埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 实现自主智能供应链 自主化征程： 当下现状与未来十年 前言 05 25 04 18-24 17 06-07 08-09 10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高

进行： 1. 数据收集与预处理：从多源获取市场数据，包括历史价格、成 交量、财务数据、新闻和社交媒体数据等，并进行清洗和标准 化处理。 2. 特征提取与选择：利用深度学习模型自动提取特征，并通过特 征选择算法筛选出对预测最有用的特征。 3. 模型训练与优化：基于提取的特征，训练深度学习模型，并通 过交叉验证和超参数调优提高模型性能。 4. 信号生成与交易策略制定：根据模型预测结果生成交易信号， 策略开发与优化： o 模型训练：基于 DeepSeek 的深度学习和强化学习模 型，利用历史数据进行训练。 o 策略生成：自动生成多因子模型、趋势跟踪、均值回归 等策略。 o 参数优化：通过遗传算法、贝叶斯优化等技术进行策略 参数调优。  实时交易执行： o 交易指令生成：根据策略信号生成买卖指令。 o 订单管理：订单路由、撮合、撤单等操作。 o 风险管理：实时监控风险敞口，触发止损或止盈机制。 在模型训练完成后，系统会进入参数优化阶段。常用的优化方 法包括网格搜索（Grid Search）、随机搜索（Random Search） 和贝叶斯优化（Bayesian Optimization）。以贝叶斯优化为例， 其通过构建代理模型（如高斯过程）来评估不同参数组合的性能， 从而高效地找到最优参数。以下是贝叶斯优化的伪代码示例： 最后，系统会对优化后的模型进行性能评估。评估指标包括回 测收益率、夏普比率、最大回撤等。系统会将模型的预测结果与实

独角兽被记载在大 约公元前 10000 年 漫 游亚特兰蒂斯平 原， 它们经常与皇 室联 系在一起。 模型的回答与事实不符， 因为尼尔 · 阿姆斯特朗 才是第一个登上月球的 人，而尤里 · 加加林是 第一个进入太空的人。 模型的回答是虚构的，因 为没有经过验证的现实世 界证据支持独角兽在亚特 兰蒂斯的存在，特别是与 皇室的关联。 违反事实，专业知识不足

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 化或归一化处理。同时，特征选择也是重要环节，可通过相关性分 析、卡方检验等方式筛选出对模型训练有显著影响的特征。 数 修正异常值：如果 异常值并非错误，但对数据分布有较大影响，可以通过修正方法将 其调整为合理的值。例如，使用均值、中位数或插值法来替换异常 值。 - 保留异常值：在某些情况下，异常值可能反映了数据中的特 殊现象，具有一定的研究价值。此时，可以选择保留异常值，并在 后续分析中单独处理。 为更直观地展示异常值处理的效果，可以使用下表对处理前后 的数据进行对比： 数据点 原始值 处理后的值 处理方法 签体系，确保标签之间互斥且覆盖全面。对于实体识别任务，则需 确定需要识别的实体类型及其边界规则。 标注过程中，应建立统一的标注规范，确保不同标注人员之间 的一致性。标注规范应详细说明各类标签的定义、标注示例以及特 殊情况处理方式。为提高标注效率，可采用半自动化工具辅助标 注。例如，利用预训练模型对数据进行初步标注，再由人工审核和 修正。这一过程不仅可以减少人力成本，还能提升标注质量。 为保障标注质量，需建立多级审核机制。初级标注人员完成标

道交通行业中的数据需求与获取途径。 AI 大模型的核心需求是多样性和丰富性的数据。首先，技术数 据是基础，包括车载设备数据、轨道状态监测数据、信号传输数据 等。这些数据对于模型的训练至关重要，帮助其理解系统的动态特 性，并优化运行效率。例如，来自传感器的实时数据能够用于预测 设备故障，从而实现预防性的维护。 其次，运营数据也是必不可少的。这类数据包括客流量、列车 运行图、停站时间、日常维护记录等，这些数据可以反映出整体运 时，采用数据增强技术提升模型的鲁棒性。  优化算法：建议选用 Adam 优化器，该优化器在处理稀疏梯 度和非平稳目标方面效果较好，有助于更快地达到收敛。  超参数调优：利用网格搜索或贝叶斯优化方法对超参数（如学 习率、批量大小等）进行系统搜索，以寻找到最优的训练配 置。  模型评估与验证：定期根据交叉验证结果调整模型结构，确保 模型的泛化能力，防止出现过拟合。 综上所述，设 学习效果和推理能力。针对不同的模型和任务，超参数调优技巧应 包括以下几个方面： 首先，常用的超参数调优方法主要有网格搜索、随机搜索和贝 叶斯优化等。网格搜索在预定义的参数空间中穷举每一种组合，适 合参数范围较小的情况；随机搜索则是随机选择一定数量的参数组 合，能够在较大的参数空间中找到较优解；而贝叶斯优化利用以前 的试验结果，逐步更新对超参数空间的知识，从而在寻优过程中更 加高效。 其次，针对模型的特定需求，建议关注以下常见超参数并进行

