有不同的建库方式，相互之间无法打通，知识管理相对来说会比较分散。

　　在知识构建时，可能只是将一个简单的文库，丢到相应知识库或平台里，在搜索、检验、使用阶段，整体会有较大的问题。结合某业务场景，比如一个设备维修人员，要去查询某设备维修的相关参数，可能只是返回一篇完整的维修手册，再做相应的查找，会非常复杂且浪费时间。

　　这也是目前企业用户反馈较多的问题。很多企业其实是具备专家支持的，无论是在客服、营销、金融、设备管理，或者是一些传统行业，都有一些具备很多经验的老师傅，但他的经验都存在大脑里，没有办法用较好的方式呈现出来。所以我们需要一个平台，能够提供给企业用户做相应的使用。且能在相应平台去抽取或完成相应的任务，找到答案，这是我们目前主要面临的问题。

　　第一个是知识资产化，企业在构建知识库或打造知识平台的时候，必须形成一套有效的资产，资产可以是打造出来的知识平台，可以是知识库，可以是未来给用户在推广运营阶段可以使用的产品。那知识资产化能帮助企业提升相应的效率。

　　第二个是知识场景化，也是我们目前较关注的点。当前的知识库，或者说知识智能引擎产品，是一个具象的、满足企业用户日常在知识消费阶段要使用的场景，包括做业务查询，或案例寻找。可以用企业现在的知识搭建平台，完成运营服务、考试培训等。具体到特定场景，可以给企业用户打造当前场景上使用的知识底座。

　　结合知识底座，用场景反推或倒逼当前知识构建的维度，要维护起知识体系，超越了以前纯知识图谱构建的以实体或以关系为关联的知识库，也超过了单纯从文档角度查询的知识库。

　　第三个是知识智能化。无论是在大模型时代，还是在大模型时代之前，都会给客户打造智能化产品。以前没有大模型的时候，我们也会做搜索上的优化，做整个知识运营平台的加强。比如在检索阶段时，可以借助召回，在检索阶段对搜索引擎做一些优化，完成深度语义表征。我们可以做向量表征结合当前的模型如 Bert 对向量做优化，提升向上召回的水平，比Locance、 EH 传到 ES 效果会更好。

　　在知识运营阶段时，也可以运用一些小模型，比如之前有 GPT 2、 T5 等等，完成相应数据的生成，或者相似问题的生成，也可以借助工具完成数据的生成和运营水平的提升。

　　包括知识运营的图谱，也可以有很多技术完成知识图谱相应组的抽取，完成搭建。在创新平台上也需要当前的智能化做创新提升，重新提升使用方式。

　　从企业服务的角度上来说，以前推荐强调用户画像，对于相应客户管理的知识平台做权限管理。在大模型时代，用RAG 方式完成知识召回与问答，一步就能把答案得出。

　　在运营阶段用得更多，无论是知识获取还是未来的推理和判别上，可以借助当前语言模型的能力完成推理、问题的发现。持续运营阶段，还可以借助大模型的 Agent 场景，或者 Long chain 的使用，提升例如工单的的更多服务。

　　关于知识管理的底座，可以构建统一的AI 底座，提供传统的NLP的能力。比如说分词、抽取、生成、判别、情感识别等等。结合当前大模型的引擎，无论是企业内部自研的通过信任数据去 SFT 的模型，还是调用开放的API，如 OpenAI 或文心一言等其他大模型的接口，都可以做相应的使用，把各个引擎接入到整个系统中做使用。

　　知识构建阶段。我们把知识分成很多种模式，比如说一个文档要完成相应的文档拆解，要调用知识加工的工具去完成文档知识的拆解。如果要完成段落的版面分析，分析出当前文档可能是扫描件或PDF，就要通过知识加工体系查找出当前文档中的段落，其中所包含的图片、公式、表格信息，都需要完成解析。关于知识图谱的工具，如果在企业内部构建知识图谱，需要调用相应的工具完成三元组的抽取，帮助图谱的构建，提升效率。

　　首先针对较多的文档信息存储，要建立一个文档库完成整个文档的抽取，在解析过程中，不但要保证文档是可被向量化的，还要可以被查询、编辑，企业用户也有相应的诉求。

　　因为有大模型，还需要提升 RAG 的质量与召回的能力，还会在支持存储阶段的时候，打造向量库，用来存储相应的向量知识，也就是文档的表征。如果储存在知识图库中，还需要图数据库存储向量知识。

