... 212 风控建模流程：以京东群体感知项目为例.................................................244 信贷业务风控策略简介................................................................................. 266 机器学习在信贷风控建模中的优势和挑战.... ........................................................ 336 DataFunTalk 成就百万数据科学家！ 6 自动化特征工程和自动建模在风控场景的应用.........................................349 爱奇艺流量反作弊的“术”与“道”............................. 联邦学习的发展历史 DataFunTalk 成就百万数据科学家！ 37 1. 联邦学习 联邦学习在 2016 年由谷歌提出，因为 Google 有安卓系统，需要解决多个安卓 设备的分布式建模问题。其中，主要是针对输入法的建模，比如客户在安卓输入 法中输入单词“what”，或许他可能想继续输入“do you think”，Google 输 入法如果能自动联想出来，用户体验就会变得比较好，但是自动联想功能需要大

词向量及特征提取 4 深度学习特征提取 5 集成学习建模 大数掘挖掘专家 词向量及特征提取 4 深度学习特征提取 5 集成学习建模 大数掘挖掘专家 词向量及特征提取 4 深度学习特征提取 5 集成学习建模 大数掘挖掘专家

AI 与机器人技术融合后，从分子模拟到材料基因组学的全链条效率将被重新定义， 既能降低传统材料成本，又能缩短新材料研发周期。面对化工新材料研发的“多尺度复杂性” 与“实验验证滞后”痛点，AI 通过跨尺度建模、分子动力学加速等方案实现突破。在生产流 程中，AI 结合高通量机器人实验优化生产，降低损耗与故障率。但 AI 也在瓦解传统技术壁 垒，“白痴指数”高的材料受冲击大。化工企业需加强 AI 研发、引进人才、推动数字化转型， 工具有望通过以下方案突破瓶颈： 1.跨尺度建模误差控制：微观层面，从每个原子之间相互作用力的计算误差；到介观层面， 微小的孔洞结构或者材料密度变化对材料强度带来影响；再到宏观层面，在实验室小试成功， 但是规模化生产却完全失败，此类风险与跨尺度误差累积紧密相关。目前的最新研究显示， 类似 Deepseek 这类 AI 工具可以在粗糙尺度、中间尺度以及全原子尺度建模，在耗时和精准 性上相较于传统方法显示出显著优势。 请务必阅读报告末页的重要声明 3 / 29 行业研究|行业深度研究 正文目录 1. 新材料预测的挑战与 AI 的破局方案：数据+算法的双重赋能 ............... 5 1.1 跨尺度建模误差控制 .......................................... 6 1.2 分子动力学加速 ..................................

知识以文字的形式记录和传 播 如果人工智能想要获取知识 ，就必须懂得理解人类使用的不太精确、可能有歧义、 混乱的语言。 1 、语言模型概 述 语言模型（ Language Model ， LM ） 目标是建模自然语言的概率分 布 词汇表 V 上的语言模型由函数 P(w1w2...wm) 表示 ，表示词序列 w1w2...wm 作为 一 个句子出现的可能性大小。对于任意词串 w1w2...wm “ 行驶 ”等词搭配。这一过程帮助模型理 解词语间的搭配习惯，从而判断哪些词语 组合更为合理，形成对语言模式的认识。 语言模型训练就是要学习词、句内在的语言模式和语言关系，对这种关系进行 建模。 1 、语言模型概 述 Token ：自然语言中的最小单元 句子： 我是一名 AI 工程师。 字： 我 / 是 / 一 / 名 / A / I / 工 8=0.24 「我喜欢吃」概率： 0.3 ×0.1=0.03 「我想你」概率： 0.4 ×0.5=0.2 「我想去」概率： 0.4 ×0.3=0.12 1 、语言模型概 述 语言模型的目标是建模自然语言的概率分布 ，在自然语言处理研究中具有重要的 作 用 ，是自然语言处理的基础任务之一。包括： n 元语言模型、 神经语言模型、 预训 练语言模型。 随着基于 Transformer 的各

