中原银行业务发展概 况 分行 18 家 村镇银行 9 家 #1 #2 #3 #4 建设背景 选型 & 架构 应用场景 建设成 效 反欺诈 申请 从个人 / 企业主体，转变为黑 产主体。 交易 从一方欺诈演变成更加隐 蔽、实时的三方欺诈。 实时风控体系能力模型 3 6 1 2 4 5 #1 #2 #3 #4 建设背景 选型 & 架构 应用场景 建设成 效 PMML 模型文件 Python 模型文件 实时指标库 实时计算技术 数据清洗 数据加宽 实时维表 窗口计算 指标引擎 规则引擎 模型引擎 实时风控技术选型 Connector Kafka RDBMS RESTful API IM

资源配置 .................................................................................... 99 6.2 硬件与软件选型 ............................................................................... 101 6.2.1 服务器配置 . ，在处理时序视频数据方面也 显 示出良好的性能。 基于以上分析，选型将集中在以下几个方面： 1. 目标检测模型选型： o YOLOv5：快速并且适用于边缘设备，实时处理视频流 的 理想选择。 o Faster R-CNN：在精度要求较高的场景下使用，适合 大 量目标检测的应用。 2. 事件识别模型选型： o LSTM：适合处理长时序视频数据，可以有效识别复杂 事 件。 应用 场景的需求。在此基础上，需进行技术选型，选择符合需求的 AI 大模型和视频处理技术，如卷积神经网络（CNN）、长短时记忆 网 络（LSTM）等，以支持多种复杂场景下的视频分析。 在系统架构设计阶段，要确定系统的整体架构，包括数据采集 模块、数据存储模块、智能分析模块和用户界面模块。各模块之间 的连接方式、数据流向以及技术选型都需详细规划。以确保各模块 间的高效协同，系统架构可以用如下图示表示：

67 4.3.2 数据开放度评估.........................................................................68 5. 技术选型................................................................................................... 综上所述，通过全面的数据开放度评估，能够有效识别数据共 享过程中的瓶颈与障碍，从而为制定更为有效和可行的开放政策提 供坚实基础，推动省级可信数据空间的构建与发展。 5. 技术选型 “ ” 在 省级可信数据空间 的建设过程中，技术选型是至关重要的 一环。这一过程需要综合考虑多种因素，包括技术的稳定性、可扩 展性、安全性、以及与现有系统的兼容性。以下是对关键技术的详 细分析和选择建议。 首先，在 进行应用的部署与管理。容器化不仅能够 提升系统的可移植性和隔离性，还能极大地简化运维管理。此外， 使用 Prometheus 等监控工具，可以实时跟踪系统性能，及时发现 并处理潜在问题。 综合考虑上述各个层面的技术选型，以下是推荐的技术栈总 结：  数据存储层: Apache Cassandra / MongoDB + Apache Hadoop  数据处理层: Apache Spark + Apache

.........................................................................................27 3.1 模型选型与定制化训练............................................................................................. ................................................................................57 4.3.1 语音合成（TTS）选型................................................................................................... .......................................................................................88 6.1 终端设备选型建议.................................................................................................

己的动作，尝试不同的变化。经过多次尝试和调整，它逐渐学会保持平衡、协调动作， 最终能够成功地行走。 3.4 、强化学习阶 段 1. 智才筑基—— AI 素养提升工 程 2. 算力赋能—— 基础设施升级 3. 基座选型—— 核心模型构建 4. 安全筑盾—— 防护体系建设 5. 场景深耕—— 业务痛点突破 6. 知识聚库——本地知识库建设 7. 智能铸魂 —— AI Agent 构建 三、 四横三纵应对策略路径 智绘之路 ®deepseek 四横三纵七步谋， 智算筑基夯根基。 筑牢安全破瓶颈， 智识赋能启新章。 应对 DeepSeek 浪潮的策略路 径 安全筑盾 基座选型 算力赋能 智才筑基 场景深耕 知识聚库 智能铸魂 能力 构建 在规划和自然资源行业普及 AI 并提升行业人员的 AI 快（轻量化设计） 在选择基座模型时，应综合考虑业务场景和安全合规要求，评估模型的多模态处理能 力、长文本分析性能以及安全合规性。同时，结合项目规模、预算，选择最适合的基 座模型。 3 、基座选型—— 核心模型构 建 根据奇安信等安全机构的监测，近九成部署 DeepSeek 的服务器存在严重的安全隐患， 处于“裸奔 ”状态，极易成为攻击目标。 修改默认端口（如 11434 ），

...22 3.2 分层架构........................................................................23 3.3 关键技术选型................................................................31 四、数据治理方案....................... 括安全策略制定、安全漏洞管理、安全事件响应等。 定期进行安全评估和审计，及时发现和修复安全漏洞， 防范安全风险。加强安全培训，提高平台使用人员的 安全意识和操作技能，确保平台的安全运行。 3.3 关键技术选型 3.3.1 算力硬件 选择华为昇腾 910B 芯片作为算力硬件的核心， 该芯片支持 FP16/FP32 混合精度计算，能够满足大 模型推理的高性能需求。华为昇腾系列芯片是国产自 主可控的算力芯片，具有高性能、低功耗、高可靠性 经过严格的审核，确保数据的质量和安全性。同时， 建立数据开放反馈机制，收集用户对开放数据的使用 意见和建议，不断优化数据开放服务，提高数据的利 用价值。 五、AI 模型部署与管理 5.1 大模型选择与部署 5.1.1 模型选型 通用模型方面，选择 DeepSeek-R1（671B 参 数）用于多轮对话、文本生成等场景，该模型具有强 大的语言理解和生成能力，能够满足政务领域复杂对 话和文本创作的需求；通义千问在知识问答、代码生