　　在存储知识前，还需要较大的方式做融合，在一次检索时，要展示出对应的文档信息与案例。比如在能源行业，现在要搜索“某个设备变压器起火了，我应该怎么去做处理？”，需要展现出来的内容包括变压器的图谱信息、生产厂商等等，这些可能来自于结构化的信息。还有生命周期的管理，什么时候进行的维修和保养，这是另一部分信息的展示。同时还要展示出处理方式。这些信息可能来源于操作手册、行业标准等等，当然还有非常重要一块是经验案例。

　　要在平台或页面上在企业内部做好展示，这些信息都要做好有效的知识存储和融合，融合之后，才能在一次检索当中把这些信息都召回来，这是知识存储。

　　知识消费阶段包含许多消费场景，包括搜索、推理、问答、生成等等，都支持消费的各种场景。我们可以借助当前 AI 底座和引擎完成相应的能力，也可以结合图谱与大模型做相应的知识消费和使用。在消费阶段，企业比较在乎可视化展示，可以用图谱的方式展示知识的关联关系，也可以用案例、视频做相应的展示。

　　为了进一步提升交互的质量，还需要更多的推理分析，比如说在遇到某些问题的时候，如何处置？因为不同区域有不同的情况，采取的策略是不一样的，需要和图谱做相关的推理分析。

　　结合 AI 场景给企业用户打造的知识服务体系分为几块：底座都是统一的 AI 底座，上层有各个 AI 组件，无论来自大模型还是小模型，包括图片生成、以图搜图、 OCR 等场景。

　　结合当前 AI 底座提供的能力，有三款产品， AI galaxy 是 AIGC 平台，让大模型生成一封邮件、文案、代码等等，通常调用 AI galaxy 或AIGC平台使用的场景。

　　这样的能力，无论是自研的模型 ，还是外面的模型，让用户在平台上都可以做相应使用。企业用户如需从对话中抽取关键信息完成摘要，可以通过该平台搭建，把单组或几轮对话传到平台中，完成抽取和概要生成。

　　第二个是知识智能，重点是给企业打造统一的知识服务。底座有知识中心、知识图谱，前期构建阶段，需要知识工程的介入。在存储阶段，用知识图谱做存储，也可以用其他方式存储知识，构建知识中心平台做相应的使用。

　　云问科技是以智慧客服起家的，结合当前 AIGC 或大模型的能力给企业提供智慧营服，无论在营销还是客服阶段，都可以通过文本机器人、电话机器人、虚拟人、在线客服呼叫中心等，使用统一知识。当完成知识构建时，无论是企业提供搜索引擎完成知识搜索，还是跟文本机器人进行交互，亦或是给客服或营销人员提供平台使用，都可以在当前底座下完成。

　　在知识构建环节，首先是知识工程，很多都是工程化的东西。面临的主要问题是知识边界难以界定，需要很多人力做处理。

　　在该阶段，要做到知识抽取、段落拆解，把文档还原成可编辑的信息，包括表格、公式、图片都要做到检索、使用和消费。

　　完成构建后会有人工审核阶段，表示知识工程未来可做相应的使用，问答机器人做知识中心，完成搜索和交互的使用。

　　知识相关的项目若没有知识图谱非常难立项。知识图谱在当时非常火热，因为逻辑自洽而受到所有人的推崇。无论是前期使用阶段，还是用户交互阶段，整个知识交流的体系，在搜索某个信息时，同时能知道关联的信息，再做图片上的交互，超越了之前搜索引擎展现的简单信息。还打造了推理场景，例如用 protege 等工具，完成知识推理。比如说在实际应用场景做查询，“南京地区的电价是多少？”可能当地并没有存南京的电价信息，但江苏省有统一执行标准，知道了南京属于江苏省，就能推理出南京的电价是多少。

　　随着时间的推移，大家开始做图谱交互的时候，会发现图谱构建阶段花费的人力非常多，为此打造出了图谱构建的流程，从本体构建、框架制定，完成图谱生成等等，完成搜索。

　　随着大模型时代的到来，无论是在知识构建阶段，还是在知识消费阶段，结合图谱信息做相应的展示呈现，会有更好的模式。知识图谱是知识的重要承载形式，我们给企业用户推出的智能知识中心，打造统一的搜索，完成整个交互，呈现模式有图谱与知识的呈现。

　　当然还有大模型交互，生成结果类似于 Copilot 模式，在去年年初大模型刚刚比较火的时候，大家都在想如何做接入。当前的搜索引擎。

星空体育网站入口 上一篇：杭州银行：金融科技转型深入 数智赋能推进动能再造 下一篇：plm系统是什么意思啊