Erforschung großer Modellanwendungen – Enterprise Knowledge Steward

1. Hintergrund und Herausforderungen des traditionellen Wissensmanagements

1. Die Notwendigkeit des unternehmensweiten Wissensmanagements

In modernen Unternehmen ist Wissensmanagement ein entscheidendes Bindeglied. Es kann Unternehmen dabei helfen, interne und externe Wissensressourcen effektiv zu organisieren und zu nutzen und so die Effizienz und Wettbewerbsfähigkeit von Unternehmen zu verbessern. Um Wissen besser verwalten zu können, haben viele Unternehmen das Konzept der Knowledge Stewards eingeführt. Wissensverwalter ist eine Rolle oder ein System, das speziell für die Verwaltung und Verbreitung von Unternehmenswissen verantwortlich ist. Durch Wissensverwalter können Unternehmen besser sammeln und organisieren

Mit der rasanten Entwicklung von Internetanwendungen und dem explosionsartigen Wachstum von Wissen stehen Unternehmen vor der Herausforderung, Wissen zu teilen. Wie Wissen innerhalb eines Unternehmens effektiv übertragen und geteilt werden kann, ist zu einem wichtigen Thema geworden. Durch den Wissensaustausch können Unternehmen nicht nur die Arbeitseffizienz verbessern, sondern auch Doppelarbeit vermeiden.

Eine andere Möglichkeit besteht darin, das Modell des Wissensaustauschs zu nutzen, um einen Mechanismus zu etablieren, der Unternehmen stärken und dadurch Prozesse und Ergebnisse besser optimieren und die Betriebseffizienz von Unternehmen verbessern kann. Dieses Modell ermöglicht es Mitarbeitern innerhalb des Unternehmens, ihr Wissen und ihre Erfahrungen zu teilen, sodass alle im Team davon profitieren können. Durch die gemeinsame Nutzung von Wissen können Unternehmen Doppelarbeit vermeiden, Fehler und Irrtümer reduzieren und besser auf Herausforderungen und Veränderungen reagieren können. Dies

Darüber hinaus kann es als Wissensverwalter auch wichtige Informationen und Daten an Entscheidungsträger liefern, um ihnen zu helfen, fundiertere Entscheidungen zu treffen. Knowledge Butler verfügt über leistungsstarke Funktionen zum Abrufen und Analysieren von Informationen und kann nützliche Informationen aus riesigen Datenmengen extrahieren, integrieren und analysieren. Diese Informationen und Daten können Markttrends, Wettbewerbsanalysen, Verbrauchereinblicke, Technologieentwicklung usw. umfassen.

Darüber hinaus besteht ein sehr wichtiger Faktor darin, die Arbeitsbelastung der Unternehmensmitarbeiter zu reduzieren, den Verlust von Informationen zu verhindern und die Mitarbeiterproduktivität zu verbessern . Arbeitseffizienz und Kundenserviceniveau, wodurch die Ziele der Kostensenkung und Effizienzsteigerung erreicht werden.

2. Herausforderungen im Unternehmenswissensmanagement

Bevor es ein großes Modell gab, war die Logik beim Aufbau eines Wissensverwalters ziemlich kompliziert. Normalerweise verwenden wir das Konzept der Wissensdatenbank, um mithilfe eines Unternehmenswissensdiagramms oder interner Daten des Unternehmens eine Wissensdatenbank aufzubauen. Allerdings gibt es bei diesem Bauprozess viele Herausforderungen. Erstens erfordert der Aufbau einer Wissensdatenbank viel Personal und Zeitaufwand. Das Sammeln, Organisieren und Zusammenfassen von Wissen und Informationen innerhalb eines Unternehmens ist eine mühsame und zeitaufwändige Aufgabe. Es ist ein professionelles Team erforderlich, um diese Daten zu verarbeiten und zu verwalten und sicherzustellen, dass die Daten fragmentiert sind. Die Fragmentierung des Wissens spiegelt sich hauptsächlich in zwei Aspekten wider. Ein Aspekt ist, dass die Daten des Unternehmens sehr hoch sind Verstreut: Beispielsweise gehören die Daten des OA-Systems zu verschiedenen Abteilungen und verschiedenen Teams. Andererseits werden diese Daten grundsätzlich in unstrukturierter Form bereitgestellt, wie z. B. Word, PDF, Bilder, Videos usw. Beim Aufbau von Wissensverwaltern besteht die erste Herausforderung darin, die fragmentierten Informationen schnell zu zentralisieren.

