项 目风险控制页 1 2 3 不同月份面临的风险情况 1• 根据严重程度划分的风险数量 2• 详细风险清单，包括发生的可能性、负责人、处 置情况等 3 • 91 92

2025 2025 7 CONTENT 2 1 2 92-94GHz 3 4 5 • ∙ • ∙ • 4 • • 50% 50% • PCB • HMIC MMIC MMIC • • 50% 50% MMIC 25% 10% PCB 10% 5% : 5 LED 6 8 • 2019-2022 2023 2022 2025 40% 2025 INSAR 92-94GHz 11 2024 92- 94GHz FOD 1 2023 79-81GHz 2021 76-79GHz 76-81GHz 01 77-81GHz 02 2026 1 1 2025 ) 92-94GHz 12 • 92-94GHz 4 • 92-94GHz 76~81GHz 92-94GHz MMIC MMIC 7its.com www.7its.com 92-94GHz 13 92-94GHz 92-94GHz 92-94GHz DSP FPGA 92-94GHz 92- 94GHz 92-94GHz 14 76~81GHz 92-94GHz MMIC 92-94GHz FPGA DSP 80GHz 92-94GHz 92-94GHz ◼ • ◼ • ◼ •

的痛点。 本项目的核心目标是通过深度集成 DeepSeek 大模型，构建具 备三大核心能力的智能 CRM 系统：首先，实现客户意图的实时精 准识别，将对话内容分析准确率从现有系统的 65%提升至 92%以 上；其次，建立动态客户画像系统，通过模型自动提取交互记录中 的消费偏好、投诉倾向等 20+维度特征；最后，打造智能工作流引 擎，使销售线索响应时间从平均 4.3 小时缩短至 15 分钟以内。项 关键数据对比： | 指标 | 传统 CRM 水平 | 目标水平 | 提升幅 度 | |———————|————|———–|———| | 意图识别准 确率 | 65% | ≥92% | +41.5% | | 线索响应时效 | 4.3 小时 | 15 ≤ 分钟 | -94.2% | | 客户特征维度 | 8 个 | 20+ 个 | +150% | 显著提升客户关系管理的效率与精准度。 在自然语言处理层面，模型具备高达 128K tokens 的超长上下 文窗口，可无缝解析客户沟通中的复杂语义场景。例如在邮件沟通 过程中，系统能自动提取客户需求中的隐含意图，准确率达 92% （基于内部测试数据），同时支持中英日韩等 12 种语言的实时互 译，满足跨国企业客户服务需求。模型特有的多轮对话记忆功能， 可完整跟踪长达 3 个月的连续客户交互记录，避免传统 CRM 因会

时反馈调整销售策略，试点数据显示，此类功能可提升 转化率 15%-20%。 2. 自动化核保与风控 o 在健康险场景中，智能体通过解析体检报告、医疗记录 等非结构化数据，实现秒级核保决策，准确率可达 92% 以上（传统规则引擎仅为 75%-80%）。 o 结合物联网数据（如车载设备、可穿戴设备），智能体 可动态评估风险并触发预警，例如监测到高风险驾驶行 为时自动调整保费或推送安全建议。 3 分钟 5 ≤ 分钟 -77% 风险控制方面，部署基于 DeepSeek 的智能风控引擎，建立动 态核保模型和反欺诈识别系统。通过整合 200+风险特征维度，预 期将高风险保单识别准确率提升至 92%，较现有规则引擎提高 40 个百分点，每年减少欺诈损失约 1200 万元。系统将实现实时风险 评分可视化，支持核保人员快速决策。 客户服务创新是另一重要目标，拟打造 24 小时在线的智能保 DeepSeek NLP 引擎的对话系统可处理 85%以上标准化咨 询，包括保单查询、条款解读、理赔进度跟踪等高频场景。测试数 据显示，响应速度从人工平均 45 秒缩短至 1.2 秒，准确率提升至 92%（传统 IVR 系统为 68%）。 2. 多模态工单处理 通过 OCR+自然语言理解技术，系统可自动解析客户上传的医 疗票据、事故照片等非结构化数据，与传统人工录入相比： 处理环节 传统方式耗时

...................................................................................................92 6.1 病历自动生成....................................................................................... 97%，入院记录书写时间由 25 分钟缩短 至 9 分钟。该系统尤其适用于病程记录、手术记录等高频文书场 景，通过持续学习医院专科术语和医生个人用语习惯，其识别准确 率可在 3 个月磨合期后稳定在 92%以上。需要注意的是，系统设计 必须严格遵循《医疗质量安全核心制度要点》，所有 AI 生成内容 需经医师审核确认后方可生效，确保法律效力和医疗安全。 1.1 项目背景 近年来，随着医疗信息化建设的加速推进，电子病历系统已在 自动填充标准术语库中的规范表述 2. 实时提示逻辑错误和必填项缺失 3. 智能生成符合 ICD-10 编码的诊断建议 从技术可行性看，现有条件已完全成熟：中文医疗 NLP 识别 准确率普遍达到 92%以上，支持 300+常见病种的模板覆盖；硬件 方面，常规服务器集群即可满足日均万级门诊量的处理需求。本方 案将重点解决系统与现有 HIS/RIS/PACS 系统的无缝对接问题，确 保在不改变

人工的 8 倍，使基层民警日均处置非案件类事务减少 4.2 小时  群众参与标准化：通过 AI ” ” 辅助的 随手拍 系统，市民上报事 件的有效率从 23%提升至 68%，系统自动分类准确率达 92%  风险预警前置：重点区域异常行为识别响应时间缩短至 40 秒，2023 年试点区域盗窃类警情同比下降 19.3% 在数据治理层面，系统建立了分级授权机制确保隐私安全，关 键数据指标如下表： AI 驱动的新型治理范式，通过三大核心目标 实现技术突破： 1. 建立多模态视频智能分析体系 o 实现 200+类社会治安事件（如打架斗殴、车辆违停、人 员聚集等）的自动识别，目标检测准确率≥92% o 将非结构化视频数据处理时长从传统方法的分钟级压缩 至 800ms 内 o 通过时空特征融合技术，将跨摄像头目标追踪成功率提 升至 85% 2. 构建警民协同的线索闭环机制 o 开发群众端 编码以降低带宽占用，平均单路视频码流控制在 2- 4Mbps。 边缘计算层部署轻量化 AI 分析节点，主要承担以下核心功 能：  实时视频结构化分析：采用 YOLOv5s 优化模型，实现人车物 检测准确率≥92%（白天场景）  关键帧提取：每 30 秒保存 1 帧高清图片并生成特征向量  数据脱敏处理：对人脸、车牌信息进行动态模糊（模糊区域像 素偏差值＞15%）  异常事件初筛：通过行为分析算法识别打架斗殴、聚集等