2.2 数据清洗与标注..................................................................................28 2.2.1 数据去重与噪声处理.................................................................31 2.2.2 数据标注方案设计..... 结合政务领域的特定语料和知识库，进行模型的微调与优化。微调 过程中，将重点解决以下几个问题： 1. 数据来源与质量：政务数据涉及多个领域，数据来源多样且质 量参差不齐。项目将建立统一的数据清洗和标注流程，确保训 练数据的准确性和一致性。 2. 模型泛化能力：政务场景复杂多样，模型需具备较强的泛化能 力，能够适应不同的政务任务和场景。为此，项目将采用多种 数据增强技术和多任务学习策略，提升模型的适应性和鲁棒性。 力， 还需对数据进行平衡处理，确保各类政务问题的样本分布均匀。 接下来，对清洗和规范化的数据进行标注。标注工作应由具备 政务知识背景的专业人员完成，确保标注的准确性和权威性。标注 内容包括但不限于问题类型、关键词、情感倾向、实体识别等，这 些标注信息将作为模型训练的重要特征。 在数据标注完成后，需要对数据集进行分割。通常，数据集被 划分为训练集、验证集和测试集三部分。训练集用于模型的学习和

计算服务 CPU/GPU/FPGA 机器学习平台 技术 全球领先的大规模神经网络 深度学习 人才 2000+AI 核心研发人员 百度 AI 的整 体架构 用户画像 数据标注 数据采集 自然语言处理 知识图谱 大数据分析 视频 语音 AR/VR 图像 认知层 算法层 大数据 云 感知层 平台层 万亿级搜索数据 百亿级定位数据 存储 B 话务系统） 智能客服 (+ 自有 / 生态伙伴客服工作台 ) QA 对配置 扩展问管理 渠道管理 扩展问标注训练 百度智能客服功能架 构图 智能知识库 文档上传 全文检索 IR-QA 挖掘、标注、训练 Webhook （对接业务系统） 实体 属性 推理问答 Query 标注训 练 导入 / 导出 语音 / 文字 / 电话交互 调试信息输出 对话模式选择 系统实体 / / 意图 NLU 分析 意图识别 实体识别 表达式解析 对话状态管理 数据统计 迭代标注 节点触发 意图确认 知识清洗 账号权限管理 趋势分析 问题关联分析 扩展问推荐 情感 / 舆情分析 意图标注训练 节点跳转 协 同 已完成 迭代中 应用 场景 图例： 扩展问条数 召回数量 召回正确数量 召回率 （召回数量 /query 数量） 准确召回率 （召回正确数量

......................................................................................85 5.2 数据清洗与标注................................................................................................... 18%；第三，客户服务响应滞后，85%的保险公司尚未实现 7×24 小时智能问答。某头部寿险公司内部测试显示，传统 OCR+规则引 擎的医疗票据识别系统，在特病门诊单据上的关键字段提取错误率 达 21%。 现行流程中标注的痛点环节平均消耗 72%的处理时长。更严峻 的是，欺诈风险持续升级，互助型骗保团伙导致的财产险异常赔付 金额年增长率达 34%。这要求核赔系统必须具备动态学习新型欺诈 模式的能力，而传统规则库每季度更新的机制已明显滞后。与此同 决策依据的时效性。 关键技术实现路径包括： 1. 建立保险知识图谱，包含超过 10 万个实体和 200 万条关系，覆盖疾病编码、药品目录、伤残等级等 专业体系 2. 开发专用的文本清洗和标注工具，处理扫描件 OCR 识 别后的非结构化文本 3. 构建理赔案例相似度计算模块，实现历史 案例的智能匹配和参考 4. 设计可解释性输出模板，使 AI 决策过程 符合监管透明性要求

30%的临床决策延迟；最后，患者咨询服务响应 时效超过 48 小时的占比达 27%，严重影响就医体验。 当前医疗系统存在三个维度的能力缺口：在数据处理层面，传 统规则引擎无法有效解析 CT 影像标注、病理描述等复杂语义信 息，某省级医院测试显示现有 NLP 工具对放射科报告的实体识别 准确率仅为 68.4%。在流程协同方面，电子病历系统与药房管理系 统的数据对接需要人工转换 17 个关键字段，导致处方审核平均延 ，准 确率可达 92%（测试数据集包含 10 万条三甲医院真实门诊记 录）。典型处理流程如下： 临床决策支持 基于医疗知识图谱的语义理解能力，智能体可完成： - 检查报告关 键指标自动标注（如 CT ” 报告中 6mm ” 结节 高亮提示） - 多模态数 据关联分析（将病理报告文本与影像学特征匹配） - 药物禁忌实时 预警（整合患者过敏史与处方药品库比对） 测试数据显示 理报告），提取关键字段并结构化 o DICOM 影像数据与 HL7 协议数据的自动对齐与关联 o 跨机构数据的标准化映射（如 ICD-10 编码统一化） 例如在某三甲医院的试点中，智能体将原本需要人工标注的 CT 报告解析效率提升 12 倍，关键指标提取准确率达到 98.7%。 2. 实时临床决策支持 基于动态更新的医疗知识图谱，智能体可在以下场景提供实时 分析： o 住院患者风险预警：整合生命体征监测数据、实验室结