泵 压缩机 汽轮机 风机 石化行业是典型的重资产行业代表，设备性能直接关系到生产装置的投资、产能、 质量、安全、能耗及成本，设备运行状况将直接影响装置安全稳定运行。然而，采 用传统的设备建模方式，存在模型构建复杂、构建的数学模型通常不完善、存在诊 断滞后等问题。 炼化设备在石化生产中具有 至关重要 的作用 6 AI 技术的快速发展为石化装备智能管理提供了可 能 交互查询 批查询 慧 发 力 BigDat a 深 度 赋 能 1 2 石化装备 AI 管理—工业互联网平台深度赋能 AI 拖拉拽模型构建 交互式建模分析 深度优化算法库 30+ 模型管理 / 发布可视化 用户数据 数据预处理 特征探索 机器学 习建模 模型评估 批量 / 实时预测 客户精准营销 工业安防 驾驶行为分析 文本分类 话题发现 智慧发力 故障监测诊断 能耗优化 工业仿真 生命曲线，获取充足的正样本； • 用人工智能方法定位设备的工况和趋势预警； • 采集数据源：机组转速、轴向振动、径向振 动、温度、流量、压力等。 用户数据 数据预处理 特征探索 机器学习建模 模型评估 批量 / 实时诊断 数据预处理 历史数据 实时数据 特征提取 大数据分析 样本库构建 模型训练 分类 / 预 测 离线 在线 振动信号 转速信号 温度信号 载荷信号

数据清洗.....................................................................................48 4.3.2 数据建模.....................................................................................50 4.3.3 结果可视化 各类数据，如水位、流速、降水量等，并对数据进行清洗、归一化 等预处理操作，确保数据质量。 2. 深度学习模型模块：基于卷积神经网络（CNN）和长短期记忆 网络（LSTM）等深度学习模型，对水利工程中的复杂非线性关系 进行建模，实现洪水预测、水库调度优化等关键功能。 3. 可视化与决策支持模块：将分析结果通过直观的图表和报告形式 展示，为工程管理人员提供实时的决策支持，例如洪水预警、水资 源调度方案等。 为提高系统的实用性和可扩展性，DeepSeek 后续分析和处 理。  数据存储：采用分布式数据库和云存储技术，确保数据的高效 存储和快速访问。 数据处理层还集成了深度学习和机器学习算法，利用 DeepSeek 技术对历史数据进行分析和建模，生成预测模型和优化 方案。这些模型可以实时更新，以适应水利工程中的动态变化。 应用服务层是面向用户的接口，提供各种功能模块和可视化工 具，帮助用户进行决策支持和管理。主要功能包括：  实

洞察变化，提前采取适 应性行动； 2. 基于 AI ，风险自动预 判，并给出最优化的建 议； 3. 企业基础设施及资源配 置柔性化，满足最优化 要求； 数控化设备 基于设备联网的制造协同 实时共享云平台 大数据建模与分析平台 数字孪生与仿真分析 风险预判与自动决策系统 XRKJ 智能制造发展路径解析 智能化阶段 可预见 连接 云平台 自学习 自优化 价 值 车间哪些事 情正在发 生？ “ 可看清” 数据可视化 智能仪表盘 / 表计算 切片分组 / 下钻上卷 BI （智能分析） 指标设定 / 绩效评估 趋势分析 / 业务预警 AI （智能决策） 聚类分析 / 舆情监控 回归分析 / 快速建模 XRKJ 智能制造平台规划整体蓝图 ERP 财务 / 成本管理 MPS/MRP SRM 供应商管理 供应商协同 PLM 研发项目管理 研发成果管理 APS 车间计划排程 交期答复 未来 移动办公、内外部协同与沟通 移动终端及移动网络产生及发展 动态表单建模 一次设计，多端运行 支持 Android 、 IOS 、 HTML5 、 Winform 动态部署，实时生效 动态流程建模 端到端业务流程和节点审批流程支持 动态配置跨级反写、超额控制、自动关闭 全流程生命周期管理 动态服务建模 符合 SOA 标准 支持 SOAP1.1 、 SOAP1.2 JSON 等多种协议

