沃丰科技GaussMind与华为共话AI，助力提升制造企业智能化水平

文章摘要：在由华为MindSpore、成都昇腾人工智能生态创新中心联合主办，DataFun协办的“MSG企业行·成都站”活动中，来自沃丰科技GaussMind、OPPO、新东方、拓尔思、萨摩耶云等8位行业大咖，受邀分享深度学习、文字识别、知识...

在由华为MindSpore、成都昇腾人工智能生态创新中心联合主办，DataFun协办的“MSG企业行·成都站”活动中，来自沃丰科技GaussMind、OPPO、新东方、拓尔思、萨摩耶云等8位行业大咖，受邀分享深度学习、文字识别、知识图谱、NLP等方向AI技术的新发展，一同交流探索AI技术产品构建与场景落地的可能性。沃丰科技GaussMind资深算法专家吕向楠分享了制造业的知识图谱应用，探讨AI技术和产品在制造业数字化转型、智能化升级过程中的价值，助力提升制造企业智能化水平。

1、智能制造是大势所趋

在数字化转型浪潮下，各种新兴技术得到了快速的普及和应用。其中，人工智能可以说是近年发展最迅速的技术之一，获得了资本与市场的双重青睐。

从国家战略层面来说，中国制造2025规划的出台，要求制造业能够实现知识驱动的研发与生成，形成独特的产业优化迭代；从行业竞争来说，制造业的技术需要不断更新，行业之间的竞争也会越来越激烈，企业必须拥有核心竞争力以保持竞争优势；对企业自身而言，业务发展对知识的需求愈发强烈，如何将海量的企业知识积累并充分利用起来，为业务的发展提供强有力的支撑，也是非常必要的。

因为所需专业知识门槛高，分类庞杂，制造企业的知识存储及使用有一定技术壁垒。不过，随着人工智能技术的不断发展，特别是智能搜索、知识图谱、自然语言处理（NLP）等技术的进步，制造业知识利用迎来一个良好的转机，AI能够辅助实现智能化的感知交互、决策以及执行。

制造业的智能化可以分为三个阶段：

第一阶段，数据积累阶段，一些大型制造企业已经产生了一些数据，包括最原始的素材、生产数据、设备说明、维修记录等。
第二阶段，企业积累了一定的数据，通过大数据分析、过滤挖掘等，形成了知识沉淀，这些知识沉淀可用于最基础的知识引擎推理，包括问答、搜索等。
第三阶段，依托各个行业的专家，将知识数据进行组合，特别是一些业务专家，将知识进行梳理，对企业的生产事件、行为进行预测，辅助进行决策。

相比其他行业，制造业的数字化需求比较明确，包括信息化赋能、数据沉淀、效率提升，要求对数据的生产存储过程进行明确的监管，以实现实时的可视化。针对于不同的场景，企业也会有一些的个性化需求，特别是对移动办公的需求，要求各级管理人员能够实时查看相关数据并进行检索。

2、知识图谱是制造业智能化的关键

对制造业来说，知识图谱在知识的沉淀、连接、应用过程中，发挥着重要作用。智能制造各个环节都需要足够广度和深度的知识。知识图谱对知识的沉淀、连接和应用，能够有效满足智能制造对知识的需求。知识图谱将文本、事件、数据库以及行业专家的经验知识相结合，构建数据模型，将数据关系进行挖掘形成突破，为企业执行决策以及感知提供辅助。

在制造业的应用过程，知识图谱发挥作用的第一步是沉淀知识，包括企业的隐形知识、显性知识、公共知识，然后将这些知识整合在一起，发掘知识之间的内部关系，以及跟外部使用者的连接，对知识进行扩展。这里形成的知识不是“死”的，知识必须与业务结合，从业务中定义知识，依据业务流程构建知识图谱，并能支持业务对这些知识进行深度调用。

企业有了知识之后，如何应用这些知识？一般来说，最简单的应用就是知识查询，用来指导新人去学习历史知识，即便人员流失也能把这些知识经验保存下来，这是知识的一个初步使用。对于制造企业而言，知识构建是一个比较难的过程，如何让这些知识不断生长、不断产生新的知识，也是企业需要突破的一个难点。

沃丰科技GaussMind提出“知识进化完善”的环节，在整个系统使用过程中，除了查询已有知识外，系统会在结果部分进行数据的更新迭代，查询平台的使用者不断往里面添加新的数据，这里也会有相关的人工审核，这样就能把知识有效的保存下来，实现数据不断的增长，为未来的使用者提供更多的知识查询。

3、世界500强制造企业使用知识图谱构建智能应用

目前，知识图谱的构建过程是比较简单的，一个通用化的流程是：本体设计-数据治理-文本标注-知识抽取-数据存储-智能应用。最开始是图谱的本体设计，以产品需求为核心，以业务场景为导向，依据现有的数据种类和格式，根据用户的业务场景去进行设计，使图谱满足用户的数据结构，同时也能快速的扩展用户未来的知识场景使用（结合业务原则、分析原则、效率原则、扩展原则）。

结构化的数据处理比较简单，可以通过知识映射的方式直接进入到知识图谱中；对于非结构化或者半结构化数据有不同的处理方法。半结构化数据也可以是采用知识映射的方式；而对于非结构化的数据，通常来说我们需要对应标注训练语料（训练语料的标注过程也有具体的方法），有了比较好的训练语料之后，就可以进行模型训练，训练好模型，对用户未标注数据进行知识抽取的数据，并不会直接进入知识图谱。

制造业的实际使用场景中对数据有比较高的准确性要求，图谱构建中对模型抽取的结果需要进行人工审核。整个训练过程采用弱监督学习+人工审核验证的方式，最终将所有的半结构化、非结构化以及结构化数据都整理为结构化的，然后存储到知识图谱中，在用户的实际场景进行查询使用。

以沃丰科技GaussMind某世界500强客户为例，该制造企业拥有数十万个产品，产品信息分布在多个系统中，产品类型多、层级多，无论对内部人员还是对外部客户，查询相关的产品信息都是非常难的事情，因此产品信息需要统一管理。在故障排查的现场，该企业以往多依赖于人工的经验，如何把这些知识有效的整理起来，变成结构化的知识，为新人提供更多的解决方案，也是企业的一个痛点。

而沃丰科技GaussMind为该企业提供的知识图谱解决方案，实现产品选型的精准推荐，只需通过基础搜索，即可直接展示更多的相关推荐选项，用户通过点击的方式，逐步查找到适合的产品；之后，系统对这种产品的具体型号以及参数，提供富文本（包括：图片、音频等）数据快速获取；而这些数据也不完全依托存在于图谱中的知识，我们为客户实时打通了多系统，数据可以从客户的数据库中实时查到，这样能最大限度地保证数据的有效性以及真实性。

知识图谱在制造业的应用场景比较多，包括质量管理的知识图谱、后服务的知识图谱、生产设计的知识图谱、供应链的知识图谱，在不同的场景下都有对应不同的解决方案。GaussMind知识图谱解决方案，以助力制造企业数据结构化，实现了AI技术提升企业智能化水平的良好效果，赢得了众多世界500强客户的信赖。

文章为沃丰科技原创，转载需注明来源：https://www.udesk.cn/ucm/update/18147