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

..........................81 5.1.1 结构化数据（保单、理赔记录等）...................................................................................................83 5.1.2 非结构化数据（医疗报告、照片等）........................ 财险公司理赔纠纷投诉中，67% 源于时效延迟或核损偏差，直接推高运营成本—— 行业理赔管理费 用率中位数达 12.8%，较承保利润率高出 4.3 个百分点。 核心痛点集中在三个维度：首先，海量非结构化数据的处理能 力不足，医疗险中仅 CT 影像等医疗文件的人工解读就需要 2-3 小 时/案；其次，风险识别依赖经验判断，车险骗保案件漏检率高达 18%；第三，客户服务响应滞后，85%的保险公司尚未实现 构，通过动态激活子模型的方式实现计算资源的智能分配，在保证 响应速度的同时显著提升复杂任务处理精度。在保险行业特定场景 中，其优势主要体现在三个方面：首先，基于多轮对话和上下文理 ” 解能力，可准确解析客户提交的非结构化理赔描述，例如将 车子 ” 右前方撞到护栏导致大灯破裂 的口语化表述自动转化为标准化事 故编码（V37.2）和损伤部位标识（ADL 代码：HL-03-R），识别 准确率达到 98.7%，较传统

1 视频结构化分析 2 远程抄表 3 智慧停车 4 智能井盖 5 智能照明 6 智能家居 智慧安防小区建设主题 3 © Nokia 2016 视频结构化是一种视频内容信息提取技术，它根 据视频内容按照语义关系，采用时空分割、特征 提取、对象识别等处理手段，组织成可供计算机 和人类理解的结构化信息 1 - 视频结构化分析介 绍 Nokia 2017 公安联网 车辆信息结构化 ● 基本特征（车牌、类型、颜色、、车型、品牌、子品牌、款型） ● 标识物（危险品车、年检标、遮阳板、挂饰、纸巾盒、是否打电话、安全带等） 非机动车信息结构化 ● 基本特征（车款、类型、性别 等） ● 服饰特征（衣色、眼镜、头盔 等） ● 携带物特征（背包、遮阳伞） ● 运动特征（方向、速度） 人物信息结构化 ● 基本特征（性别、年龄段） ● 服饰特征（上下衣着颜色、眼 运动特征（姿态、方向） 1 - 视频结构化分 析 © Nokia 2017 ● 运动特征（方向、速 度） 横向关联人、车数据 利用道路、车库出入口的 摄像头将车辆和驾驶员的 信息结合起来，对接公安 系统，实现人、车的在线 联网核查 6 19/03/2018 Confidential © Nokia 2016 1 - 基于 AI 的视频结构化数据的应用 - 联网核 查

AI 地产园区解决方案 智慧园区能力 园区可视化 园区监控 轨迹分析 视频结构化 智慧园区管理平 台 智能迎宾 智能访 客 智能广告投放 车辆结构化 违停预警 智慧食堂 刷脸支付 车辆识别 园区门禁 园区拓扑架构 园区云端管理平台 交换机 广告互动机 刷脸 POS 智能消费 交换机 抓拍机 视频分析系统 视频巡更系统 人像检索系统 视频结构化系统 黑名单布控系统 车辆管控系统 园区安防 通过图片或者视频，在抓 拍库进行检索 一人一档 聚类归档中的档案可以和 底库人像信息关联，实现 档案实名认证 黑名单库布控到相应相机， 如果抓拍到的人脸特征与 黑名单布控的人脸比对值 高于设定阈值，则实时报 警 视频结构化 可对指定的设备、指定的 通道进行实时图像视频操 通道进行实时图像视频操 作 人像检索 巡更位置刷脸时可联动显 示现场视频图像 黑名单布控 平安园区子系 统 对视频中人关键特征提取 进行结构化存储，实现基 于特征点得视频搜索 视频巡更 实时视频 以不同种类不同功能的摄像机及服务器分别实现对企业园区各监控点位的视频图像采集工作 ，确保园区安 全。 支持实时视频查看 ， 录像回放与下载。 实时视频监 控 食堂操作间 / 食堂收银

........................203 1. 引言 近年来，随着企业财务数据规模的指数级增长和审计合规要求 的日益复杂，传统审计模式面临巨大挑战。审计人员需要处理海量 结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 中，审计团队平均需要耗费 65%场 景 机器学习识别 92%场景 工作底稿生成效率 4 小时/份 20 分钟/份（自动校验） 在技术实现路径上，我们采用分层架构设计：底层通过微调后 的 DeepSeek 模型处理非结构化文档，中间层构建审计知识图谱实 现条款关联，应用层则部署风险预警、抽样推荐等具体功能模块。 某试点项目数据显示，该方案使应收账款函证程序的耗时缩短 57%，同时将异常交易检出率提升 31%。这种提升不仅来自算法优 通过监管复核。这揭示出当前 AI 应用需要解决的核心矛盾：如何 在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏

0 0 1 0 1 0 0 1 趋势 趋势 • 海量异构非结构化数据 • 大规模用户数 • 安全合规无法保障 • 知识沉淀难度高 • 知识赋能无法达成 “ 数据”和“知识”双擎驱动智慧校园 数据是高校的“血液” ，是保障正常管理和服务运营效能提升的基础。高校中存在海量 的非结构化数据 ，且正以每年几十、几百 TB 级快速增长。对于高校如此庞大的数据量， 数据驱动智慧校园建设｜ 06 部分教育客户 PEKING UNIVERSI TY U N 统一日志管理及可观测性方案 云基础设施可观测性方案 灾备体系可观测性方案 AnyShare 可观测性方案 非结构化数据中台，实现“数据” +“ 知识”双擎驱动 增强数字化韧性，提升服务水平（ SLA ） 高校云盘建设 高校智能教学助手 数据驱动智慧校园建设｜ 12 增强智慧校园数字化韧性，提升服务水平（ SLA ） 高性能 万兆网络环境下备份恢复速度可达 300MB/s ，打 破海量非结构化数据保护下备份恢复性能低的瓶颈， 为高校师生数据提供高性能保护 一致性 数据由 AnyBackup 统一整合并编排调度保证应用 一致性，防止数据丢失和应用不可用，确保高校师