Informationsüberflutung
Angesichts der rasanten Entwicklung des Unternehmensgeschäfts und der kontinuierlichen Entstehung großer Mengen an Informationen und Daten stellt sich die Frage, wie ein Überprüfungsmechanismus für große Datenmengen eingerichtet werden kann, um die Genauigkeit und Aktualität der Informationen sicherzustellen ist auch eine große Herausforderung.

Datensicherheitsrisiken
Unternehmen geben ihre privaten Daten im Allgemeinen nicht an andere Institutionen oder Organisationen weiter. Sie legen im Allgemeinen mehr Wert auf die Datensicherheit privater Unternehmensdaten und müssen sich daher auch damit befassen mit Datensicherheitsrisiko.

Wissensaustausch und Kommunikation sind schwierig
Verschiedene Unternehmen haben unterschiedliche Organisationsstrukturen, einige sind eher technisch, andere eher geschäftsorientiert und einige sind dabei eine Mischung aus Technologie und Geschäft In der Geschäfts- und Technologiekommunikation ist schlechte Kommunikation ein Problem, mit dem jedes Unternehmen beim Wissensaustausch konfrontiert sein wird.

• 2. Knowledge Butler-Lösung

  1. Was ist Enterprise Knowledge Butler? Enterprise Knowledge Butler ähnelt dem Gehirn einer Person und hilft bei der Speicherung des gesamten Wissens sowie beim Verstehen und Schaffen von Wissen.

  Enterprise Knowledge Steward ist im Allgemeinen in drei Ebenen unterteilt: Die erste Ebene besteht aus funktionalen und technischen Anforderungen und ist hauptsächlich für die Verwaltung des Unternehmenswissens verantwortlich, einschließlich des Imports von Unternehmensdaten, der automatischen Klassifizierung und Archivierung von Dokumenten. und andere Die Anforderungen der Grundfunktionen sind die Anforderungen der Anwendungsseite, einschließlich der Bereitstellung einiger intelligenter Fragen und Antworten, der intelligenten Suche, der Erstellung von Zusammenfassungen, des Hilfsschreibens und der Anforderungen der Geschäftsseite. einschließlich Vertragsprüfung, Versicherungskundenbetreuung und der Erstellung von Branchenberichten.

  Knowledge Butler bietet im Allgemeinen drei Schnittstellenmodi: Die erste Schnittstelle ähnelt einem Textfeld und ermöglicht die Wissenserkundung und -analyse. Die andere dient der Integration intelligenter Agenten, die an verschiedenen Anwendungsszenarien beteiligt sind Es wird in ein API-Token integriert, um es in das Geschäftssystem des Unternehmens zu integrieren. Der dritte Weg ist ein intelligenter Agent, der Wissen im Konversationsmodus erforscht und analysiert.

  2. Enterprise Knowledge Steward-Lösung

  Enterprise Knowledge Steward ist hauptsächlich für die unternehmensspezifische Wissensverwaltung und -erstellung verantwortlich, einschließlich der folgenden Geschäftsszenarien:

  