市场新闻和社交媒体评论等。具体应用包括情感分析、实体识别、 语义搜索和自动问答系统。 在情感分析方面，DeepSeek 能够实时监控社交媒体和新闻平 台，识别市场情绪波动，帮助银行及时调整投资策略。例如，系统 可以分析用户在推特上对某只股票的评论，判断是正面、负面还是 中性情绪，并生成情感评分。这些数据可以与历史市场数据结合， 预测股价走势。 实体识别技术则用于从文本中提取关键信息，如人名、公司 名、日期和金额等。这在合同审查和风险管理中尤为重要。例如， 客户身份验证系统（KYC）和风险管理系统（RMS）的无缝集 成，DeepSeek 能够进一步提升反洗钱的效率和准确性。 以下是系统的主要功能模块及其作用：  交易特征提取：通过深度学习模型，从交易数据中提取关键特 征，如交易金额、频率、时间和地点等。  异常检测：基于历史数据训练模型，自动识别异常交易模式， 如大额频繁转账、跨境异常交易等。  风险评估与分类：根据交易特征和异常检测结果，对交易进行 数据收集与预处理：系统自动从全球金融市场、新闻媒体、行 业研究报告等渠道收集多源数据，并进行清洗、去噪和标准化 处理，确保数据的一致性和可靠性。 2. 资产收益与风险预测：利用时间序列分析、神经网络和贝叶斯 统计等方法，预测各类资产的未来收益率和波动率，并生成协 方差矩阵。 3. 组合优化求解：根据投资者的风险偏好和收益目 标，DeepSeek 采用二次规划算法求解最优资产权重，确保在 给定风险水平下实现收益最大化。

下表典型场景） 风险类型 传统检测率 智能体检测率 关键技术 关联交易舞弊 32% 89% 图谱推理+时序分析 风险类型 传统检测率 智能体检测率 关键技术 收入确认异常 45% 93% 贝叶斯网络+规则引 擎 费用分摊失真 28% 76% 聚类分析+异常值检 测 知识沉淀标准化 设计审计知识图谱架构，解决行业经验碎片化问题： 实现审计准则、监管要求的动态同步更新，确保所有项目自动 2. 深度学习模 型：处理关联方识别、异常交易检测等非结构化问题 3. 专家系 统：对重大风险事项启动预设审计程序链 应用层构建审计工作台界面，集成三大核心功能：智能抽样模 块采用分层贝叶斯方法，在 95%置信水平下将抽样量降低 40%； 底稿自动生成模块支持按证监会各板块要求一键生成差异化的审计 报告；风险可视化模块通过动态知识图谱展示企业关联交易网络， 节点大小反映交易金额，边权重体现资金流转频率。 输出层。 在数据融合层，模块内置审计数据标准化管道，支持对结构化 财务数据（如 ERP 系统导出的 SAP 凭证）、非结构化数据（如合 同文本扫描件）以及时序数据（如银行流水）的统一处理。通过特 征提取引擎自动生成审计特征矩阵，典型特征包括但不限于：凭证 金额离散度、交易时间集中度、关联方交易频次等 12 类核心指 标。 分析层采用混合推理模式，其技术实现如下表所示： 组件 技术实现

