续的模型训练提供高质量的数据基础。数据清洗的关键指标包括： - 数据准确率提升至 99% 以上 - 缺失值处理率达到 98% - 重复数据 删除率不低于 95%。 其次，构建知识图谱与实体关系网络。通过自动化工具和人工 校验相结合的方式，从清洗后的数据中提取实体及其关系，形成结 构化的知识图谱。知识图谱的构建将支持多维度查询和推理，为 AI 模型提供丰富的上下文信息。知识图谱的关键性能指标包括： - 实 体识别准确率达到 特殊符号等）需通过正则表达式或其他工具进行清理。 在文本数据处理中，分词、词性标注以及去除停用词是常见步 骤。对于多语言知识库，需考虑语言的分词特性，采用合适的工具 （如 jieba、NLTK 等）进行处理。此外，命名实体识别（NER）和 术语规范化也有助于提高数据的可解释性和模型训练效果。 对于结构化数据，可能需要进行特征工程。例如，将类别型特 征进行独热编码（One-Hot Encoding），将数值型特征进行标准 去重：确保数据唯一性 4. 异 常值检测与修正 5. 数据格式统一化（时间、文本、单位等） 6. 文 本数据噪声清理 7. 文本分词、词性标注与停用词去除 8. 命名实体 识别与术语规范化 9. 特征工程：编码、标准化、特征选择 10. 数 据分割：训练集、验证集、测试集 11. 数据增强（可选） 通过以上步骤，能够显著提升知识库数据的质量，为后续

预打标（如大额交易标记、关联方交易预警） - 时序特征提取：生 成周期性波动分析所需的移动平均序列 归集阶段输出符合审计分析要求的数据立方（Data Cube）， 其维度设计如下： 维度类别 要素示例 处理要求 实体维度 客户/供应商/项目编码 主数据一致性校验 时间维度 会计期间/凭证日期 按审计期间自动切片 指标维度 金额/数量/汇率 单位统一与精度控制 审计属性维度 修改痕迹/审批流程状态 元数据完整性验证 机器学习模 型 XGBoost 异常检测模型（F1-score 0.92）+Transformer 合同分析模型（准确率 89%） 推理延迟 <200ms/万条数据 知识图谱 包含 50 万+实体关系的审计知识网络，支持 SPARQL 查询 关联分析响应时间 <300ms 决策层通过动态权重分配算法实现风险量化，具体流程为： 1. 对规则引擎输出的违规事件进行严重度分级 （Critical/Major/Minor） 字段映射（科目代码→标准科 目体系） 关系型数据库 表 半结构化数 据 电子发票、银行对账 单 JSON/XPath 解析 文档数据库存 储 非结构化数 据 采购合同、审批邮件 OCR 识别+NLP 实体抽取（金 额、签约方） 知识图谱三元 组 数据清洗阶段需部署规则引擎与机器学习双校验机制： 1. 规 则校验层：实施强制约束（如借贷平衡校验、凭证号连续性检测） 和软性规则（如异常交易金额阈值告警）

蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 ................................................................................... 8 2.应用场景：赋能两类实体领域，成本与效益的博弈 ....................................................... 8 2.1 自动化类：微软智能体 AutoGen .... 3）简洁明了： 使用简练、清晰的语言表达 Prompt；4）迭代优化：一次 Prompt 输出可能达不到想要 的结果，用户需要根据智能体的回答来改变提示词，持续调整优化。 2.应用场景：赋能两类实体领域，成本与效益的博弈 AI Agent 目前的应用大多都在概念层面，但随着大模型竞争加快、政策鼓励研发投 入、更多企业参与 AI 研究等因素，应用层面的 AI Agent 推进速度加快。智能体大致可

输入文本 - LSTM - LSTM LSTM ■ 深度学习的应用 ：实体抽 取 l 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验

态调整业务模型，支持个性化业务 需求，提升业务灵活性和适应性。 大模型能够基于历史数据和实时数 据，自动优化业务模型，识别潜在 的业务瓶颈和优化点，提升业务运 营效率。 大模型通过构建业务知识图谱，将 业务实体、关系和规则进行结构化 表示，支持业务模型的深度分析和 推理。 大模型在业务架构建模中的应用逻辑 智能化优化 场景化应用 知识图谱构建 大模型能够实时集成多源异构数据，确 保业务模型的实时性和准确性，支持实 有效性。 知识抽取 通过大模型的语义理解和推理能力， 将不同来源的知识进行融合，消除知 识冲突，丰富知识图谱的内容和深度。 知识融合 动态更新 利用大模型技术从多源数据中自动抽 取实体、关系和属性，构建初始知识 图谱，涵盖银行的核心业务、客户、 产品等信息。 动态知识图谱可应用于智能客服、风 险预警、精准营销等多个场景，提升 银行的智能化水平和业务效率。 基于大模型的实时学习能力，知识图 据进行深度清洗，去除噪声 和冗余信息，并通过人工或 自动化工具对关键数据进行 标注，确保语料库的高质量 和可用性，为模型训练提供 精准的输入。 02 知识图谱嵌入：将金融领域 的核心概念、实体及其关系 构建为知识图谱，并将其嵌 入到预训练语料库中，增强 模型对金融知识的理解能力， 提升模型在复杂场景下的推 理和决策能力。 03 隐私保护与合规性：在语料 库构建过程中，严格遵守数

