智 能 服 务 事 业 部 知识结构化推动智能客服升级 邱立坤 阿里巴巴集团智能服务事业部 方案 KAMR 语义 表 示体系 KAMR Parser 知识图谱问 答平台 需求 知识管理 语言理解 思路 知识图谱构 建 语义剖析 答案展示 收益 高效复用 精准理解 精细管理 智 能 服 务 事 业 部 目 录 智 能 服 务 事 业 部 智能客服升级的需求 年上海的常住人 口 是： 2419.70 万 上海有多少人口 智 能 服 务 事 业 部 知识结构化的主要思路 智 能 服 务 事 业 部 结构化知识图谱 非结构化业务文档 半结构化数据 结构化答案 结构化语义表达式 非结构化的文本型答案 非结构化的用户 query 知识结构化的主要思路 知识结构化 - 知识图谱 - 基本概念 • 知识图谱 • 本质上是实体与实体间关系 知识结构化 - 知识图谱 - 阿里小蜜知识云平台 智 能 服 务 事 业 部 知识结构化 - 知识图谱 - 商品知识图 谱 本体：以商品为核心，以人、货、场为主要 框架，共涉及 9 类一级本体和 27 类二级本 体 实体识别与链指：支持品牌、 规格、类目、型号等多种实体 智 能 服 务 事 业 部 知识结构化 - 知识图谱 - 客服场 景 结构化知识图谱 非结构化业务文档

较成熟的企业业数据模型；  数据质量治理；  元数据管理；  数据标准建设  数据整合；  数据应用建设；  数据平台的软硬环境  …… Page15 企业数字化转型建设目标 外部非结构化数据 0% 100% 200% 300% 400% 500% 600% 2004年 2005年 2006年 2007年 2008年 铁矿石 焦煤 统一制定目标和分 析模型 统一划分分析主题 企业数字化转型需求分析 Part Page18 企业数字化转型总体架构 历史数 据查询 数据交换平台 应用集市数据区 商城零售 供应链企业 人人贷系统 基金系统 …… 系统 企业内外部半结构化、非结构化数据 大数据交换组件 数据库数据交换组件 数据区数据交换组件 数据计 算层 大数据区 沙盘演练数据区 数据应 用层 实 时 数 据 区 客户主题 协议主题 产品主题 业务沙盘演练 企业数字化转型总体架构——数据产生层  内部业务系统产生的结构化数据  商城日常零售业务处理过程中产生的结构化数据，存储在关系型数据库中，如：供应商信息、采购信息、商品信息、销售流水……  消费企业日常业务处理过程中产生的结构化数据，存储在关系型数据库中，如：客户信息、账户信息、企业产品信息、交易流水……  企业内部非结构化数据  日常业务处理过程中产生的非结构化数据，存储形式多样，主要包括用户访问日志、用户投诉、用户点评……

言及建设工作。 演进路线（一） 结构化数据 贴源 模型 集市 BI 报表 集市 半/半结构化数据 历史 归档 实时 计算 数据仓库 BI 报表 数据湖 结构化数据 贴源 模型 集市 BI 报表 集市 半/半结构化数据 历史 归档 实时 计算 湖仓分体 数据探索 机器学习 结构化数据 模型 集市 BI 报表 集市 半/半结构化数据 湖仓一体 — — 湖内建仓 数据探索 机器学习 结构化数据 模型 集市 BI 报表 集市 半/半结构化数据 湖仓一体 — 湖仓分体 数据探索 机器学习 实时 计算 流批 一体 贴源 归档 湖仓分体，数据仓库与数据 湖分离搭建，通过数据交换 平台完成数据同步。 特点： （1）双路建设，双路加载， 耦合度低 （2）互不依赖，使用独立， 管理独立 湖内建仓，将数据仓 库与大数据平台的功 数据 集市层 报送 集市 外部/法 人 数据区 历史 数据区 仓模块 实时 数据区 湖模块 报表 集市 财务 集市 客户 集市 绩效 集市 风险 集市 半结构化/非 结构化 数据区 逻辑加工区 ...... 实时 数据区 明细 数据 汇总 数据 指标 数据 缓存层 贴源层 标准层 通用汇总

理数据，也需要生产业务数据。 数据来源广 不仅需要单位内部数据，也需要来自外部 业务合作单位的数据（供应商、客户）以 及公共网站、微博、微信、 WIFI 等数据。 数据格式多 除了结构化数据，也要处理非结构化 的文本、图片、音频、视频、日志、 传感器、计量仪等格式的数据。 数据要求颗 粒度细 分析和监控要求的数据越来越详细。 数据实时性 要求高 不再满足数据库的处理有一天左右延 二、数字化审计转型的方法论 。 二、数字化审计转型的方法论 5 信 息 化 与 数 字 化 关 联 （二）结构化分析实例 1. 账表财务之间数据关系分析（举例） 。 （ 1 ）应收账款、营业收入、应交税金（制造业） （ 2 ）预付账款、预付工程款、费用、项目成本之间关系 （ 3 ）在建工程、预付账款、应付账款之间关系 ）在建工程、预付账款、应付账款之间关系 （ 4 ）其他应收款与营业外收支之间的关系 （ 5 ）损益表与现金流量表之间的勾稽关系分析 二、 数字化审计转型的方法 论 资产负债表、损益表、现金流量表之间的关系分析 三 结构化分析实例 2. 财务数据与非财务数据（计划统计、生产统计数据之间）比 对 。 （ 1 ）销售收入与产量及生产设备的产能对比（制造业） （ 2 ）销售收入、产量与人员配比 （ 3 ）销售收入、主