和分析周期较长，使得生态变化无法及时反映，进而影响管理和决 策的时效性。这种选择在面对突发环境事件（如污染泄漏或生态灾 害）时，往往显得捉襟见肘。 其次，生态监测的空间覆盖面往往不够广泛。在许多地区，特 别是偏远和难以到达的区域，生态监测的设备和人员投入不足，导 致缺乏对生态系统的全面真实的了解。此外，某些生态指标的监测 要求高度专业化的技术设备和操作，这进一步限制了生态监测的安 装和使用范围。 码等将其转 化为数值型格式，便于模型处理。 最后的数据缩减步骤，目的是在尽可能保持重要信息的前提 下，减少数据规模。常用技术包括：  主成分分析（PCA）：提取数据中最具信息量的成分，减少特 征维度。  相关性分析：移除与目标变量相关性低的特征，简化模型复杂 度。 数据预处理的实施效果将在直接影响后续的模型训练和预测结 果。通过实施以上步骤，可以为智能诊断系统提供更加优质的数据 ，能够减 少训练时间和提高模型性能。建议结合多种模型建立集成学习框 架，以提升整体的预测准确度和稳健性。 在训练过程中，超参数的调优也是模型优化的重要组成部分。 通过网格搜索、随机搜索或贝叶斯优化等方式，可以有效地找到最 佳超参数组合。例如，在进行深度学习训练时，学习率、批量大小 和层数都是需要调优的重要参数。此外，考虑使用交叉验证技术能 够防止模型过拟合，提高模型的泛化能力。 值得注意的是，AI

Perceiver Transformer 则允许模型 从少量演示中学习并泛化到新的环境和任务. 同样 是使用体素对环境进行建模, AVLMaps[91] 将视觉 定位特征、预训练的视觉−语言特征和音频−语言特 征与 3D 重建相结合, 将多模态大模型的开放词汇 查询能力融合进环境的 3D 体素网格中, 使得机器 人系统能够基于多模态查询 (如文本描述、图像或 地标的音频片段) 在地图中索引目标. Act3D[92] 表现出了巨大的潜力[109]. LangSplat[88] 是首个提出基于 3D 高斯构建 3D 语言场的方法, 方法使用 SAM 与 CLIP 提取三个 语义尺度的语言特征, 并优化 3D 高斯对提取的特 征进行表示, 最终创建一个能够准确响应语言查询 的 3D 语言场, 同时保持高效的渲染和查询性能. 实 验结果显示, LangSplat 显著优于之前最先进的基 于 NeRF 的方法—语言嵌入式辐射场 踪、语义分割和新视角合成方面展示出了优于现有 的基于 NeRF 的 SLAM 方法的性能. Splat-MOVER[89] 成功地将 3D 高斯应用到具 身智能的场景表示中. 该方法通过可编辑的 3D 高 斯场景表示实现多阶段、开放词汇的机器人操作. Splat-MOVER 由三个主要模块组成: ASK-Splat、 SEE-Splat 和 Grasp-Splat. ASK-Splat 是一个 3D 场景表示模块

模型训练与优化模块 该模块是智能体的核心部分，负责构建、训练和优化深度学习 模型。其功能包括特征工程、模型选择、超参数调优及模型评 估。 o 特征工程：通过 PCA、LDA 等方法进行降维，或通过特 征组合等方法提升模型性能。 o 模型训练：支持多种深度学习框架（如 TensorFlow、PyTorch）及经典机器学习算法。 o 模型评估：采用交叉验证、混淆矩阵、AUC 等指标对模 型性能进行量化评估。 智能体开发过程中的核心环 节，旨在通过设计、实现和优化算法，使智能体能够高效地完成特 定任务。首先，算法开发的基础是任务定义与目标明确。开发者需 要根据智能体的应用场景和功能需求，明确其需要解决的问题类 型，例如分类、预测、决策或优化等。在此基础上，选择合适的算 法框架是开发的关键一步。常见的算法框架包括强化学习、深度学 习、遗传算法和贝叶斯优化等，具体选择需根据任务的复杂度、数 据量和计算资源进行权衡。 枝、量化）是可行的优化方案。此外，算法的可解释性和鲁棒性也 是设计时不可忽视的因素，特别是在高安全要求的应用场景中。 算法的优化策略同样需要精心设计。可以通过以下步骤提升算 法性能：  超参数调优：采用网格搜索、随机搜索或贝叶斯优化等方法， 找到最优的超参数组合。  模型集成：结合多个模型的预测结果，例如通过加权平均或堆 叠（Stacking）策略，提升整体性能。  数据增强：在训练过程中引入数据增强技术，例如图像旋转、