SDK JDBC/ODBC 微服务 智能调度 任务 发布 任务调 度 任务 管理 任务 监控 任务 关联 数据采集 实时采集 离线采集 结构化数据采集 非结构化数据采集 大数据产品架 构 应 用 分 析 处 理 存 储 采 集 HDFS 2 Par SDK JDBC/ODBC 微服务 智能调度 任务 发布 任务调 度 任务 管理 任务 监控 任务 关联 数据采集 实时采集 离线采集 结构化数据采集 非结构化数据采集 大数据产品架 构 应 用 分 析 处 理 存 储 采 集 HDFS 2 Par SDK JDBC/ODBC 微服务 智能调度 任务 发布 任务调 度 任务 管理 任务 监控 任务 关联 数据采集 实时采集 离线采集 结构化数据采集 非结构化数据采集 大数据产品架 构 应 用 分 析 处 理 存 储 采 集 HDFS 2 Par

采购供应 产品需求 产品设计 生产规划 产品支持 工艺设计 基于三维模型的设计 数字化研发质量 管理 自动排产及 交期预估 数字化制造 质量管理 数字化质量 全过程追溯 三维结构化工艺 数字孪生研发仿真 制造 交付物流 售后服务 全球产品 协同研发 变压器产业现状及数字化举措分析 研发 / 设计 工艺 生产 / 设备 质量管理 现状与问题 对标 / 最佳实 践 CREO 工具与 WINDCHILL 集成， 加强基于 Creo 的三维结构化设计工 具使用的推广与培训 变压器产业 线缆产业 新能源产业 多晶硅产业 新材料产业 火电厂产业 矿山产业 变压器产业现状及数字化举措分析 研发 / 设计 工艺 生产 / 设备 质量管理 现状与问题 对标 / 最佳实 践 数字化核心举措 • 结构化工艺、 BOM 等交付质量不高，制约数 字化工厂业务的深度应用 • 标准工序库、工艺路 线库覆盖率低，工艺设计 平 台 不 统 一 ， MPM 和 CAPP 并存 • 基于三维模型规划和 验证工艺能力不足，影响 设计效率 • 西门子、 ABB 的具有完整的结构化 工艺方案，应用十分成熟，在全球推 广多年 • 西门子、 ABB 的在加工仿真、产线 仿真等方面应用较为领先，在 3D 工 艺指导方面应用较为成熟 • 西门子、 ABB 普遍采用虚拟验证和 三维工艺可视化以改善车间制造运营

SQL( 兼容 MySQL 协议 ) 宽表：点查 + 搜索 列存索引 推理 分析 BLOB 向量化 非结构化数据存储 ( 文本、文档、图片、图像等 ) — 一 向量引擎 A P S A R A 云 栖 大 会 Lindorm 一站式车联网数据平台 多模态 半结构化 + 非结构化 数据 向量 + 标量 语言大模型 + 多模态大模型 AI 服 务 模型服务 ( 灵积、魔搭 LLM 一站式 数据不出库 在线服务 + 离线分析 +AI 40% 头部车企 50% 造车新势 力 开源架构升级 降本、增效 泛时序 数据 半结构化 非结构化 数据 在线 查询 离线 分析 智能 应用 数据 Lindorm HDFS 知识更新 源文档存储和检索 文本自动更 新 Lindorm 多模引擎 向量 + 标量 + 非结构化数 据 ( 文档 / 图片 / 图 像 ) 开箱即用 多路召 回 文本分割 Text chunks Embedding 文档加载、分割、

大数据思维 - 角色划分 大数据平台产品建设和应用方案  数据仓库数据源不断扩大（新增互联网非结构化数据等），数据量由 TB 级向 PB 级增长  几乎所有互联网企业都在业务或分析系统中采用了大数据 ( 特别是 Hadoop 数据分析技术），一方面应 对不确定的业务增长和处理各种结构化与非结构化数据，另一方面降低采购和运维成本。采用 Hadoop 大数据平台的互联网企业如国际上的 Facebook 大数据平台产品建设和应用方案 大数据管理 数据地图 数据开发 生产部署 调度管理 数据管理 系统管理 数据交换 …… 大数据存储 数据批处理 数据实时处理 大数据收集 结构化数据 实时数据 非结构化数据 大数据分析 BI 分析 可视化 大数据挖掘 机器学习 决策支持 观云提供大数据一站式解决方案，帮助客户收集、存储、管理、使用（分析和挖掘）相关数据，提升 客户业务支撑水平。 大数据平台产品建设和应用方案 大数据源 日志数据 大数据集 群 大数据文件 结构化数据 多媒体数据  实时收集 实时毫秒级不间断采集数据，并 存入大数据集群  批量收集 按小时、日、周、月等时间周期， 批量采集各类数据，存入大数据集群 大数据收 集 非结构化数据 实时数据 数据流 观云 - 收集 大数据平台产品建设和应用方案 小型机 光纤交换