流程指标数据是依托流程主数据、事件日志原始数据加工后， 形成的结构化指标数据。按类型分，可以分为流程时效性指标、流 程质量评价指标等，其中流程时效性指标包括与流程耗时相关的各 类统计指标，例如处理耗时、等待时间、持续时间、平均时长、中 位时长等；流程质量指标主要描述流程关键性能指标（KPI），例如 流程环节返工率、执行频次、错误率等。 流程衍生分析数据是基于流程数据分析生成的各类结构化和非 中国联通 联通数科 中国信通院云大 中国信通院云大 信通院云大所 云大所 中国联通 联通数科 中国信通院云大所 中国联通 联通数科 中国信通院云大所 中国 中国联通 联 《数据驱动的企业流程数智化路径与实践（2025）》 7 结构化数据。衍生数据既包括基于流程主数据、事件日志进行流程 还原后形成的 BPMN 流程模型，也包括基于流程指标定位并分析得到 的流程问题根因、分析结果报告、风险预警分析、流程优化建议等 内容。 (二)流程数据的特点 流程数据涵盖企业流程运行全生命周期中产生的多源、多态数 据，呈现出高度复杂性和多维属性。 图 3 流程数据的类型划分 从数据结构看，流程数据包括结构化与非结构化两类。结构化 数据如事件日志、流程实例、节点信息等可量化信息，遵循标准化 定义和固定的数据模型；非结构化数据则涵盖 BPMN 图模型、流程说 明手册、分析建议等，以图形、文本、音视频等形式表达流程运行 语境，为流程建模与还原提供情境支撑。

：复杂多轮问答优化 赎回到账时间 T+4 AIForce.Bot - 资料知识库 l 传统客服机器人采用一问一答知 识 库形式 l 结构化知识库方案 l 支持本地 KnowledgeBase 查询 和远程 DB 查询 YiBot ：结构化查询问答 实体抽取 意图识别 意图识别 公司简介 3 AI 智能机器人 人机协同 智能化推荐 快速查询 机器与员工无缝协作 闭环全流程管控 最大化人工坐席效率 多元场景化服务支持 寒暄聊天 解答常见回答 结构化金融产品和服务查 询 业务办理 智能分析和知识库能力 热点、舆情、敏感等监控 定制化分析产品 构建专属知识图谱 精准打造用户画像 有效降低金融风险 全渠道触达 PC 网站 其它场景 打标签、文本监控成本 高 实时完成监控任务 3 如何从服务和体验上驱动增长 l 银行数字化进程快，线上业务量越来越多 ； l 海量碎片化业务场景下，价值用户有效触达低 ； l 缺少结构化知识图谱跨越各业务平台鸿沟； l 如何让服务和体验更加精准地找到用户； AI+ 银行，探寻企业智能服务的痛点和价值 2 原有技术难以进一步提升体验 l 初代客服机器人已难以应对业务快速增长；

为了实现上述目标，项目将采用以下关键技术和方法： 1. 分布式计算架构：利用云计算和边缘计算资源，构建高性能的 分布式计算环境，确保 AI 大模型的训练和推理效率。 2. 多模态数据处理技术：整合企业的结构化数据（如 ERP、CRM 系统）和非结构化数据（如文本、图像、视 频），形成统一的数据平台，为 AI 模型提供丰富的数据源。 3. 模型管理平台：开发一套完整的模型生命周期管理工具，涵盖 模型的开发、训练、部署、监控和优化，确保模型的高效迭代 理需求主要体现在数据的采集、存储、清洗、整合和安全保障等方 面。企业需要构建高效的数据采集系统，确保多源异构数据的实时 接入，包括来自 ERP、CRM、SCM 等业务系统的结构化数据，以 及来自社交媒体、物联网设备的非结构化数据。数据存储方面，需 采用分布式存储架构，支持海量数据的高效存储与快速检索，同时 满足数据备份与恢复的需求。数据清洗与整合是确保数据质量的关 键，需通过 ETL 工具 计，确保系统的高扩展性、灵活性和稳定性。架构主要包括数据 层、模型层、服务层和应用层四个核心模块，通过统一的 API 网关 进行集成和管理。数据层负责海量数据的存储与处理，支持结构 化、非结构化和半结构化数据的多源异构整合，采用分布式数据库 和对象存储技术，确保数据的高效存取与安全。模型层基于深度学 习框架构建，支持多种 AI 模型的训练与推理，包括自然语言处 理、计算机视觉和强化学习等，模型训练过程中采用分布式计算资