医疗影像报 告、既往理赔记录等多维度数据，实现： 1. 高风险案件自动预警 （响应速度<200ms ） 2. 差异化核保建议生成（覆盖 83 种常见疾 病） 3. 人工复核焦点自动标注（减少 70%核保员重复工作） 该技术架构已通过金融级数据安全认证，支持私有化部署条件 下的实时模型更新，确保在严格合规要求下保持技术迭代能力。实 际部署案例显示，接入 DeepSeek NLP 智能体引擎层部署多模态大模型，采用混合专家（MoE）架构 动态分配计算资源。针对保险行业特性，我们设计了三阶段训练方 案：1）通用领域预训练（千亿 token 保险行业语料），2）场景微 调（20 万标注对话样本），3）强化学习优化（基于 5 万次人工反 馈）。推理时通过动态剪枝技术将模型响应时间控制在 800ms 以 内，满足实时交互需求。 应用层实现场景化智能路由，根据不同业务需求自动匹配处理 语音 IVR | SIP/RTP | 200+ | | 柜面终端 | WebSocket | 1000+ | 模型持续学习框架 建立数据闭环系统，每日处理： - 2300+真实对话样本自动标注 - 15 分钟级模型增量训练 - A/B 测试流量自动分配（比例可配置） 模型迭代周期从传统 2 周缩短至 72 小时。 各模块通过服务网格（Service Mesh）进行通信，采用断路器

包括模型版本、性能指标、兼容性等评估。随后进入部署阶段， 预计在两周内完成模型的本地化部署和初步测试。 3. 数据接入与预处理 模型部署完成后，开始数据接入工作。此阶段预计用时四周， 包括数据清洗、格式转换、去重、标注等预处理步骤，确保数 据质量满足模型训练和知识库构建的要求。 4. 知识库架构设计 数据预处理的同时，进行知识库架构设计。设计工作包括知识 库的存储结构、检索机制、权限管理等功能模块，预计用时三 来源，包括政策文件、办事流程、公众咨询记录等。数据预处理阶 段，采用自动化工具对数据进行清洗、去重和结构化处理，确保数 据质量和一致性。为提升模型对政务知识的理解能力，引入领域专 家进行数据标注，构建高质量的语料库。 在模型训练阶段，采用迁移学习策略，基于预训练的 DeepSeek 模型进行微调。训练过程中，优化器选择 AdamW，初 始学习率设置为 5e-5，batch size 根据硬件配置动态调整，通常设 64。为防止过拟合，采用早停（early stopping）策 略，并设置 L2 正则化系数。训练过程在 GPU 集群上进行，确保训 练效率。  训练集：80%的标注数据  验证集：15%的标注数据  测试集：5%的标注数据 针对政务领域的特殊性，进行如下优化： 1. 引入领域词典， 增强模型对专业术语的理解 2. 采用数据增强技术，扩展训练样本 多样性 3. 设计多任务学习框架，同时优化问题分类和答案生成任

口充分利用已有数据和平台基础优势 口 研发大模型构建平台：自主研发大 模型构建平台，统一知识库、智能 体标准，支撑未来各项 MaaS 服务 口 构建行业知识库：有序组织各类文 本知识库和带标注等空间知识库构 建。 口 启动行业工具 库 ：以“模型中台” 概 念，构建统一各类工具标准，支 撑智能体搭建 口 部省市多部门协同，与部、省、 市对接，争取部试点，学习各级 国土资源部办公厅关于做好国有未利用地开发审批 权下 放 2024/2/215:26 113 国土资源部办公厅关于加强全国矿产资源潜力评价成果管… .2025/3/619:28 训练语料 样本库 多模态理解微调 特定任务标注 正反例百条 图文对 多模态理解模型微调 图像 / 视频 + 文本描述 ( 十万 级 ) 多模态 QA 结果排序 ( 万 级 ) 问答对 大语言模型微调 千条 ~ 万条 QA 对 形 视频理解扩写 深 加工 解析 版面分析 Chunk 切分 文档结构树 公式解析 图表理解 表格解析 图像解析 图像分类 语义标注 专 题 知 识 . 语 料 处 理 数据治理 数据增强 人工标注 数据集 预训练 微 调 对 齐 测评