  Intelligente Frage und Antwort
  Kombination Die unternehmenseigenen privaten Domänendaten werden vektorisiert und in einer Vektordatenbank gespeichert. Das Frage-Antwort-Paar-Modell wird verwendet, um intelligente Frage-Antwort-Szenarien zu erstellen.
  Self-Service-Dokumentenanalyse
  Führen Sie eine Erkundung und Analyse anhand von Dokumenten durch, z. B. durch Erkunden des Papiers. Sie können Fragen zum Inhalt des Papiers stellen und auch eine unabhängige Analyse durchführen Dokument, Bereitstellung einer segmentierten Vorschau des gesamten Dokuments, kontextbezogenes Abrufen, zusammenfassende Zusammenfassung und andere Funktionen.
  Benutzerdefinierte Rollenszenarien
  Kombiniert die privaten Domänendaten verschiedener Rollen innerhalb des Unternehmens sowie den Eingabeaufforderungswortmodus, um die Gestaltung einiger benutzerdefinierter Szenarien zu ermöglichen, z. B. unterstütztes Schreiben von Dokumenten und Smart Sitzungsprotokolle usw.
  Vertragsüberprüfung
  nutzt den Mensch-Maschine-Dialogmodus, um einige wichtige Klauselinformationen verschiedener Verträge des Unternehmens zu überprüfen, um festzustellen, ob die entsprechenden Informationen korrekt sind.

  Zu den Hauptfunktionen des Enterprise Knowledge Manager-Produkts gehören:

  

  Intelligente Fragen und Antworten: In Kombination mit spezifischen Fragen kann durch den Abruf des Kontexts eine quellenbasierte Antwort erhalten werden.
  Kreative Fragen und Antworten mit mehreren Rollen: Erstellen Sie intelligente Anwendungsszenarien durch Eingabeaufforderungen und private Unternehmensdomänendaten.
  Dokumentenanalyse: Importieren Sie das gesamte Dokument zur zusammenfassenden oder explorativen Analyse.
  Wissensmanagement: Unternehmensdaten werden vollautomatisch durch Wissensverwalter verwaltet, und der gesamte Prozess folgt einem sehr einfachen Modell.
  Agent-Build: Entwicklungsplattform, also große Modell-IDE-Funktionalität.
  Funktionsarchitektur des Knowledge Managers:

  Die Unterseite ist die GPU-Rechenleistung, die zwei Kategorien umfasst: eine ist die Begründung der Rechenleistung und die andere ist die Feinabstimmung der Rechenleistung. Die mittlere Schicht ist ein sicherer und vertrauenswürdiger Datenspeicher für private Unternehmensdomänen – die DingoDB-Multimodus-Vektordatenbank.

  Eine weitere Funktionsebene der gesamten technischen Ebene, einschließlich Modelloptimierungsmanagement, Wissensdokumentenmanagement und intelligentes Anwendungsmanagement.

  Die wichtigsten sind geschäftsszenariobasierte Anforderungen. In den intelligenten Fragen und Antworten können Sie einige Rollendialoge, Standard-QA-Fragen und Agenten für intelligente Anwendungen, dokumentenbasiertes Hilfslesen, Vertragsprüfung und persönliche Versicherungsassistenten anpassen. 3. Erkundung der Knowledge Butler-Kerntechnologie

  Zuerst benötigen Sie eine Datenquelle, die strukturierte und unstrukturierte Daten umfassen kann. Im Allgemeinen basiert der Aufbau einer Wissensdatenbank hauptsächlich auf unstrukturierten Daten wie Word, PDF, Excel und Unternehmenssystemen, Jira , Wissensmanagementplattform usw.

  Diese Daten durchlaufen die Wissensverarbeitung und werden in Vektoren umgewandelt und in der Datenbank gespeichert. Sie müssen zuerst das Dokument laden, dann die Layout- oder Strukturinformationen des Dokuments angeben, eine Dokumentvektoranalyse durchführen, um Dateiblöcke zu generieren, und dann das entsprechende Einbettungsmodell basierend auf den Dateiblöcken aufrufen, um sie in Vektoren umzuwandeln und die Vektoren zu speichern .