组合，然后在项目现场进行拼装即可投入使用的数据中心解决方案。 智能调优技术 Intelligent Tuning Technology 智能调优技术是指利用感知识别、数据清洗、数据训练、认知推 理、系统建模、优化计算等人工智能技术手段，基于冷却系统运行数 据和物理机理实现对冷却系统运行参数的自主调优与决策。 冷却塔 Cooling Tower 用于将一次侧冷却工质回路的热量散到室外大气中的装置，一般 迭代获得最优负载分配和空调送风温度，如下图 3 所示。 基于预制模块化数据中心场景的冷却系统智能调优技术报告（ODCC-2025-06005） 5 图 3 预制模块化数据中心布局下温升矩阵示意图 数据与知识双驱动的全链设备与系统建模是考虑到以下 5 个方 面： （1）数据中心冷却系统涉及的设备繁多，包括换热设备、热功 转换设备和动力设备等，不同设备之间的运行组合可以形成不同的运 行模式和能耗变化； （2）基于理论分析建立不同设备参数与全局能效、水利用率和 型； （3）传统的物理建模在数据中心冷却系统全局优化中应用困难， 主要是因为设备庞杂和参数众多，并且由于环境多变导致边界条件难 以界定，致使误差和工作量较大； （4）目前流行的纯数据驱动的调优技术，由于训练所需数据量 较高，且不同机房间的数据不相通，导致数据量难以满足模型训练要 求，用户对纯“黑盒算法”的信任度较低； （5）基于数据与知识双重驱动的系统建模，既保证了模型在理 论上

年数据为真实值，其余为预测值） 重点关注公司及盈利预测 核心提要 人工智能未来有望赋能化工“研发 - 设计 - 建造 - 运营”全生命周期。 u AI 提升研发效率 在研发环节， AI 可提高研发效率，对实验数据建模，并使用该模型对反应条件进行优化和筛选催化剂等，加速研发进程；还可用于分子设计，并在 分子性能预测的基础上，提前筛选出合适的化学物质。 尤其是在合成生物学领域， AI 已在元件工程、基因线路 人工智能指导 材料研发过程 人工智能有助于开发高性能材料、 识别关键点并获得新的科学规律 ，促进化学信息学的发展。 化学信息学可用来对反应条 件进 行优化和筛选催化剂等 ，这主要是通过对实验数据进行建模 ，然后使用该预测模型实现对实验工作的指导； 可用于分子模拟 和 分子设计 ， 并在分子性能预测的基础上 ，从所设计的分子中筛选出并进行合成 ， 以便得到经过性能优化的材料。 图表：分子模拟与人工智能平台主要流程 实验数据采集 • 配方数据清洗 • 配方数据建模 • 模型验证和预 测 • 虚拟测试和筛 选 • 配方模型库 资料来源：创腾科技官网，国海证券研究所 资料来源：能源学人公众号，国海证券研究所 实验数据集 指导实验 发布模型 利用模型 机器学习建模 关键因素挖掘 实验科学家 特征排序

集成基础结构的体系结构、制造特征数据集成、多学科交叉功能、决策支持 工具、接口技术、虚拟现实技术、建模与仿真技术等。其中后 3 项是虚拟制 造的核心技术。 12 1 ．建模技术 虚拟制造系统 VMS 是现实制造系统 RMS 在虚拟环境下的映射，是 RMS 的模 型化、形式化和计算机化的抽象描述和表示。 VMS 的建模包括生产模型、产品模型 和工艺模型。 （ 1 ）生产 立系统模型——确定仿真算法、 建立仿真模型、运行仿真模型——输出结果并分析。 15 产品制造过程仿真，可归纳为制造系统仿真和加工过程仿真。虚拟制造系统中 的产品开发涉及到产品建模仿真、设计过程规划仿真、设计思维过程和设计交互行 为仿真等，以便对设计结果进行评价，实现设计过程早期反馈，减少或避免产品设 计错误。 加工过程仿真，包括切削过程仿真、装配过程仿真、检验过程仿真以及焊接、