基于大模型的企业架构建模助 力银行数字化转型应用方案 目录 CONTENTS • 数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 缩短信贷审批周期，提升客户体验。 优化信贷审批 大模型为银行提供智能化的业务解决方案，支持个性 化产品设计和精准营销，增强市场竞争力。 推动业务创新 大模型技术对金融业变革的推动作用 企业架构建模在转型中的核心价值 • 企业架构建模通过将战略目标分解为具体的业务和技术路径，确保银行数字化转型战略的有 效实施。 • 帮助企业明确业务能力和技术需求，推动战略目标与业务执行的紧密结合。 实现战略落地 • 通 通过企业架构模型，银行能够打通业务与技术的壁垒，实现业务流程与 IT 系统的高效协同。 • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析

1 实景三维建模技术..............................................................................16 2.1.1 数据采集方法.............................................................................18 2.1.2 建模软件与工具.. ...........................................................................................61 4.1 建模流程.............................................................................................63 4 4.1.1 数据导入与处理.........................................................................65 4.1.2 建模参数设置.............................................................................68 4.2 纹理与细节处理......

示和详细的多模态信息之间切换, 以适应不同的交 互任务. 1.2 多模态环境建模 一些工作利用多模态大模型对环境进行建模, 实现具身智能对空间信息的多模态理解. 以 CLIP 为代表的多模态大模型由于包含跨模态的理解能 力, 可以用于编码摄像头输入的图片与包含用户任 务自然语言, 实现对环境的语义建模, 以增强具身 智能系统对环境的感知. 需要强调的是, 虽然本节 与第 1.1 节都提到了多模态大模型 节都提到了多模态大模型, 但第 1.1 节内 容倾向于直接利用模型进行 2D 图片与文本理解; 本节的工作则是提取多模态模型的知识对场景本身 进行建模, 并未直接使用模型的输出进行控制. 为了解决开放词汇移动操作 (Open-vocabu- lary mobile manipulation, OVMM) (即机器人能 够在未知环境中识别并操纵任意物体以完成日常 任务) 的挑战, HomeRobot[102] 身 智 能 数据来源 视频学习 模仿学习 模拟器 系统架构 冻结模型 Transformer 控制层级 动作级 规划级 任务级 需求级 感知与理解 人类反馈 多模态环境建模 可供性与约束 多模态模型理解 3D-VLA[63], Wang 等[25], Yang 等[29], ViLA[30], MultiPLY[100], iVideoGPT[64] AffordanceLLM[94]

类客户关联关系，如：投资关系、担保关系、 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 题 案 小富机器人优势不特色 小富机器人癿工作过程示意 第二步 批量导入，自动打业务标签 无须逐条整理 FAQ 第三步 用户问题语义分析，业务标签匹配 业务建模 + 概念资源 + 语义分 析 第一步 业务建模 用智慧发现信息价值 Discover information 用智慧发现信息价值 Discover information 小富机器人：问题理解和答案相关性癿提升 服务 DC 集群 管理 容器 服务 测试 服务 自劢 化 标签集成服务 元数据管理 插件管理 数据质量管理 数据关联服务 离线计算模块 流计算模块 路由负载 探索分析引擎 建模服务 API 可视化 API 数据访问 API 知识管理服务 机器人问答服务 语义分析服务 规则管理 服务监控 流程管理 API 服务探索 产品洞察 Row DB Column DB

针对2D船舶设计图纸中不同标尺参数，运用元景多模态大模型进行 识别，精准输出设计参数信息，为设计师精准建模提供必要参考；  面向不同船厂的设计规范、图纸中不同类型的线材，运用元景视觉 大模型进行分割检测，有效提取船舶轮廓、不同船舱的设计要素， 输出3D建模所需的信息要素，提高设计师看图建模的工作效率。 翻模设计 线条类型 位置参数 -26- 大模型赋能国产大飞机装备运维 n 联 错误的内容，即“一本正经地胡说八道”  示例1：一篇根本不存在的参考文献（右图） n 大模型幻觉产生的原因  目前的大模型结构和训练机制：基于概率的生成模型，本质上没有理解 自己所学习的内容  缺乏对真实世界的有效建模方式和全息感知能力  训练数据的局限性：数据质量、重要数据的缺失、不同类型数据的比例 n 如何应对（用户角度）  建议1：建立“大模型结果不一定可信”的认知，根据自己的需要，对 于模型的

