连接、激活、赋能，打造智能 + 产业标杆 2 XRKJ 管理与智能制造规划方案 提纲 P2 1 XRKJ 智能制造项目的背景分析 3 XRKJ 管理与智能制造解决方案 4 XRKJ 管理与智能制造实施方案 5 保障 XRKJ 项目成功金蝶的优势 新技术呈爆炸式增长，数字化世界已经到来！ ! 移动互联网 大数据 云计算 边缘计算 物联网 区块链 5G 机器人 量子通信 AI 以上技术都不是停留在高校 人员高效 员工意愿能力 2 XRKJ 管理与智能制造规划方案 提纲 P16 1 XRKJ 智能制造项目的背景分析 3 XRKJ 管理与智能制造解决方案 4 XRKJ 管理与智能制造实施方案 5 保障 XRKJ 项目成功金蝶的优势 电脑化 可分析 数字化 + 自动化阶段 数字化初级阶段 如何达到自主反应？ “ 可自我学习和优化” 未来将发生什么？ “ 可准备” 已经发生的事 第一阶段 第一阶段 2 XRKJ 管理与智能制造规划方案 提纲 P30 1 XRKJ 智能制造项目的背景分析 3 XRKJ 管理与智能制造解决方案 4 XRKJ 管理与智能制造实施方案 5 保障 XRKJ 项目成功金蝶的优势 P31 第一阶段：连接平台、激活人 基于原有 ERP 的连接 统一目标激活人：目标激励体系 +HR 系统 责任清晰激活人：组织流程规划 + 云 ERP

集需通过银保监会《金融数据安全分级指南》三级认证，确保符合 GDPR 和《个人信息保护法》要求。 5.1 数据源对接 在金融银行业务中，数据源对接是构建智能体的核心基础环 节，需确保数据的高效、安全、稳定接入。以下是具体实施方案： 数据源分类与对接方式 根据业务需求，数据源可分为内部系统数据与外部合作数据两类。 内部数据包括核心交易系统、客户关系管理系统（CRM）、风险管 理系统等；外部数据则涵盖征信机构、第三方风控平台、市场行情 内部系统数据接入（核心银行系统、CRM 等） 内部系统数据接入是金融银行业务对接 DeepSeek 大模型的 关键环节，需确保核心银行系统、CRM 等关键数据源的稳定、高 效、安全接入。以下是具体实施方案： 1. 数据源识别与分类 优先接入高价值、高频率使用的核心数据系统，包括： o 核心银行系统：账户信息、交易流水、产品数据 o CRM 系统：客户画像、交互记录、投诉工单 o 风控系统：反欺诈规则、信用评分模型输出 障时自动切换至备份供应商，切换时间<15 秒 5.2 数据预处理流程 数据预处理流程是金融银行业务接入 DeepSeek 大模型的关 键环节，旨在将原始数据转化为高质量、结构化的模型输入。以下 是具体实施方案： 1. 数据清洗与标准化 原始数据需经过多级清洗： o 缺失值处理：采用金融场景专用策略，对交易记录缺失 字段通过前后窗口均值填充，客户信息缺失项通过业务 ” 规则默认值补全（如未填写职业编码默认为

上线监控 监控指标 回退机制 上线实施 变更管理 上线保障会议 上线窗口 上线前准备 实施方案评审 测试计划 环境准备 备份方案 上线标准 关键告警清零 平台巡检通过 预警整改完成 云服务许可检查通过 业务 上线 管理 活动 所需交 付文件 实施方案 上线业务清单 系统账号清单 测试报告 上线评审checklist 典型的运维规范包含业务故障等级定义、业务上线 要包括故障处理、平台监测、变更回退等，变更 后主要是业务监控保障。 输出/外部流程 日常运维 1、收集因为监控告警、问题管理、日常主动运维、服务请求带来的变更需求； 2、根据需求制定变更实施方案、回退方案、测试方案，提交变更申请； 3、变更经理对变更申请进行审核，对不符合变更申请规定的变更进行驳回； 4、确定变更类型，分派实施人或提交审核;标准/常规变更，指派实施人安排实 施；紧急 验证是否成功 否 否 是 是 是 标准变更 常规变更 重大变更 紧急变更 图3.4 变更管理流程示例 收集变更需求 1 提交变更申请 2 事件管理流程 问题管理流程 变更实施报告 实施方案 回退方案 测试方案 变更审核 6 变更确认 8 变更关闭 9 变更回退 7 是否通过 分类分派 4 变更评审 5 评审记录 是否通过 漏洞管理：漏洞管理主要是通过漏

