生成式AI在质量和供应链场景中的落地应用实践指南

AI重塑生产力-生成式AI在质量和供应链场景中的落地应用实践生成式AI正在兴起生成式AI给人类文明创造了无限的可能，同时也引发了一系列发人深省的问题•近十年来，生成式AI技术通过不断的进化演变，在“超级算力•近十年来，生成式AI技术通过不断的进化演变，在“超级算力”+“海量•尤其当以GPT-4为代表的预处AI的市场规模将达到1.35万亿美元*在2022年这一数字为400亿DeepSeek3我们正经历一场“伽利略时刻”数据的深度应用是创新型组织高效运转的引擎全流程优化需要面对复杂的分析决策问题决策性分析eg：统计分析预测性分析判断性分析描述性分析描述性分析挑战让数据产生业务价值，需要进行不同程度的加工DIKW金字塔模型：数据语言到业务语言核心方法论信息信息数据的深度应用需支持多源异构数据连接“美国数据反映劳工市场有降持仓量持续升高。“美国数据反映劳工市场有降持仓量持续升高。”接入非结构化信息与知识，接入非结构化信息与知识，满足全面分析思路数据民主化是数据产生普遍价值的必由之路过往当前未来财务等数据“依赖者”WhatWhat&WhyWhatWhatWhat&WhyExcel数据仓库+BI数据湖+语义层Excel数据仓库+BI【行业案例】企业数智化转型的乘数效应供应链数据指导产能规划（精准预测调整产线排程）设备工况数据反哺质量管控（如稳定炉温提升成材率）质量数据优化客户服务（如追溯系统增强品牌信任）据中国钢铁工业协会测算，全面数字化转型可推动行业吨钢综合成本下降8%-12%，碳排放强度降低15%-20%在数字化转型的进程中，生成式AI处于什么位置？所谓生成式人工智能•而我们今天谈论的AIGC概念是泛化的，包括具备狭义和广义概•狭义的概念重点关注的是数字内容的生产形式（SyntheticM），•广义的概念则突出生成式AI的概念，即如何通过生成式AI的技术解决以往决策式AI•随着生成式对抗网络等的演进及迭代，生成式AI可以结合自动化、数字化、决策式AI等等多种的诸多链路（例如数据治理、知识管理、流程自动化），•User-GeneratedContent••User-GeneratedContent•内容生成及传播成本由于互联网时代的，无需专业人士完成.•总体内容生产数量有所升•AIGC关注内容（GeneratedContent）•AIGC关注内容（GeneratedContent）的生成方式，即是否内容的最终形态由AI完成，来自于互联网之前对内容生成方式描述比较（PGC&UGC•对生成主体的不同（人vs机器）、数量及规模的上限，生成速度的巨大差异进行比较•内容生成成本高，需要专业人士完成内容生成。•总体内容生产数量低•AIGC•AIGC能给行业带来什么样的新体验、新思路？•AIGC能否“击穿”当下数字化不得解决的问题？•AIGC是否会形成新时代的生产力？•……创新•“大模型”怎么用？是否要唯“大模型”论？•AIGC的商业价值核心逻辑是什么？•技术和产品力如何形成更好的化学反应？•哪些具体的行业和场景会成为关键的破局点？应用生成式AI是数字化转型上半场的试金石，也是下半场的新起点市场对于生成式AI应用的期待：宁可试错，不能错过数字化转型的三大阶段智能化信息化数字化智能化信息化*数据来源：公开资料，专家访谈，甲子光年智库AI的落地的四个应用范式AI应用的四个基本范式Prompt（提示工程）Prompt（提示工程）RAG（检索增强生成）微调Prompt（提示工程）：就像给实习生布置简单工作给细节明确的指令，依赖其基础能力RAG（检索增强生成）：就像让实习生做他本不会的事情知识赋能：给知识库、给模板、给参考手册，用到的时候现查微调：就像让实习生学会新技能知识内化：送进培训班，背熟了，考核合格再上岗微调输入微调输入 