技术应用与推广，业务条线需求 的挖掘和实现 业务应用工程师 Al 产品市场推广专员 数据档案所 基础保障所 智能体功能测试与数据提供 构建 AI 基础设施，为应用提供算 力、数据和平台支撑 智能窗口运维专员 Al 平台工程师 知识库管理工程师 Al 安全工程师 1.2 工作基础 口 大 数 据 中 心 抓 准 时 机 、 积 极 拥 抱 新 质 生 产 力 ， 增 加 总结展望 0 1 基本概况 CONTENTS 山 nmm 而皿业 mml 2.1 总体建设思路 口基于我局“一生态、两 保 障、三基础”的总体数字化框架下开展 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

显著 提升模型的预测准确性和泛化能力。 模型训练过程中，我们将数据集分为训练集和测试集，比例为 8:2。训练集用于模型的构建和参数学习，测试集用于评估模型的 性能。我们使用均方误差（MSE）和平均绝对误差（MAE）作为评 估指标，以确保模型在预测贷款违约概率时的准确性和稳定性。 此外，我们引入了特征重要性分析，通过计算每个特征在模型 中的贡献度，找出对贷款违约预测影响最大的特征。这不仅有助于 在模型评估阶段，重点关注以下几个关键指标：准确率、召回 率、F1 值和 AUC-ROC 曲线。准确率反映了模型整体预测的正确性， 召回率则更关注于正确识别高风险贷款的能力。F1 值作为准确率 和召回率的调和平均数，能够综合评估模型的性能。AUC-ROC 曲 线则用于评估模型在不同阈值下的分类性能，尤其在处理不平衡数 据集时，AUC-ROC 曲线能够提供更全面的评价。 为了进一步优化模型，采用网格搜索和随机搜索方法对超参数 F1 分数 （F1 Score）来综合评价模型的性能。精确率衡量了模型预测为违 约的案例中实际违约的比例，召回率则反映了实际违约的案例中被 模型正确识别的比例，F1 分数则是精确率和召回率的调和平均数。 此外，考虑到金融贷款评估中的风险控制，我们还需要关注模 型的 ROC 曲线（Receiver Operating Characteristic Curve）和 AUC 值（Area Under

⻄门子大中华区智能基础设施集团总经理 西门子智能基础设施集团 数字化赋能中心 “ 华北区 北京 北京市朝阳区望京中环南路7号 邮编：100102 电话： （010） 6746 8888 天津 天津市和平区南京路189号 津汇广场写字楼1401室 邮编：300051 电话： （022） 8319 1666 唐山 河北省唐山市建设北路99号 火炬大厦1308室 邮编：063020 电话：

开放，并将加速计算平台从个人电脑延伸到超级计算中心、企业数据中心、 云和边缘环境中。 l 公司整体业务主要战略包括：推进 NVIDIA 加速计算平台；扩大公司在人 工 智能领域的技术和平台领导地位 ；扩展公司在计算机图形领域的技术 和平 台领导地位；推进领先的自动驾驶汽车平台等。 l 随着 2020 年公司收购收购高性能互联技术领域龙头 Mellanox ，产品布局从 GPU 扩展至兼具 DPU （数据处理器）；以及

数（F1-Score）。准确率适用于类别分布均衡的场景，但在类别不 平衡的情况下，精确率和召回率更能反映模型的性能。F1 分数则 是精确率和召回率的调和平均数，适合在精确率和召回率之间寻求 平衡的场景。 对于回归任务，常见的评估指标包括均方误差（MSE）、均方 根误差（RMSE）和平均绝对误差（MAE）。MSE 对大误差的惩罚 较大，适合对异常值敏感的场景；RMSE 是 MSE 的平方根，具有与 目标变量相同的量纲，便于解释；MAE 盖模型的核心任务目标。对于分类任务，常用的评估指标包括准确 率、精确率、召回率、F1 分数和 AUC-ROC 曲线等。对于回归任 务，常见的评估指标包括均方误差（MSE）、均方根误差 （RMSE）和平均绝对误差（MAE）等。此外，针对生成任务，可 以考虑使用 BLEU、ROUGE 等指标来评估生成文本的质量。 在确定评估指标后，需要设计合理的评估流程。通常，可以采 用交叉验证的方法，将数据集分为训练集、验证集和测试集，确保 集，准确率可能无法真实反映模型性能。  精确率与召回率：适用于类别不平衡的数据集，精确率关注模 型预测为正类的样本中有多少是真正的正类，召回率关注真正 的正类中有多少被模型正确预测。  F1 分数：精确率和召回率的调和平均数，适用于需要平衡精 确率和召回率的场景。  AUC-ROC 曲线：通过绘制真正类率（TPR）和假正类率 （FPR）的关系曲线，评估模型在不同阈值下的性能。 在实际操作中，可以通过以下步骤进行模型性能评估：