私有化自带容器底座 TCS 腾讯云 TI 平台产品核心能力 面向实战的一站式大模型精调部署解决方案 AI 建模部署 大模型精调 u 快速试一试： 零代码一键部署大模型，网页问答体验推理效果 u 精调训练： 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 高级推理能力至小尺寸模型，以更低推理成本满足垂直场景下的业务需 求 内置 R1 模型一键部 署 快速 选择并精调目标模型 评估对比模型效果 R1 模型部署 效果评 估 蒸馏模 型 任务式建模 数据构建 模型评测 数据构建 数据构建 无关数据过滤剔除 R1 问题清 洗 在线服务 - - ~ TI 平台的 DeepSeek 实践 全行业适用、让 DeepSeek 更好用

3.2.1 数据预处理与清洗......................................................................43 3.2.2 特征提取与建模.........................................................................45 3.3 AI 模型选择........... 后视频数据，为后续的智能分析奠定基础。这一数据处理模块的设 计，能够显著提高公共安全领域中 AI 大模型的应用效果，助力构 建安全、智能的社会治理体系。 3.2.2 特征提取与建模 在数据处理模块中，特征提取与建模是实现视频智能挖掘的关 键环节。该环节旨在从原始视频数据中提取有意义的特征并构建适 用于后续分析和决策的模型。为了确保特征提取的高效性与准确 性，本方案结合深度学习技术，采用多层次的视频分析框架。 征。在此次应用方案中，可参考以下步骤进行特征提取与建模： 1. 选择合适的预训练模型进行空间特征提取。 2. 通过迁移学习微调模型，以适应特定领域的特征提取需求。 3. 使用 LSTM 对提取的空间特征进行时序建模。 4. 进行特征融合，形成包含空间和时间信息的综合特征向量。 5. 通过交叉验证等方式对特征的有效性进行评估，确保所选特征 对模型性能的提升值。 接下来是特征建模环节。在特征建模过程中，我们将采用分类

90% 以上 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体 会 故障诊断模块 Al 建模 ( 脚本嵌入 ) 边缘控制器 领域知识 deepseek 数据驱动建模 数 字 孪 生 云 平 台 SCADA 群控软 件 现 场 群 控 平 台 简 介 65/80 中心 世界模型 /

等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 2.5 智能层次局限 通过引入大数据、人工智能技术系统智能化水 平得到了较大提高，例如，视频识别技术应用在安 全监管中实现的安全生产风险智能监测预警，无人 机及快速建模技术在应急救援中实现的灾害环境智 能感知等。这些技术侧重外部世界数据的收集和处 理，加强了系统的视觉、听觉和触觉等感知能力，使 得应急系统能够及时捕捉外部环境变化。按照机器 智能水平由低到高的 4 个层次：数据智能、感知智 其知识默会的部分要比能言明的部分更为重要[25]。 传统知识管理模式是建立在知识的结构化符号 表示之上[11]，这也导致当前信息系统的知识库主要 关注那些可以编码的显性知识，而隐性知识因无法 符号化表示则难以建模。如表 1 所示，与传统模式 相比，大语言模型提供了一种全新的知识管理模式， 利用大语言模型技术重塑应急系统的知识获取、知 识共享、知识创新、知识应用等关键环节，突破系统 智能化发展的困境，更好发挥应急知识管理的效能。

行特性，从而在发现异常时及时报告。 其次，在实际应用中，可以将设备分为不同的类，例如机车、 信号设备、供电系统以及轨道等。每类设备基于其不同的工作环境 和故障特征，采用相应的数据特征和算法进行建模和分析。以下为 不同类设备的主要故障类型及其监测指标： 设备类型 主要故障类型 监测指标 机车 电机故障、制动失效 温度、振动、声音等数据 信号设备 信号失灵、延时 通信延迟、信号强度、数据包丢失 环境数据：包括天气状况、施工信息、交通流量等外部因素的 数据。这些信息可用于分析与城市轨道交通相关的各种环境变 量，帮助模型更好地应对复杂的运营状况。 5. 历史数据：积累多年的历史数据是分析和建模过程中不可或缺 的部分。这些数据包括过往事件的数据记录，如故障事故、客 流量高峰期记录等，能够提供重要的趋势及模式分析。 关于如何收集这些数据，以下是一些切实可行的方案：  传感器与监控系 GRU（门 控循环单位）等模型进行客流量预测。由于客流数据往往具有 时序特征，这类模型能够有效捕捉数据中的时间依赖性。 2. 图神经网络（GNN）：在调度优化和网络分析中，图神经网 络可以有效建模轨道交通网络中的节点及其边的关系，帮助提 升调度策略的整体效率。 3. 迁移学习模型：对于设备故障诊断，可以采用预训练的深度学 习模型，通过迁移学习方式，针对少量故障数据进行再训练， 快速适应特定环境和设备。