生成回答非通用知识私有大模型私有大模型工作流：解决人机协同问题Agent与工作流可以看作LLM技术下Prompt工程的进化Multi-Agent•Agent的核心在于自主性的增强，这种增强的核Multi-Agent•Agent的核心在于自主性的增强，这种增强的核）；自主性的增强，自动化完成连续行动AIAgent大模型的最初兴起的时候，Prompt工程，把大模型当成一种编程语词、任务目标及任务背景，告知大模型需要Chain/Flow角色+角色技能+任务核心关键词+目标+背景+范围落地：从技术实现到商业实践的经验沉淀与思考两个成功商业化的生成式AI的应用“指标标签语义层+大模型”的解决方案，大幅降低了数据服务的使用门槛，实现自然语言交互式数据分析和智能归因应用场景：供应链管理、营销管理数字质量工程师以“AI+RPA+数据+机器人”等多重技术深入融合应用创造的高度拟人化的新型工作人员，经过专项业务的训练应用场景：质量管理ChatBI采用的NL2Semantics+Agent路径是效果更优的科学路径以常见的业务数据分析场景为例，对比NL2SQLVSNL2Semantics路径在数据分析效果上的差异：可实现且准确可实现且准确难度系数难度系数1最近6个月的某供应商的供货量和良品率是多少？维度识别语义模糊累加聚合维度识别语义模糊累加聚合2今年AAA供应商和BBB供应商的供货量总和是多少？可实现但不准3今年S类的各个供应商的供货量、良品率和及时率如何？列个表可实现但不准3今年S类的各个供应商的供货量、良品率和及时率如何？列个表难实现可实现且准确4华东地区最近6个月供货量增速最高的Top难实现可实现且准确4华东地区最近6个月供货量增速最高的Top3供应商是哪几个？这三个分别的良品率和及时率是多少？帮我解读下5华东地区S类供应商的良品率为什么下降了，查一下数据，看看具体下降了多少，并帮我做个归因分析ChatBI架构与支持场景渠道评价分析财务经营分析客户画像分析产品力分析渠道评价分析财务经营分析客户画像分析产品力分析营销效果分析会员运营分析客户投诉分析供应链库存分析营销效果分析会员运营分析客户投诉分析供应链库存分析场景层产品层多模态交互辅助层自然语言意图理解交互式问答与问题推荐自然语言意图理解低代码指标开发与统一管理任务规划DIY指标取数关联分析指标化语义转换层指标预测与仿真分析基座大模型基座大模型能像人一样规划：ChatBI中的“Agent”架构的运行逻辑取数专家报告专家取数专家报告专家度量：营业收入指标分析助手，支持业务同学对话式进行数据分析，更好的智能化交互体验基于基于大模型的意图识别与推理能力，并结合小模型的归因等算法，实现基于自然语言的指标取数、可视化和归因分析让用户快速获取准确数据，定位数据问题，生成数据报告提供交互式指标查询、元信息查询与可视化能力自动化提供贴合专业分析师思维的报告，并将数据概览、图表、高级计算（同环比/聚合/占比/排序/相关性/预测）与文字结论有机地整合在一起提供交互式指标查询、元信息查询与可视化能力指标分析助手，支持业务同学对话式进行数据分析，更好的智能化交互体验提供问答式提供问答式维度归因与因子归因能力，大幅提升数据波动探查效率，助力管理者与业务人员决策加速。数字工程师·效果展示在对话框中输入一句指令，“数在对话框中输入一句指令，“数字工程师”就可以根据指令输出一份基础FMEA。数字工程师·效果展示传统工程师在写传统工程师在写FMEA过程中，“数字工程师”提供24小时辅导，例如某零件的功能是什么？失效是什么？有哪些预防/探测措施可以实施等。数字工程师·效果展示当当FMEA完成后提交审核时，可以先由“数字工程师”进行预审，例如子系统/零件是否有遗漏？功能网/失效网是否都已连接？S/O/D评分是否合理？高AP项是否有控制措施等。生成式AI在各行业的应用矩阵从0到1：AI项目落地的关键成功步骤从0到1：AI项目落地的关键成功步骤第一步第二步第一步