依赖于任务数据，专家标注耗时耗力， 自适应性差 智慧有限，可解释性差，直接输出告 警结论，无法实现告警事件分析 • 以思维链提示引擎激发大语言模型的领域文本分析能力和根因推理 能 力，在告警日志纷杂的信息中梳理思维链逻辑， AI 模型端到端生 成事 件分析总结，快速判断漏报、误报，找出根因。 • 根据用户需求描述，以多轮对话的方式灵活地提供告警查询、定位、 分析服务。 无需训练资源，可灵活迁移至不同设备应用

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

范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 20/80 口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理

智能风控与反欺诈：建立智能风控系统，运用机器学习算法对交易数据进行实时监控 和异常检测，及时发现并阻止欺诈行为。同时，通过大数据分析提高风险评估的准确性，降 低赔付风险。 内部流程优化：通过数字化转型，保险公司对内部流程进行梳理和优化，实现业务流 程的标准化、自动化和智能化。这有助于降低运营成本，提高运营效率。 （6）风险管理能力的显著提升 新兴风险评估：针对气候变化、网络安全等新兴风险，保险公司利用大数据和人工智 险 公司在这一领域的积极探索与落地成果。 基于广泛而细致的案例征集与深入调研，我们精选了来自21家国内外知名保险公司 的共计55个典型案例进行深入剖析。下图是对这些典型案例的概览。图中上半区域梳理 了保险行业中各关键环节以及跨领域通用应用的大模型技术案例，旨在展现大模型的多 元应用场景；而下半区域则清晰展示了这些案例与具体保险企业之间的对应关系，便于 读者快速定位并深入了解每一家企业在推动大模型技术应用方面的独特贡献与创新 模型完成了在售保 险产品知识库的构建，涵盖了市场上所有在售产品的详细信息。 知识生产流程：搭建了高效的知识生产流水线，并建立了视频课程销售逻辑提取流水 线，完成了大量课程的抽取及清洗入库，整合梳理了大量业务材料，确保知识库内容的高 效更新和维护。 合规规则库：以合规人员积累的知识内容，如合规手册、风险检视表、历史审核文件等， 整合建立并动态更新合规规则库，确保对高风险内容的实时干预和调整。

解决方案，助力 实现万物互联，提升国际竞争力和自主创新能力。 政策性质 指导性政策 数据来源: 工信部，国务院，科大讯飞，中国软件，用友网络 规模预测发市场规模 智能软件研发行业规模 政策梳理 8 政策名称 《质量强国建设纲要》 颁布主体 中共中央，国务院 生效日期 2023-01-01 影响 7 政策内容 推动制造业高端化、智能化、绿色化发展，大力发展服务型制造。同

者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点

GPT4 的两倍。 图10 OpenAI 不同模型 tokens 消耗价目表 资料来源：OpenAI，海通证券研究所 在实际测试中，使用搭载 GPT4 的智能体模型查找新闻并进行总结梳理。这部分的 单次消耗是 42000 个 tokens，成本是 1.5 美元。在实际应用中，假设一天需要统计的股 票新闻大约有 120 家公司，则成本为 35.8 美元，按照汇率 1 : 7.14 折合人民币

时间安排。通过确定调研的关键利益相关者，可以确保在后续流程 中获取全面的信息。 接下来，执行以下步骤： 1. 组织初步会议：召集项目相关的利益相关者，明确项目目标， 介绍 AI 大模型的基本概念，梳理他们的期望与关注点。 2. 收集已有数据：通过分析城市轨道交通的历史数据和现有报 告，初步评估当前系统的运作效率和存在的问题。这些数据可 能包括客流量、故障记录、维护成本等。 3. 设计调研 一环，助力城市交通向更高效、更智能的方向迈进。 10.1 关键发现 在城市轨道交通行业，AI 大模型的应用为运营管理、服务优化 和安全提升等方面提供了新的解决方案。通过对现有技术和需求的 梳理，我们得出以下关键发现： 首先，AI 大模型能够显著提升运营效率。通过对历史数据和实 时数据的分析，模型可以预测客流量、优化运行时刻表，从而减少 乘客等待时间，提升列车发车频率和准点率。这种预测能力可以通

性解决方案。 例如，通过对用户操作模式的智能分析，可以提前发现用户可能遇 到的困难，主动推送提示或建议，从而提升用户体验。 为了确保问题处理与优化工作的有效性，还需定期召开跨部门 协作会议，梳理问题处理流程，优化资源配置，确保各环节无缝衔 接。通过持续改进与维护，商务 AI 智能体应用服务将不断提升其 稳定性和用户满意度，为企业创造更大的商业价值。 13. 成本与收益分析 在商务 AI

发现的问题，需建立问题跟踪表，明确问题分类（如功能缺陷、性 能问题、用户体验问题等）、优先级（如紧急、重要、一般）和修 复计划，确保问题在约定时间内得到解决。 最后，项目团队应进行项目总结，梳理项目经验教训，形成 《项目总结报告》，为后续项目提供参考。通过严格的验收与交付 “ ” 流程，确保 人工智能数据训练考评系统 高质量上线，满足客户的 业务需求和使用期望。 12.1 验收标准与方法