在智能审计算法选型中，需综合考虑审计场景的特殊性，包括 数据敏感性、规则复杂性以及结果可解释性要求。核心算法需覆盖 异常检测、风险预测、自然语言处理（NLP）三类任务，并结合审 计知识图谱构建能力。以下是关键选型逻辑及实施方案： 异常检测算法 采用基于深度学习的时序异常检测框架，优先选择 AutoEncoder+LSTM 的组合结构。训练数据需包含历史审计案例 中的异常交易特征，例如： - 输入层维度：根据审计对象动态调整 人日的业务知识梳 理，确保模型决策逻辑符合审计职业判断范式。 6.1 DeepSeek 模型部署方案 在审计领域部署 DeepSeek 模型的核心目标是实现高效、稳定 且可扩展的智能分析能力。以下是具体实施方案： 模型选型与优化 采用 DeepSeek-R1 企业版作为基础模型，针 对审计场景进行三重优化： 1. 领域适配：使用 20 万条审计报告、 函证记录和底稿数据进行监督微调（SFT <200ms、隐私数据误曝露事件为零。所有安全策略均通过自动化 策略引擎实时生效，并配备人工复核流程作为最后防线。 6.2.1 数据加密与访问控制 在审计领域的数据安全与隐私保护中，数据加密与访问控制是 核心环节。以下为具体实施方案： 数据加密 采用分层加密策略，结合国密 SM4 与国际标准 AES-256 算法，确 保数据在传输与存储中的安全性： 1. 传输层加密：通过 TLS 1.3 协议实现端到端加密，密钥交换使用

82、人工复核工作量下降 30%。 4.3.3 系统集成与部署 系统集成与部署是 DeepSeek 大模型在保险理赔业务中落地的 关键环节，需结合现有 IT 架构与业务需求，分阶段实现无缝对 接。以下是具体实施方案： 1. 环境适配与接口开发 基于保险公司现有核心业务系统（如理赔管理平台、客户关系 管理系统），采用微服务架构设计 API 中间层，实现以下关键 接口： o 数据交互接口：通过 RESTful 定期（每周）更新样本增强规则库，适应新型骗保手 段演变 6.3 性能评估指标 在模型训练与优化阶段，性能评估指标是衡量 DeepSeek 大模 型在保险理赔业务中实际效果的核心依据。以下是关键评估维度的 具体实施方案： 模型精度与业务匹配度 采用分类任务中保险行业特有的指标 组合： - 理赔责任判定准确率：通过混淆矩阵计算，需达到 98%以 上阈值以符合监管要求 - 案件复杂程度分级 F1-score：针对不同难 协议中定义的性能基线，并每季度复测以 适应业务增长。 7. 系统集成与部署 在系统集成与部署阶段，需确保 DeepSeek 大模型与现有理赔 业务系统的无缝对接，同时满足高可用性、安全性和性能要求。以 下是具体实施方案： 环境准备与架构设计 部署采用混合云架构，核心数据库保留在本地私有云，模型推理服 务部署于公有云 GPU 集群。通过专线连接实现小于 2ms 的网络延 迟，关键组件包括： - 模型服务层：Kubernetes

78 5.3.2 投资回报评估.............................................................................80 6. 实施方案.................................................................................................. 统，及时识别与评估潜在 风险。 信息整合 整合电子健康记录与多源 数据信息，为决策提供全 面支持。 用户体验优化 通过动态仪表盘和可交互 工具提升信息获取效率与 决策准确性。 在这一系列实施方案中，医务人员在日常工作中获得的支持， 不仅提高了医疗决策的效率与安全性，还为患者提供了更高水平的 医疗服务 Experience。 4. AI 生成式大模型在医疗场景的应用 在医疗场景中，AI 系统能够将医学影像通过算法进行处理，并在短时间内 生成影像解读报告，这样医师只需针对可疑病例进行进一步的评估 与确认。 为了使 AI 生成式大模型在影像分析中更有效地应用，可以引 入以下具体的实施方案： 1. 数据集的多样性：确保使用包含多种影像和病例的数据集进行 训练，以增强模型对不同疾病和病理状态的适应能力。 2. 持续学习机制：引入持续学习功能，使模型在使用过程中能够 不断适应新来的病例，并更新其分析能力。

