边缘新生 . 连接未来 火山引擎新 & 代边缘云解决方案 沈建发 火山引擎边缘计算高级产品总监 WWW.VOLCENGINE.COM Copyright 。 2022 北京火山引擎科技有限公司 A:: rights reserved. 应用前端载体移动化 截至 2021 年 12 月 , 我国使用手机上网的网民比例达 99.7% ——CNNIC 第 49 次《 中国互联网络发展状况统计报 信通院云计算白皮书 （ 2021 ） 现代 IT 应用架构演 进 多终端模式 中心云部署 单机模式 单点部署 集群部署 云边部署 CS 模式 BS 模式 5-40ms 超低时延，火山引擎边缘云助力极致体验 计算、网络 ( 加速 ) 、渲染、安全 更高清 更实时 更沉浸 需求驱动边缘革

统一的 FlinkSQL IDE • 统一实时指标、特征开发管 理 实时化 • 毫秒级 : 事中风控 <50ms • 秒 级 : 准实时风控 < 5s 智能化 • 规则引擎 • 机器学习 • 联合编排 实时风控体系能力模型 3 6 1 2 4 5 #1 #2 #3 #4 建设背景 灵活窗口 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 Python 模型 ModelOps API 服务管 理 预计算 计次 / 最值 聚合计算 窗口计算 实时指标库 规则引擎 模型引擎 指标引擎 ServiceMesh Docker K8s 云原生 SpringCloud Flink Sink Flink SQL Flink Jar

优化算法：业财融合平台需要运用优化算法，帮助企业在资源约束下实现最佳决策。这可能涉及线性规划、整数规划、动态规划 等方法。例如，通过运用优化算法，企业可以在有限的预算和资源下实现最大化的投资回报。 规则引擎：业财融合平台需要设定一系列规则，以便在特定条件下触发相应的操作。例如，当某项业务达到预警阈值时，自动发 送提醒给相关负责人。 权限与审批流程：为确保数据安全和合规性，业财融合平台需要设定不同用 数据、分析情况并提供决策建议。业财融合平台需要考虑的算法、模型和规则： 会计引擎是业财融合的核心组件，用于处理和记录企业的财务交易。构建会计引擎的方 式有很多种，主要取决于企业的需求、规模以及所采用的会计制度。以下是一些常见的 会计引擎构建方式： 基于规则的会计引擎：这种方式主要依赖预先设定的会计规则和准则，用于处理企业的财务交易。基于规则 的 会计引擎需要手动更新规则和准则，但对于遵循特定会计标准的企业来说，这种方式通常比较简单、直接。 基于模板的会计引擎：这种方式使用预定义的会计模板，用于处理不同类型的财务交易。基于模板的会计引擎 可以更灵活地应对各种财务场景，但可能需要更多的维护和更新工作。 基于参数化的会计引擎：这种方式依赖可配置的参数，用于处理企业的财务交易。基于参数化的会计引擎具有 较高的灵活性，可以根据企业的需求和特点进行定制。然而，这种方式可能需要更多的开发和维护工作。 基于组件化的会计引擎：这种方式采用模块

例如将函证地址验证与工 商登记数据库实时对接，自动标记异常注册地。 值得注意的是，审计智能体的部署必须遵循严格的质控标准。 我们设计了双重校验机制：所有 AI 生成的分析结论都需通过独立 ” 规则引擎验证，关键审计判断则保留人工复核接口。这种 人机协 ” 同 模式既保持了专业判断的权威性，又实现了基础工作的智能化 替代。随着审计准则第 1321 号对 IT 控制的强化要求，该方案已通 过三 鼎信诺）的深度集成，最终达到审计项目全流程 30%以上的人工工 时压缩目标。 2. 项目背景与目标 随着数字化转型的加速推进，审计行业正面临数据量激增、合 规要求趋严、人力成本上升等多重挑战。传统审计方法依赖人工抽 样和规则引擎，效率与覆盖率难以平衡。以某国际会计师事务所的 实践为例，其年度审计项目中，仅财务报表科目核对环节就需投入 超过 2000 人天，且人工错误率高达 3%-5%，而 AI 技术的成熟为 流程重构提供了可能。 天缩短至 2.8 小时。这些需求直接指向需要构建具备自然语言处理、多维关联分 析和自动化工作流能力的智能审计系统，而 DeepSeek 的技术架构 恰好能填补现有技术栈的关键缺口—— 其混合推理引擎在测试中实 现了 93.6%的凭证异常检出率，同时将单项目人工复核量降低 62%，这为突破当前审计效率天花板提供了切实可行的技术路径。 2.2 传统审计方法的局限性 传统审计方法在长期实践中形成了以抽样检查、人工复核和规