Data+AI 的核心在于通过统一的平台，实现数据和 AI 的深度整合，从而不断提高 企业的数据决策和 AI 应用效率。该平台需要支持以下能力： 多模数据管理 AI 应用通常会涉及到结构化及非结构化的数据使用，因此 Data+AI 平台需要具备多 模数据管理能力，方便企业在 Data+AI 开发过程中高效利用各种类型的数据。 端到端的 Data+AI 开发 Data+AI 图｜阿里云推出多模数据管理平台 DMS：OneMeta+OneOps 当前，近 80%的企业在建设数据平台时采用多种数据引擎、多数据实例组合的策略， AI 兴起也带来了非结构化数据的指数级增长，给企业对数据的高效检索和分析管理提 出了更大挑战。此次，阿里云重磅推出由“Data+AI”驱动的多模数据管理平台 DMS： OneMeta+OneOps，助力构建企业智能 Data 到新的路径，但也存在着诸多挑战。面对 Data+AI 融合趋势的数据处理难点，周文超 博士概括了三点：第一，数据的多模态化；第二，算力的多元融合；第三，数据处理 的实时性。 数据的多模态：数据类型不再局限于传统的结构化数据，而是包括了图片、文档、图、 时序、交易等多种模态的数据，比如：IoT 设备数据、车机图像数据等，这些多模数 据是数据处理和分析的一大挑战。 算力的多元融合：算力也朝着多模态和异构方向发展。过去，无论是在操作系统、数

基于以上的知识分类和定义，各类知识已经有一个基础的框架和定义，在智能客服的实 际应用过程中，知识依赖于 AI 引擎而存在，不同的引擎在不同的场景下适用于不同的知 识， 实际业务中的流程式知识、 FAQ 式知识、结构化知识/ 非结构化知识等，均需要通过 AI 引擎 实现最终的业务价值，本篇章将结合实际知识形态和应用情况，分析 AI 引擎的核心能 力。 2.1 FAQ 问答引擎 FAQ 问答引擎是 图谱问答负责结构化体系化知识的问答，基于知识图谱 Schema 针对具备一定结构关 系 的三元组知识进行快速问答，支持多跳、计算、推理能力，介绍如下： 适用知识 引擎优势 知识结构 模型训练 概念性知识 多维度逻辑推理、属 性识别+匹配，自动 化反问多轮机制 知识图谱三元组知识 结构 属性识别+匹配模型 支持线上训练 2.4 表格问答引擎 表格问答负责结构化二维表结构知识 为了更好的帮助运营者理解不同类型知识的形态，阿里云智能客服团队基于历史真实项 目实践，提供知识分类的样例，可依据业务实际情况进行参考。 结构化知识：是指知识之间有一定的层级关联关系，可以按照类目和抽屉的形式进行分 类；适合构建成多轮对话。将知识整理成结构化的过程中尽量挑选相对高频的知识。 意图不清的知识：是指问句句意不完整，不能从这句话直接给到精确答案，需要经过多 版本：1.0

加速数据处理、降低人工成本，虽大模型直接用于投资管理案例有限，但在投研分析等间接领域，技术融合已展现价值，驱动保险价值链降本增效、创新发展。 AI 技术在险企负债端与投资端用例图谱 自动化风险评估 多模态数据解析 非结构化信息识别 自动匹配核保要求 自动化生成核保建议 智能投顾辅助决策 投资组合管理 自动生成投资方案 产品开发助手 产品需求挖掘 产品形态设计 产品精算定价 个性化产品定制 动态风险定价模型 器学习持续优化规则匹配逻辑，提升 准确性与可解释性。 资料 收集 决策制定 对医疗票据、体检报告、手写病历等非结 构化文档进行自动化解析，提取血糖、血 压、诊断结论等关键信息，转化为结构化 数据，为后续风险评估提供标准化输入。 智能决策：对标准化核保案例（如健康体 投保）实现 AI 全自动实时决策，缩短核 保时效至分钟级。 人机协同：对复杂案例（如慢性病患者投 失 程度等） ，并生成结构化的案件报告。 l 查勘环节：远程实时查勘、多模态数据融合 AI 系统通过 5G 音视频技术与定损员进行远程实时连线 ，结合计算机视觉技术对事故现场照 片 或视频进行像素级分析 ，识别百余种损伤类型（如凹陷、裂痕、掉漆等）。 l 定损环节：多模态融合的智能评估 OCR 技术能够自动识别医疗票据、保单等非结构化数据 ，将纸质凭证转化为结构化信息； 深 度学习模型通过分析事故照片、视频等视觉数据，，