展和融合应用高地。 附件 2 宁波市加快推进人工智能高质量发展高水平 应用实施方案 ( 征求意见稿 ) 为贯彻落实国家、省关于人工智能发展的决策部署，深入实 施我市数字经济创新提质“一号发展工程” , 抢抓通用人工智能 发展新机遇，推动人工智能技术赋能经济社会高质量发展，特制 定本实施方案 关于公开征求《浙江省“人工智能 +” 行动计划 (2024-2027 年 )( 征求意见稿 月完成资规 文 秘、提案回 复助 手智能体 内部测 试上线， 初步实 现智能 体构建平 台， 谋划三年发 展 规划。 用试点。 资规文秘 2024 年 6 月，在 《数 字化治理能 力提升 实施方案》 明确利 用 Al 大 模 型 技 术 赋 能 智能化。 12 月 3 日，赴自然 资 源部信息中心 调研 对接垂直大 模型建 设。对宁 波建设思 路高 度 认 可。 12 月 27 日，《关

不同时间的乘客流量，从而合理安排运力。 o 优化调度：基于实时数据分析，帮助调度中心迅速响应 各种突发情况，提高整体调度效率。 o 智能客服：运用自然语言处理技术，提供智能问答和服 务。 4. 实施方案：根据上述应用场景，提供具体的实施步骤，包括数 据收集、模型训练、系统集成和用户培训等。 5. 结果评估与反馈机制：建立完善的效果评估方法，确保 AI 大 模型的应用能够持续改进和优化。 常配备 了多种传感器，这些传感器能够监测运行状态，包括温度、振动、 压力等多种参数。通过采用 AI 大模型技术，可以构建一个综合数 据分析平台，将传感器获取的数据进行实时处理和学习。 具体实施方案如下： 1. 数据收集与预处理 o 从各类设备中提取实时数据，如列车运行数据、设备状 态数据等。 o 进行数据清洗，剔除噪声数据，确保数据准确性。 2. 特征工程 o 从原始数据中提取相关特征，例如振动频率、温度变化 答的准确性和满意度，不断进行模型迭代和服务优化。 5. 引入人机协作：在复杂问题上，智能问答系统可以将无法解答 的问题转交给人工客服，实现高效的人机协作，保证乘客查询 的完整性。 通过上述实施方案，智能问答系统在城市轨道交通的应用，不 仅可以提升乘客的出行体验，还能够为运营方降低人工服务成本， 提高服务效率，带来显著的社会与经济效益。 为了更好地展示智能问答系统的结构与工作流程，以下是一个

体验的核 心环节。通过接入 DeepSeek 的 AI 能力，可构建具备自然语言理 解、多轮对话管理和业务精准推荐的智能客服系统，显著降低人工 成本的同时提高服务响应速度与准确性。以下是具体实施方案： 技术架构与功能实现 智能客服系统采用分层设计： 1. 交互层：支持网页、APP、微信公众号等多渠道接入，通过 API 与 DeepSeek 引擎对接，实时解析用户输入的文本或语音。 2 欺诈检测与预警机制 在智能理赔场景中，欺诈检测与预警机制是核心环节。通过接 入 DeepSeek 的 AI 能力，系统可实时分析理赔申请中的多维度数 据，识别异常模式并触发分级预警。以下是具体实施方案： 数据整合层 系统自动抓取并结构化以下数据源： - 投保历史（同一投保人短期高频投保记录） - 理赔材料（医疗票据 OCR 识别后的重复使用检测） - 第三方数据（医院诊疗记录与报案时间的交叉验证） 在保险行业的营销与客户管理场景中，客户画像与精准推荐是 提升转化率与客户满意度的核心环节。通过接入 DeepSeek 的 AI 能力，保险公司可构建动态、多维的客户画像体系，并实现个性化 产品推荐，具体实施方案如下： 客户画像构建 基于 DeepSeek 的多模态数据处理能力，整合 结构化与非结构化数据源，包括： - 基础属性数据：年龄、职业、 收入水平、家庭结构等 - 行为数据：保单浏览记录、理赔历史、客