资产管理分散，无法沉淀复用和统一运用。 底层统一 上层统一 中层异构 AI 治理 集约敏捷的 AI 中台式建 设 业务系统 B 业务系统 C 业务系统 A AI 项目的烟囱式建 设 知识引擎 大模型 API （ DeepSeek/ 客户专属 模型 / 混元 / 行业模型等） 模型 API 行业大模型 客户专属模型 模型 API 兼容 OpenAI 接口规范 高性能计算网络架构 客户业务系统 知识引擎应用 数智人 智能客服 多轮改写 文档解析 向量检索 文档拆 分 意图识别 RAG 知识文档 知识问答 开放 对接 知识引擎 配置项 工作流 联网搜索 模型部署 服务管理 应用场景 大模型 广场 蒸馏精调 启动阶段 业务量变化，服务调整难度大 TI 平台价 值 TI 平台价 值 TI 平台价 值 TI 平台价 值 痛点 腾讯云大模型知识引擎 基于大模型应用开发平台，助力客户加速大模型应用落地 （零代码） 知识引擎应用开发平台：面向初级开发者 & 企业运 营 腾讯云全栈 AI 服务上线 DeepSeek 模型 通过 DeepSeek API 和应用开发平台多级能力，满足用户各类需求

高性能开源组件 + 参考实现 数据亲和：数据全处理流程负载优化 大数据 算法加速库 OmniRuntime 特性 分布式存储 智能预取 自研压缩算法 数据库 可插拔 在线向量化分析引擎 机密计算 TrustZone 套件 BoostKit 场景化应用 应用加速软件包 参考 实现 基础加速软件包 高性能开源组件 基础软件 鲲鹏硬件 全 栈 优 化 大数据 分布式存储 分布式存储 数据库 虚拟化 ARM 原生 HPC EC Turbo MySQL 可插拔在线 向量化分析引擎 Kbox 云手机容器 多瑙调度器 负载感知加速系统 智能写 Cache CRC32 指令优化 视频流引擎 多瑙调度平台 图分析算法 IO 直通 MySQL NUMA 调度优化 指令流引擎 机器学习算法 数据压紧 MySQL 可插拔线程池 元数据加速 MySQL 并行查询优化 Ucache 14 鲲鹏原生开发能力介绍 ARM 原生 鲲鹏 BoostKit ARM 原生利用 ARM 指令集同构优势，支持移动应用无损上云，同时将多年技术积累浓缩到 Kbox 云手机容器、指令流引擎、视频流引擎核心能力等组件，形成了云手机 Turbo 套件，降低了开发难度，提升整机 的密度，降低云手机单路成本，其中 HostOS 支持 Ubuntu 和 openEuler，GuestOS 支持 android-9

技术指标 ◎业务异常行为检测和风险评估技术 产品提供高层业务逻辑检测能力，通过对正常用户行为画像，感知异常的业务访问行为， 弥补市场上 WEB 安全产品缺乏业务安全防护的真空。 业务风险评估引擎依据内置多种风险评估模型，结合业务大数据分析，对来访用户、来源 IP、业务资产进行实时风险评估，让用户及时掌控业务风险。 ◎遏制自动化工具攻击的动态防护方案 针对日益进化、完善的自动化工具攻击 侦查、漏洞后门、僵木蠕、WEB 攻击、工具利用等十多种类型的攻击威胁安全防护，各类特征 总数量达 12000 左右，有效保证了 WAF 的防护能力。 ★强力支撑简化运维 新一代 WAF 启用智能语义防护，内置语义分析引擎，不依赖特征库，通过校验流量的上下 数据备份与恢复产品 29 29 防火墙 文逻辑、前置字段及访问顺序等方式实现不同攻击的针对性识别处理，降低有效告警数量，简 化日常安全运维工作，释放人员精力专注核心业务。 appscan 和 RayScan 扫描器的扫描结果生成 WAF 的规则，对 此类网站漏洞直接防护。 爬虫陷阱 支持爬虫陷阱防护。 蜜罐防护 支持蜜罐防护，内置后台蜜罐页面进行防护。 机器学习 内置机器学习引擎，针对业务建模，可通过学习 URL、host 等信息展示网站结构树形图， 并支持对 URL 的访问量和响应健康度进行图形化统计。 网页防篡改 能进行配置自动分发功能； 应能支持对所有安装防篡改客户端的服务器进行集中管理。