业营销相关数据，通过数据关联比对甑别作弊，规避偷漏 系统化数据采集，规避偷漏 掌握自主核心技术，立足于原创，技术领先 系统建设的理念和准则 Page 8 大数据分析平台建设目标 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 智慧税务大数据质量管理平台 5 6 Page 11 大数据分析平台总体架构 历史数 据查询 数据交换平台 应用集市数据区 集团零售 供应链金融 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 大数据分析平台总体架构——数据产生层  内部业务系统产生的结构化数据  集团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……  智慧税务大数据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、金融产品信息、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……

通过前章的现状分析得知，学校已建成了部分的部门级别的应用系统以及 数字化校园三大平台，结合高校信息化建设的五个阶段。规划建设思路如下： 对各业务系统产生的数据进行集成，尽可能多的抽取数据，包括结构化数据、 半结构化数据、非结构化数据，建成全量数据库，形成基础数据层。然后通过 数据治理工具，提高基础数据的质量，形成高质量的有效数据层。 最后对高质 量的数据进行挖掘和分析，形成高价值数据层，为教师和学生提供个性化的应 台，建立不同主题和层次的数据挖掘类应用系统，为校领导、各级管理机构和 教师，提供一个实时、全景式的数据分析挖掘和展现平台。 四、总体规划 1. 技术架构 结构化数据 非结构化数据 半结构化数据 数据库（OLDP） 超级数据立方体（cube） 图数据库 （Neo4j） 分布式数据系统（Hadoop+ 数据层包含三类数据：结构化数据、半结构化数据、非结构化数据。数据层数 据为信息层数据仓库的建立提供支撑。 1、结构化数据 学校信息化建设中涉及到的各业务系统如学工系统、教务系统、人事管理 系统、科研管理系统、一卡通等均是以关系型数据库的方式进行数据存储，此 类传统的关系数据模型、行数据，存储于数据库，可用二维表结构表示的数据 均为结构化数据。 2、半结构化数据 半结构化数据是类似 XM

一、背景分析与领先实践 需求管理 • 未实现“一物一码”，或一个物资多个名称 • 基建、物资编码未打通，物资单位需重复申报 • 存在一个项目拆分为若干批次上报的问题 • 需求计划填报未实现结构化 • 预测与实际脱节严重，需求预测和需求计划缺 乏关联 • 缺乏需求预测变 更、 补充需求预测功能 01 采购管理 供应商管理 合同管理 • 统付环节未彻底打通 • 合同起草人无法查看 / 服务中心各个中心是数据源头，每个中心通过 遵从数据标准来产生规范的数据。 • 基础设施是数据源头，将数据信息共享至供应 链业务平台和运营监控中心 • 按照通用数据划分，服务中心产生的数据主要 分为结构化与非结构化的数据，非结构化数据 一般是指文档、图片或视频，而结构化数据细 分如下： • 事务数据：服务中心主数据之间活动产 生的数据，如作业任务等； • 基础数据：有限可枚举且非常稳定的静 态数据，如币种、合同种类、职位等； 智慧供应链平台的服务中心和基础设施是数据源，不同类别数据（结构化和非结构化数据）对应不同的数据库，大数据中心提供技 术能力支持数据分析工作，物联网平台的状态数据和数据库同步，数据流转需遵从制定的数据标准，促进数据的共享和高效利用。 数 据 源 服务中心 合同中心 仓储配送中心 供应商中心 … 产 生 数 据 数 据 类 别 结构化数据 非结构化数据 主数据 事务数据 基础数据 文档 图片 视频

采购供应 产品需求 产品设计 生产规划 产品支持 工艺设计 基于三维模型的设计 数字化研发质量 管理 自动排产及 交期预估 数字化制造 质量管理 数字化质量 全过程追溯 三维结构化工艺 数字孪生研发仿真 制造 交付物流 售后服务 全球产品 协同研发 变压器产业现状及数字化举措分析 研发 / 设计 工艺 生产 / 设备 质量管理 现状与问题 对标 / 最佳实 践 CREO 工具与 WINDCHILL 集成， 加强基于 Creo 的三维结构化设计工 具使用的推广与培训 变压器产业 线缆产业 新能源产业 多晶硅产业 新材料产业 火电厂产业 矿山产业 变压器产业现状及数字化举措分析 研发 / 设计 工艺 生产 / 设备 质量管理 现状与问题 对标 / 最佳实 践 数字化核心举措 • 结构化工艺、 BOM 等交付质量不高，制约数 字化工厂业务的深度应用 • 标准工序库、工艺路 线库覆盖率低，工艺设计 平 台 不 统 一 ， MPM 和 CAPP 并存 • 基于三维模型规划和 验证工艺能力不足，影响 设计效率 • 西门子、 ABB 的具有完整的结构化 工艺方案，应用十分成熟，在全球推 广多年 • 西门子、 ABB 的在加工仿真、产线 仿真等方面应用较为领先，在 3D 工 艺指导方面应用较为成熟 • 西门子、 ABB 普遍采用虚拟验证和 三维工艺可视化以改善车间制造运营