引入大模型的必要性 随着企业客户数量的增加和业务复杂度的提升，传统的客户关 系管理（CRM）系统在数据处理、客户行为预测和个性化服务等方 面逐渐暴露出局限性。首先，传统 CRM 系统依赖于结构化的数据 处理方式，难以高效处理非结构化数据，如客户邮件、社交媒体互 动和语音记录等。其次，这些系统在客户行为预测和需求挖掘方面 往往基于简单的规则引擎或统计模型，无法充分利用海量数据进行 深度学习和精准预测。此外，传统系统在提供个性化服务时，往往 依赖于人工干预和预设规则，难以实现真正的自动化和智能化。 为解决这些问题，引入大模型成为必要的选择。大模型，如 DeepSeek，具备强大的自然语言处理（NLP）和机器学习能力， 能够高效处理非结构化数据，并从海量数据中提取有价值的信息。 例如，DeepSeek 可以自动分析客户邮件和社交媒体互动，识别客 户的情感倾向和潜在需求，进而提供更精准的客户服务。在客户行 为预测方面，大模型可以通过深度学习算法，对客户历史行为数据 CRM 系统在处理海量数据时往往面临诸 多挑战，如数据清洗效率低下、实时分析能力不足、以及无法有效 处理非结构化数据等。引入 DeepSeek 大模型后，这些问题得到了 显著改善。DeepSeek 大模型凭借其强大的自然语言处理（NLP） 和深度学习能力，能够高效地处理结构化与非结构化数据，从而为 CRM 系统提供更加精准的数据支持。 首先，DeepSeek 大模型能够自动化地进行数据清洗和预处

.......................................................................................160 8.3.1 结构化信息检索........................................................................160 8.3.2 以图搜图........ 严重化。 告警：平台可以自主设置报警预案，兼容接入各种报警信号源，通过平台 自带丰富的联动动作，实现报警信号能及时反馈给相关人员或自动处理。做到 事前的预防。 研判：根据对过往人员、车辆的结构化信息检索，可以实现通过细小线索 快速锁定查找对象的功能；根据人员、车辆出现次数、轨迹的碰撞，也可以帮 助值班人员发现潜藏的安全隐患。做到事中的线索研判。 指挥：通过集成性平台客户端，值班人员可以快速知晓目前园区内的一切 行为分析等技术的准确率大大提高。 AR：通过利用地图标签标注技术，将人眼无法感知的资源以标签的方式叠 加到高点实况画面中，相比实况能获得更多信息反馈与临场感，让指挥更高效、 更精确。 大数据：将人员、车辆的结构化信息进行存储，这些结构化信息可以用于 智能分析中的识别和比对，从而达到目标对象的快速检索。还可以用基于大数 据的分析来进行时间研判。 云存储：将存储资源进行池化，保证高速读取和写入的同时，提高可靠和 稳定性，做到数据一秒不丢，重建秒级恢复。

DeepSeek 技术是一种基于深度学习和自然语言处理的先进人 工智能解决方案，旨在通过大数据分析与智能算法优化，为各行业 提供高效、精准的决策支持。其核心优势在于能够处理和分析海量 的结构化与非结构化数据，并通过深度学习模型提取关键信息，生 成可执行的见解。在中医药健康产业中，DeepSeek 技术能够针对 复杂的医学文本、临床数据、药品研发信息以及市场动态，进行多 维度分析，从而推动中医药的现代化与智能化发展。 理机制， 确保数据的准确性和一致性。其次，DeepSeek 采用先进的自然语 言处理（NLP）技术，能够对中医药文本进行深度分析与理解，提 取关键信息如药方组成、病症描述、治疗效果等，并将其结构化存 储，便于后续的分析与应用。 在数据分析方面，DeepSeek 提供了多种机器学习与深度学习 算法，能够对中医药数据进行多维度分析。例如，通过聚类分析可 以识别出不同病症的共性特征，通过回归分析可以预测特定药方的 患者信息，通过自然语言处理（NLP）技术，自动提取关键信息， 如药方组成、药材功效、适应症等，从而加速中医药知识的整理与 传承。例如，DeepSeek 可以从数千篇古籍和现代文献中提取出与 特定病症相关的药方，并生成结构化数据，便于后续的统计分析。 此外，DeepSeek 在中医药临床数据的分析中表现出色。通过 对患者的病史、体质特征、用药记录等多维度数据的整 合，DeepSeek 能够构建个体化的健康画像，辅助医生进行精准诊