1. 场景建模：基于历史数据训练核保、理赔等场景的决策树，集成 多模态数据输入（如医疗报告 OCR、语音通话记录） 2. 智能体部署：通过 API 对接核心业务系统，支持自然语言交互和 实时规则引擎更新 3. 闭环优化：利用强化学习机制，每周更新用户行为数据模型，确 保预测偏差率低于 3% 该方案已在试点机构完成 POC 验证，结果显示客服人力成本 降低 60%，同时客户满意度从 82 业务系统，数据互通需通过中间表手动同步。例如某头部寿险公司 的精算系统与 CRM 系统间存在 17%的数据偏差率，直接导致核保 决策失误率增加 2.3 个百分点。 风控能力滞后 反欺诈依赖规则引擎的静态阈值设定，无法动态识别新型骗保模 式。车险领域约 23%的欺诈案件（中国保险行业协会 2022 年报 告）因缺乏智能分析手段未能及时拦截，每年造成行业损失超 80 亿元。 客户体验断层 交互层解决服务可及性问题，中台必须建立统一的数据资产中心打 破信息孤岛，后台则需通过 AI 重构核心业务流程。具体表现为： ①对话式交互需支持保险专业术语 90%以上的准确理解；②承保决 策引擎要能在 500ms 内完成多维度风险评估；③理赔自动化系统 需实现医疗票据等非结构化数据的 85%+识别准确率。 在此背景下，行业亟需具备以下特性的解决方案：①开箱即用 的保险垂直领域 AI

的影响，也需要在方案设计时予以考虑。 由英特尔开源的 OpenVINO™ 工具套件能够为以上两种挑战 提供应对方案。这一工具套件产品通过模型优化器（Model Optimizer）和推理引擎（Inference Engine）这两个核心组件， 为人工智能教育实训提供了良好的推理加速和异构融合能力。 其中，模型优化器具有的量化功能能基于不同人工智能框架， 如 TensorFlow、PyTorch、MXNet 数据集 大小 策略 A 卷积层 分类层 策略 C 策略 B 策略 D 数据集 相似度 80X 训练时长下降 深度学习方法 迁移学习方法 或 而 OpenVINO™ 工具套件的推理引擎组件，则能基于通用 API （基于 C/C++ 或 Python 开发）为人工智能实训场景提供强 大的异构融合能力，让学生的人工智能应用在一次编写之后， 就可以更智能、也更有针对性地选择英特尔的 X，来帮助用户在边缘部署人工智能推理能力。 英特尔® Movidius ™ Myriad ™ X 视觉处理器架构引入了全新 深度神经网络处理单元：神经计算引擎。其专门的设计，可 以高速、低功耗地运行深度神经网络。结合16个SHAVE 内核， 神经计算引擎在执行神经网络推理时能实现 716G FLOPS 的 计算性能。 为使 VPU 产品在实战中为智能课堂行为分析方案提供更强 助力，英特尔为其提供了两种不同的工作模式：Squeeze

性。DeepSeek 大模型凭借其多模态理解、自然语言处理和复杂决 策能力，能够从以下维度重构理赔流程：首先，通过自动化单证识 别与核验，将材料初审时间从小时级缩短至分钟级；其次，基于历 史数据与规则引擎的深度学习模型，可实现对理赔案件的智能分级 与风险预判，准确率可达 92%以上；最后，通过动态生成个性化沟 通话术，显著提升客户服务体验。 为验证方案的可行性，某头部财险公司已在车险理赔场景完成 技术落地层面，方案设计充分考虑了业务场景的复杂性。以下 为关键性能指标与现有方式的对比： 维度 传统模式 DeepSeek 方案 提升幅度 材料初审准确率 78% 95% +17% 欺诈识别覆盖率 60%（规则引擎） 92%（模型+规则） +32% 日均处理能力 500 件/人天 3000 件/系统 6 倍 客户投诉率 12.5% 4.8% -7.7% 实施该方案将重构理赔价值链：前端通过 OCR+语音识别实现 倍，直接影响客户续保率 数据显示理赔时效每延长 24 小时，客户满意度下降 11%。 欺诈风险持续攀升 全球保险业每年因欺诈导致的损失约 800 亿美元，占总赔付额的 5- 10%。传统反欺诈手段依赖规则引擎，仅能识别 35%的欺诈模式。 车险领域拼接事故、伪造医疗票据等新型欺诈手段每年增长 17%， 但调查人员平均需要核查 12 项跨系统数据才能完成风险判定。 人力成本刚性增长 大型保险公司理赔团队规模通常超过