In-context 策略 事件分析 中央控制器 多轮对话控制 场景识别 提示词组装 知识问答 知识引擎 输入校验 知识向 量 输出 校验 自我反省 实体提取 提示词 检查改正 提示词 关键实体提取 知识语料匹配 知识索引匹配 初步回答 外部模块 提示词生成模块 内部其他模块 底座模型 原始 Query API 判断选 择 提示 词 不需要调用

发门槛大幅降低，行业应用快速兴起，大模型参数量从千亿级发展 到万亿级，预训练大模型数量迅速增长，技术迭代进一步加快。 综合算力指数 9 大模型技术不断创新，推动应用场景加速向千行百业与垂直场 景渗透延伸，人工智能与实体经济持续深度融合，其催生的经济效 益与社会价值日益凸显。在金融领域，通过大模型技术实现精准分 析海量数据，助力金融机构优化风险评估、提升决策效率，降低运 营成本的同时，为客户提供更个性化的服务体验。在医疗行业，大 Top10 综合算力指数 23 产业发展与存力规模之间存在相互促进的关系。一方面，存力 规模的扩大为产业发展提供坚实的数据存储基础，使得企业和机构 能够更好地管理和利用数据资源，推动数字技术与实体经济的深度 融合。另一方面，随着各省份数字经济、智能制造、金融科技等产 业的快速发展，数据量呈爆发式增长，对数据存储的需求也日益增 加，进一步推动了存力规模的扩张。 3.存力质量 我国省级行政区存力分指数-存力质量 推理芯片、先进计算架构、高速互连芯片技术等领域，强化国产芯 片在现有系统中的规模化应用验证和生态适配。三是加强算力与行 业结合，推动更紧密对接工业仿真、材料研发、生物医药、气象预 报等前沿领域和实体经济需求。四是发展多元化算力形态，支持边 缘计算、量子计算、光子计算等新型计算模式的研发、试点和应用 部署，探索未来算力增长点。 综合算力指数 38 （三）夯实存力运力底座，促进“算存网”协同演进

（AI）、机器学习、大数据分析、云计算、物联网（IoT）等前沿技术，为用户提供更加智能化、自动化以及互联的功能。它们不仅能够加 速数据处理和决策过程，还支持预测性分析、自然语言处理、增强现实/虚拟现实体验，并且可以通过持续的学习和适应来改进性能。 信息安全软件是专为保护计算机系统、网络和数据免受未授权访问、攻击及泄露而设计的程序工具。它通过提供防火墙、加密技术、入侵 检测、病毒查杀、安全审计等 。面向新一代移动信息网络、类脑智能等加快软件产品研发，鼓励新产品示 范应用，激发信息服务潜能。 政策解读 该政策旨在，促进智能软件研发行业通过强化技术创新、深化应用领域及优化产业结构，推动智能化与实体经济深度融合，加速培育新兴产业生态，提升行业整体竞 争力和自主创新能力，助力数字化转型。 政策性质 指导性政策 政策名称 《关于推进IPv6技术演进和应用创 新发展的实施意见》 颁布主体

实现自主智能供应链 舍弗勒：运用AI与机器人重塑制造业 正发生在舍弗勒工厂内部的一场变革或将 在不久后重新定义全球供应链的运作方式。这 家领先的运动技术公司已成功打造了一项概念验 证，运用实体AI和机器人技术来创建更自主、更 高效的运营模式，同时全面提升员工能力。 通过与微软、Agility Robotics和英伟达等 合作伙伴携手，该公司正在探索AI辅助的创新应 用，如规划理想的厂房设施。利用预先模拟并确 定设施的最佳布局，缩短调试时间，并为每个设 施确定合适的自动化程度。 另一项应用是基于NVIDIA Omniverse蓝图 打造的Mega平台，用于在工厂和仓库的工业数字 孪生环境中测试机器人集群，包括通用人形机器 人。实体AI（如人形机器人）因其多功能性而备受 青睐。它们能够快速轻松地融入以人为中心的环 境，参与物理空间的重复性工作流程。 机器人运营的实时优化是该概念验证中探索 的另一项创新。利用模拟数据，舍弗勒可以优化仓

管理关系、股权关系四维度图谱。 混合算法引擎 KNN 决策树 SVM 层次分析 聚类 业务规则 OEC 平台模型处 理 • 业务建模 • 中文分词 / 词性标注 • 实体识别 / 时间短语识别 • 关键词抽取 • 句法分析 / 语法分析 • 关系识别 担保关系 人工智能构建 企业风险知识图谱 门户 RSS