治理缺位：唯有实现数据的及时采集、安全存储、高质量处理与结构化整合，才能将其转化为驱动决策的“高纯度燃 料”。 而数据治理的终极目标是通过数据应用赋能业务。数据价值的释放需要打通“治理”与“应用”：通过贯通营销 服流程，让客户基础数据、交易数据、服务工单数据在业务场景中自由流动，形成“数据反哺业务、业务沉淀数据” 的闭环；通过将数据嵌入商机推进、订单履约、售后服务等核心场景，让结构化数据成为销售策略的“导航仪”、服 “厂商赋能渠道、渠道反哺市场”的双向共赢。 而当大模型应用成为企业提效的标配，数据的安全性、及时性、多模态处理能力成为AI应用落地的前提：不合规 的数据可能引发法律风险，低质量的数据会导致模型输出偏差，非结构化数据的割裂会阻碍智能应用的深度落地。此 时，CRM系统既要具备数据采集、清洗、治理的全流程能力，也要为AI提供可识别、可管理、可消费的数据底座，更 要通过智能应用让数据智能真正转化为业务效能。 其存储和访问控制尤为重要。若 未经处理直接应用，极有可能导 致数据泄露、隐私侵犯等安全事 故，使企业违反相关法律法规， 遭受巨大经济损失。 即便完成数据清洗，数据已经被 整理和归类，若不能让结构化数 据嵌入业务流程，与业务场景深 度耦合形成决策闭环，数据也无 法真正支持企业的决策，无法解 决企业真正关心的问题。 4 CRM数据治理及应用实践蓝皮书 数据沉淀不及时、不安全、不连贯？CRM破解治理挑战

值。 （2） 技术实施能力建设强调 AI 技术与场景的深度融合 开发贴合项目场景与用户需求的 AI 工具，无缝融入现有工作流， 关键决策模型应提供解释能力，增加信任度；收集结构化的项目计划 与进度数据、非结构化的文档与沟通记录以及可能的实时数据流，确 保这些数据的高质量（完整、准确、一致、及时）、可访问性（建立 中央数据湖/仓库） 和安全性（权限控制、敏感信息脱敏）；调整以 比例划 及“推荐的修复路径”，这种透明化输出大幅降低了评审的知识门槛。 初级工程师即使缺乏经验，也能在 AI 引导下完成高质量的代码审查， 从而加速团队成员的成长曲线。另一方面智能系统还实现了评审知识 的沉淀与复用。通过结构化存储历史案例、解决方案和最佳实践，系 统可针对新问题推荐相关经验，加速评审决策并促进团队技能提升， 对于人员流动性较大的开发团队而言，这种知识资产的沉淀尤为重要。 （4） 智能 CI/CD 体系正在引领 序和并行度以最大化资源利用率；基于代码变更特征自动匹配最优构 建策略；实时监控流水线健康状态并实施自愈操作；通过历史数据分 析持续优化执行效率；智能预测潜在瓶颈并提供规避建议等。知识管 理方面，结构化的 CICD 知识库以及 RAG 技术形成了“经验积累-知识 复用-能力提升”的良性循环，这种机制有效实现了知识的有效传承。 3.智能测试体系：形成知识驱动的测试优化闭环 AI for Testing

智能交通公共信息服务的实时传递和快速 反 应的应急指挥 • 智能交通业务联动快速应对变化 • 可视化事件跟踪 挑战 • 近千万辆轿车、轨道交通、快速公交系 统 • 高并发事件及数据流的实时处理 • 海量非结构化大数据的组织与分析 • 压力传感 器 传感 • 速度 传感器 器 • 生物 传感器 • 温度、湿 度…… RFID • 射频天线扫 描 • 电子标识 摄像 • 高速拍照 头 • 高清摄像 Portfolio. Discussion 问题 • 请为自己公司 / 单位设计一个大数据的解决方案。分组 讨论结束之后，每组派一到两个代表上来讲一下这个方案 • A) 公司里存在哪些数据 • 结构化 / 多结构化 / 大小 / 实 时数据 / 流式数据 • 公司是否已经应用了非关系型数据库 • B) 那些业务考虑引入大数据 • C) 有了这些大数据，如何设计公司的大数据平台 • D) 公司数据的问题或者远景