日 《中华人民共和国空域管理条例（征 求意见稿） 》 国家空中交通管理委员会办公室相关部门共同起草 ，主要对空域管理机构职责和空域分级分类、划设与调整、使用 、 评估、保障 、战时和平时特殊情况下的空域管理和监督检查等做出规定 2023 年 10 月 30 日 《民用无人驾驶航空器系统物流运行 通用要求 第 1 部分：海岛场景》 民航局发布行业标准 ，于 2023 年

的各种操作需求，提升整体的用户体验。 3.3.2 交互设计 在人工智能行业大模型 SaaS 平台中，交互设计是确保用户能 够有效和高效地与系统进行连接和操作的关键环节。良好的交互设 计能够增强用户的满意度和平台的易用性，进而促进用户的长期使 用和粘性。 首先，交互设计的核心是用户任务分析。通过分析目标用户的 需求和在平台上的任务，我们可以设计出更加符合他们使用习惯的 交互方式。例如，对于开发者和数据科学家而言，他们可能更习惯 在整体数据处理过程中，以下技术架构将有助于提升处理效率 和系统稳定性： 通过实施上述数据处理策略，人工智能行业大模型 SaaS 平台 能够高效、可靠地处理大规模数据，确保数据分析的结果高质量， 进而提升模型的准确度和平台的总体性能。 4.3.1 数据获取与清洗 在人工智能行业大模型 SaaS 平台的设计方案中，数据获取与 清洗是确保模型性能的关键环节。该过程涉及数据的收集、整合、 去重、清洗和转化，以便为后续的机器学习和模型训练提供高质量 平台时，合规性问题是实现 平台安全性和合法性的关键因素。当前，企业在处理用户数据、算 法应用和模型生成等方面需要遵循多项法律法规和行业标准。这些 合规性要求不仅影响到操作流程，还直接关系到用户信任和平台的 市场竞争力。 首先，必须考虑数据保护和隐私合规性。根据《通用数据保护 条例》（GDPR）、《加州消费者隐私法》（CCPA）等国际及地区 性的隐私保护法律，SaaS 平台在收集和处理用户数据时，必须明

由于目前“大脑”受限于平台和数据尚无法形成人类大脑能力闭 环，大小脑分层路线是人形机器人较为主流的形式。通过基于成熟大 模型的“大脑”进行高层次的认知分析和决策，“小脑”进行功能性 的运动路径规划和平衡控制。在大脑方面，谷歌的“LLM（大语言模 型）+VFM（视觉基础模型）”SayCan 通过训练大语言模型对用户指 令进行推理分解驱动任务；清华大学的 VLM（视觉-语言模型）CoPa 通过嵌入在

农业产业互联网平台 金融资源 农资企业 农事服务企业 加工企业 物流企业 大型贸易企业 C 端销售渠道 新型农业经营和服务主体 平台汇聚全产业链资源 全方位赋能基层组织  产业互联网正是利用数字技术和平台生态高效完善‘农户 + 合作社 + 公司’的利益联结体制，促进产业链上下游融合；  平台将着力发挥互联网平台对传统产业的赋能和效益倍增作用，汇聚全产业链资源赋能生产经营主体，它将成为新型农业服务组织的孵化器，现

隔离 英特尔® 信任域扩展（英特尔® TDX）在虚拟机级别提供隔离和机密性。在基于英特尔® TDX 的机密虚拟机中，客户机操作系统和虚拟机应用程序被隔离开来，无法被云端主机、虚拟机 管理程序和平台的其他虚拟机访问。 24 02 英特尔 ® 技术方案 亮点技术 AI 计算能力 • 单路英特尔® 至强® 6 性能核处理器拥有多达 128 个内核， 实现了更高密度计算性能和可扩展性。 优化的一流的编译器、性能库、框架以及分析和调试工具，构建、分析并优化在 CPU 和 XPU 上的高性能、跨架构应用程序。 在英特尔® oneAPI 工具包的加持下，开发者可以自由选择架构以解决他们所面临的问题，无需为了新的架构和平台而重写 软件。针对不同领域的开发者，英特尔® oneAPI 工具包提供了不同的工具包来满足他们不同的需求。 31 02 英特尔 ® 技术方案 AI 工具包 英特尔® AI 工具包（原名英特尔®