对账准确率达96%，降低了核验人工成 本，以及漏检导致的流程反复成本； • 密尔克卫利用AI技术搭建自动计费系统， 自动化无缝衔接从报价到账单生成全流 程； • 震坤行将AI推品大脑、AI行家助手等智 能体与产品选型推荐、销售转化等场景 结合，客服人均处理订单行数同比提升 48%； • 汇通达的“千橙AI超级店长”可协助门 店自动完成60%的日常管理工作，有效 将员工从琐碎事务中解放出来。 供应链与物流 工业用品AI大模型 震坤行工业用品 数据字典 数字资产规模快速增长 支撑AI选型智能体实现技术跨越 工业用品智能体矩阵 30% 66% 98% 传统算法 通用大模型 震坤行AI选型智能体 商品选型准确率对照 高质量数据存储量 - 28 - 震坤行：AI场景化创新，深度赋能工业用品采购全链路 震坤行聚焦工业用品选型推荐、企业采购管理与制造业核心场景，持续推进AI场景化创新，通过将“行家玲珑”工业用品AI大模型技 构建工业品知识图谱，形成基础标准、分类编码、商品模板等多 套标准体系，覆盖4951个类目、3.3万条属性，实现3.5万个品牌 归一化。 • 智能应用落地：开发智能选型、寻源、履约等应用，企业输入关 键参数即可自动匹配商品，替代传统人工选型模式。 • 生态协同整合：通过统一数据标准，链接超10000家供应商与仓 库，打通商品、服务与履约资源，实现社会化协同网络。 • 打造子品牌专业产品矩阵：涉及个人防护、工具、通用耗材、行政

.......................................21 3. 技术选型与架构设计..................................................................................23 3.1 大模型技术选型................................................ 3. 技术选型与架构设计 在建筑设计领域接入 DeepSeek 大模型，需首先明确技术选型 与架构设计。DeepSeek 大模型作为一种先进的生成式 AI 技术， 能够处理复杂的建筑设计任务，包括但不限于自动化设计生成、参 数优化、实时渲染与仿真。其核心技术包括自然语言处理 （NLP）、计算机视觉（CV）和深度学习（DL），这些技术共同 构成了建筑设计智能化的基石。 在技术选型方面，我们建议采用以下技术栈： 制，确保只有授权用户才能访问系统资源。 最后，为了持续优化系统性能，我们将实施监控和日志记录机 制，跟踪系统运行状态，及时发现并解决问题。通过这些技术选型 与架构设计，我们能够构建一个高效、可靠、安全的建筑设计智能 化系统，为设计师提供强大的技术支持。 3.1 大模型技术选型 在建筑设计领域，选择适合的大模型技术是确保项目成功的关 键。首先，DeepSeek 模型作为一种先进的深度学习框架，具有强 大

能够在医疗场景中实现高效、稳定、安全的运行，满足复杂医疗数 据处理的需求，提升整体医疗服务的质量和效率。 5.1 硬件性能调优 在医疗场景中，deepseek 智算一体机的硬件性能调优是确保 系统高效运行的关键步骤。首先，硬件选型应针对医疗数据处理的 需求进行定制化配置，包括高性能处理器、大容量内存和高速存储 设备。处理器方面，建议采用多核心 CPU，如 Intel Xeon 或 AMD EPYC 系列，以支持并行计算需求。内存配置应不低于 合理规划开发周期，避免因工期紧张带来的额外成本 4. 建立严格 的变更控制流程，控制需求变更带来的成本增加 预计整体软件开发周期为 6-8 个月，项目团队规模控制在 15- 20 人，具体成本将根据项目实际需求和技术选型进行动态调整。 8.3 人工与运营成本 在设计医疗场景的 deepseek 智算一体机时，人工与运营成本 是重要的考虑因素。该部分的成本主要包括设备安装调试、人员培 训、日常维护以及技术支持等方面。 其次，医疗场景对系统的实时性和稳定性有严格的要求。无论 是手术中的实时监测，还是急诊室的快速诊断，系统都必须能够在 极短的时间内提供准确的结果。这对硬件性能、算法优化以及系统 的容错能力都提出了挑战。为了实现这一点，需要在硬件选型、算 法优化以及系统架构设计上进行精细的权衡和优化。 此外，医疗系统的安全性和隐私保护也是技术实现中的一大难 点。医疗数据涉及患者的个人隐私，必须严格遵守相关的法律法 规，如 HIPAA、GDPR

AI Agent 应对复杂性的智能解决方案 工业场景复杂多变，涵盖研发、生产、质量管控等多环节，传统管理方式难以为继。 Agent 技术应运而生，成为破局关键。在研发设计阶段， Agent 助力智能选型与优化，加速智能工业设计进程；生产制造中，它支持柔性生产与智能排程，提升生产效率与灵活性；面对质量管控难题， Agent 实现设备状态监控与质量检测优化，精准把控产品质量；物流配送时， Agent Playbook 》 www.jazzyear.com 42 支柱 AI 产品构建类型分 布 AI 原生 AI 赋能 内部需求定义 (RFI 准备 ): 组建跨部门选型小组，明确业务 目标、关键场景、技术和安全基线，形成需求邀请书 (RFI) 。 供应商初筛与方案评估 (RFP): 基于 RFI 回复和框架初步评估， 筛选 3-4 估框架。该框架旨在从核心能力、集成适配、安全可控、商业价值、长期伙伴五个维度，对潜在供应商进行系统性、标准化的尽职调 查。 本报告旨在为选型决策团队提供一套清晰的评估逻辑、关键考量点及标准化的实施流程。 选型考虑维度：企业级 AI Agent 供应商选型评估框架分析 （ 1 ） 审查 Agent 在企业环境中运行的“缰绳”，确保其 一 行为