大语言模型技术原理 数据是用于训练 AI 的，也就是 AI 算法通过大量的数据去学习 AI 中算法的参数与配置， 使得 AI 的预测结果与实际的情况越吻合。这里说的数据是指经过标注的数据，不是杂 乱的数据。所谓经过标注的数据是指有准确答案的数据。 算法是指解题方案的准确 而完整的描述，是一系列 解决问题的清晰指令，算 法代表着用系统的方法描 述解决问题的策略机制。 简单来理解，算法就是解 强化学习 1-100GPU 天级别训练时间 ChatGPT 、 Claude 数据集合 算法 模型 资源需求 3 、语言模型构建流 程 标注用户指令 数万用户指令和对应 的答案 用户指令 十万用户指令 标注对比对 百万标注对比对 原始数据 数千亿单词： 图书、 百科、网页等 语言模型预训练 强化学习方法 二分类模型 语言模型预训练 SFT 模型 RL 模型

，可一次性处理所有输入数据 ，使 ChatGPT 能对词语序列的概率分布进行建模 ，利用上下 文 信息预测后续词语出现的概率分布。 三种常见模型的特点对比 ChatGPT 成功关键之二：新模型 CNN 模型只能对标注过的物体 进 行相似度的比对 RNN 模型无法进行并行计算， 效 率严重受限。 Tf 模型可找到更泛华的相似规律， 或者说， 它的联想能力更强。 卷积神经网络模型 （ CNN ） 循环神经网络模型 ，前者以摄像头为主传感器 ，后者以激光雷达为主传感器。 应用 AI 大模型降低了硬件的要求 ，及软件开发的成本。 毫末智行： 单张图的标注 成本从 5 元下降到 0.5 元 ， 成本下降 90% 。 小鹏汽车： 2000 人年的 标注量， 可在 16.7 天完成， 效率提升 4.5 万倍。 大多数厂商选择多传感器融合路线， 以激光雷达为主传感器， 辅之以摄 像头、 毫米波雷达等。 图片来源：特斯拉、毫末智行 AI 大模型对自动驾驶成本的影响 车载感知硬件成本降低。 自动标注的效率提升， 带动成本大幅度下降。 大模型的开发成本。 厂商需要新增大量云 端 算力。 特斯拉 FSD V12 利用 了 1.4 万个 GPU 训练 集群 支持 AI 大模型运 算， 特斯拉预期其算力规模

+ 医疗” 为人工 智能的发展 奠定了数据基础。 2 典型应用场景 AI+ 医疗 应用场景 20 虚拟助理 语音电子病历 / 智能导诊 智能问诊 / 推荐用药 医学影像 病灶识别与标注 / 三维重建 靶 区自动勾画与自适应放疗 辅助诊疗 医疗大数据辅助诊疗 医疗机器人 疾病风险预测 基因测序与检测服务 预测癌症 / 白血病等重大疾病 药物挖掘 新药研发 / 老药新用 Scenario 2 典型应用场景  场景描述及公司现状：医学影像，是目前人工智能在医疗领域最热门的应用场景之一。  “ 医学影像”应用场景下，主要运用计算机视觉技术解决以下三种需求： A. 病灶识别与标注：针对医学影像进行图像分割、特征提取、定量分析、对比分析等工作； B. 靶区自动勾画与自适应放疗：针对肿瘤放疗环节的影像进行处理； C. 影像三维重建：针对手术环节的应用。 图像分割、特征提取、定量分析、对比分析 一次勾画通常有约 200-450 张 CT 片）速度，耗费时间较长；  人工智能与医学影像的结合，能够为医生阅片和勾画提供辅助和参考，大大节约医生时间，提高诊断、放疗及手术的精确度。 病灶自动标注 数字影片在机器中完成病灶自动标 注，为影像科医生阅片提供参考， 大幅度减少误诊、漏诊 靶区自动勾画 制定放疗方案前，对 200-450 张 CT 片 进行靶区自动勾画，然后由放疗科 医 生检查纠正，大大缩短勾画时间