  Der Prozess der intelligenten Frage- und Antwortinteraktion: Nachdem der Benutzer eine Frage gestellt hat, wird die Frage zunächst mit Hilfe eines intelligenten Assistenten vektorisiert und dann wird die Datenbank zum semantischen Abruf verwendet, um den Kontext des Artikels zu erhalten Ähnliche Semantik wird mit den Eingabeaufforderungswörtern kombiniert, und nach einer großen Anzahl von Wörtern führt das Modell eine Schlussfolgerung durch und gibt schließlich die Antwort zurück.

  

  Der Gesamtprozess ist ein Prozess der kontinuierlichen Iteration und Feedbackoptimierung. Nur so können wir die exklusive intelligente Expertenrolle basierend auf den privaten Domänendaten des Unternehmens erhalten. 2. Wissensverwalter zur Erforschung der Kerntechnologie im Bauwesen Werkzeuge. Knowledge Manager bietet einige spezielle Operatoren aus dem technischen Modell. Diese Operatoren können die gesamten Karten-, Filter- und fensterbasierten Änderungen bereinigen und Daten über die gesamte ETL-Pipeline konvertieren.
  Durch das Parsen verschiedener Dateien (z. B. PDF-Parser) und das anschließende Durchlaufen der Hub-Operatoren verschiedener Anwendungsszenarien, die der mittleren Schicht entsprechen, kann der Pipeline-Hub schnell erstellt und anschließend die Daten bereinigt und konvertiert werden und schließlich in der Vektordatenbank gespeichert.

  Datengenauigkeits- und -integritätsgarantie – verlustfreie Datenanalyse

  Um einen guten Modell-Debugging-Effekt zu erzielen, ist es notwendig, genaue und vollständige Daten sicherzustellen und über eine gute Datenverarbeitungsqualität zu verfügen.

  

  • Der Aufbau eines herkömmlichen Datenabrufs ist sehr einfach, aber das eigentliche Wissen ist komplizierter. Zusätzlich zu den Informationen im Text selbst gibt es auch Bilder, Tabellendaten, Absatzinformationen usw. In diesem Zusammenhang bietet Jiuzhang Yunji DataCanvas einen Layout-Parsing-Modus, der die vollständige Speicherung multimodaler Daten wie Layoutinformationen, Tabellen und Bilder realisieren und die Qualität des Datenparsing-Prozesses umfassend verbessern kann. Starke Korrelationsabfrage – Neuordnung des sekundären Screenings

  Nachdem das Dokument vektorisiert und in der multimodalen Vektordatenbank DingoDB gespeichert wurde, wird es über Query abgerufen und der Abrufinhalt selbst wird darin einbezogen Die Abrufergebnisse umfassen auch Korrelationsergebnisse. Zu diesem Zeitpunkt ist es erforderlich, ein sekundäres Screening der Neubewertung der abgerufenen und abgerufenen Blöcke durchzuführen.

  ... große Sprachmodelle.

  • Sichere und vertrauenswürdige Antwortgenerierung – Multi-Anweisungs-Feinabstimmung

  
  

  

  Um die Sicherheit und Vertrauenswürdigkeit des Antwortgenerierungsprozesses zu gewährleisten, basiert Jiuzhang Yunji DataCanvas auf einem universellen Großes Sprachmodell, das für den Rückruf geeignet ist. Die Daten werden verwendet, um die Eingabeaufforderungswörter einzuschränken, und das große Modell wird mit vertikalem Wissen basierend auf den privaten Domänendaten des Unternehmens verfeinert und mit dem Windrichtungssteuerungsmechanismus gekoppelt, um eine hohe Genauigkeit sicherzustellen Antwortgenerierung.

  • Speicher- und Abruffunktionen – multimodale Vektordatenbank DingoDB

  DingoDB kann eine Vielzahl von APIs bereitstellen, Datenabfragen über SQL- und Python-Toolkits unterstützen und auch eine integrierte Möglichkeit zur Strukturierung bieten und unstrukturierte Union-Abfragen. Für Echtzeitszenarien bietet DingoDB die Möglichkeit, durch Schreiben in Echtzeit Abfragen in Echtzeit durchzuführen und beim Importieren von Daten einen Echtzeitabruf durchzuführen.

  
  

  

  DingoDB bietet auch Funktionen zur Berechnungsbeschleunigung und unterstützt die Vor- und Nachfilterung von Meta sowie die Bereichssuche basierend auf Ähnlichkeit. DingoDB bietet auch Multi-Copy-Tools, die eine Teilmigration und Datenmigration durchführen können. Darüber hinaus bietet es vielfältige Betriebs-, Wartungs- und Überwachungstools, um die Betriebs- und Wartungskosten zu senken. DingoDB kann auch automatische elastische Sharding-Funktionen bereitstellen, die Daten dynamisch auf verschiedene Maschinen verteilen können, um einen Lastausgleich auf jedem Knoten zu erreichen.

  • Sichere und vertrauenswürdige exklusive LLM-Feinabstimmungspipeline

  Bei privaten Unternehmensdomänendaten ist für gängige Szenarien eine Feinabstimmung erforderlich, um in einem bestimmten Szenario ein unternehmensspezifisches großes Sprachmodell zu erstellen. Knowledge Butler fasst die Schwachstellen im gesamten Feinabstimmungsprozess zusammen und bietet einen werkzeugbasierten Ansatz im Produkt. Daten zu allen Problemen können durch Hochladen von Dokumenten abgerufen werden. Nachdem die Daten vorliegen, kann die Feinabstimmung durch die Konfiguration von Parametern direkt auf der Schnittstelle durchgeführt werden. Gleichzeitig bietet das Produkt auch einige Feinabstimmungsdatenindikatoren zur Auswertung der Ergebnisse der Feinabstimmung.

  

  • Schnell große Modellanwendungen erstellen – große Modell-IDE

  Herkömmliche große Modellanwendungen sind oft komplex zu erstellen, basierend auf den FS-Funktionen von Jiuzhang Yunji Die DataCanvas Model IDE kann eine Fülle von Komponenten und Tools bereitstellen und die erstellte Vorlage über eine einfache Anwendungskonstruktionsmethode in einem Agenten für intelligente Anwendungen veröffentlichen. IV. Zusammenfassung und Ausblick , hohe Verfügbarkeit und Skalierbarkeit, Sicherheitskonformität, intelligente Datenfusion und umfangreiche Szenarien.

  

  Zu den Kernwerten von Knowledge Butler gehören: Bereitstellung der grundlegenden Funktionen des Wissensmanagements und der intelligenten Inspiration sowie Bereitstellung einer sicheren und vertrauenswürdigen Bereitstellungsmethode für die Privatisierung von Anwendungen, einschließlich aller Daten des Unternehmens, die die Umsetzung ermöglichen von Wissensfusion und intelligenter Interaktion. Als intelligente Basis bietet es flexible Erweiterungsmöglichkeiten und kann neue Agenten basierend auf großen Modellen im Knowledge Manager entwickeln.

  2. Zukunftsaussichten

  Knowledge Manager ist AIFS basierend auf Jiuzhang Yunji DataCanvas, das einen vollständigen Satz von Pipeline-Modi von Bare-Metal bis GPU-Rechenleistung und Modellplanung bereitstellt und die Modellfeinabstimmung implementiert. Es verwendet das allgemeine Sprachmodell und die privaten Domänendaten des Unternehmens, um die Kombination zu verfeinern und so das eigene große Sprachmodell des Unternehmens zu bilden. Basierend auf der Skalierbarkeit des großen Sprachmodells und in Kombination mit der multimodalen Vektordatenbank DingoDB können Suchfragen und Antworten, die Generierung von Zusammenfassungen und andere Anwendungen im Unternehmen implementiert und ein unternehmensweites Wissensmanagement durchgeführt werden.

  

Das obige ist der detaillierte Inhalt vonErforschung großer Modellanwendungen – Enterprise Knowledge Steward. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!