摘要：汽车制造业企业通常有着非常多的部门，生产销售包含很多环节，各个环节都会产生大量数据，有些是信息化系统产生的结构化数据，还有一些是报告、文档等非结构化数据。其中非结构化数据往往分散于员工设备中，难以整体管控，文档之间的关联度较低，要将其中的知识进行关联会非常困难
导读本文将分享汽车制造业领域大模型与知识图谱结合的应用实践。
主要包括以下五部分内容：
1. 汽车制造业知识库现状
2. 大模型+知识图谱技术原理
3. 大模型+知识图谱双擎的应用场景
4. 大模型+知识图谱应用实践案例
5. Q&A
分享嘉宾｜杨成彪博士 柯基数据 CTO
编辑整理｜王红雨
内容校对｜李瑶
出品社区｜DataFun
01
汽车制造业知识库现状
很早以前，汽车制造业就已开始应用知识库相关产品，其核心目的是解决企业知识管理的问题。
汽车制造业企业通常有着非常多的部门，生产销售包含很多环节，各个环节都会产生大量数据，有些是信息化系统产生的结构化数据，还有一些是报告、文档等非结构化数据。其中非结构化数据往往分散于员工设备中，难以整体管控，文档之间的关联度较低，要将其中的知识进行关联会非常困难，也会带来巨大的运维成本，因此知识大多是离散的，这对企业的知识积累非常不利。
因此企业需要知识库来解决上述问题，而知识库的形式也经过了几代的演进。
基于上述知识库发展背景，我们研制了面向汽车制造业的智能知识库 2.0 产品，其核心是解决全栈知识管理，融入最新的AI技术，为高效、便捷的知识管理提供支撑。
对于汽车制造业这种知识高度专业、技术点庞杂的场景，仅依靠大语言模型是不够的，还需知识图谱辅助，接下来将详细阐述原因。
02
大模型+知识图谱技术原理
首先需要了解一下双系统认知理论（DPT）。
人脑决策存在两个系统，系统一凭直觉快速决策，负责约 95% 的日常决策；系统二负责剩下的 5%，即缓慢的需深度推理的决策，如解复杂数学题等。当前深度学习和大语言模型主要在实现系统一的功能，而要实现真正的人工智能需要研究如何实现系统二。
符号主义与连接主义是人工智能两大流派：
符号主义：将知识符号化，基于符号化的知识实现智能。以知识图谱为代表，将知识通过三元组形式显式表示，构建巨大的知识网络，实现知识推理和分析，从而达成人工智能。然而知识图谱也存在规模的局限性，覆盖面有限，并且语义理解上相对匮乏。连接主义：基于神经网络，大语言模型是其集大成者。知识隐性存储在神经网络参数中，是不可读的，通过合适的提示词唤醒，并输出。这种方式虽更占上风，但存在知识不可编辑、不可确认、运维复杂等问题。如果存在错误，只能通过微调或外挂等打补丁的方式进行知识调整，而这些调整是难以确保有效的，只有反复实验才能验证，而调整的同时是否对其它知识造成了破坏也是无法确定的。知识图谱与大语言模型各有优劣，二者结合则可产生更强的特性。
如上图中的示例，大模型可能存在幻觉问题，给出错误的回答。而加入知识增强后，效果可以得到显著提升。
解决大模型幻觉问题的一个方向就是 GraphRAG，即基于知识图谱提升大语言模型的知识问答表现。相比常规大语言模型问答，以及 RAG（知识文档分片外挂存储，检索知识点辅助回答），GraphRAG 将外挂知识构建成知识网络，以知识点而非文本片段检索，回答更全面。
从 2024 年 4 月，微软发布 GraphRAG 并开源之后，GraphRAG 技术经历了非常快速的发展。微软 GraphRAG 的数据处理包含知识图谱构建、图谱摘要、社区发现及社区摘要生成四个步骤，每一步都是利用大模型完成的。其回答模式包括本地搜索（常规 RAG 问题，具体的知识点）和全局搜索（宏观问题）。随后的改进版本 Nano-GraphRAG，对代码进行了精简，更利于商业化开发。
国内，阿里于 9 月发布了 KAG，更好地发挥了知识图谱的价值。之后，港大发布了 LightRAG，兼顾了效率与成本。
11 月微软又发布了新的工作 LazyGraphRAG，精简了数据处理阶段，不调用大模型，使得数据预处理速度得到了大幅提升，同时成本大幅降低。另外，也实现了动态的知识维护。
综上可以看到，GraphRAG 的发展趋势为：
知识图谱构建采用动态、多层级的方式。GraphRAG 与 RAG 双向奔赴，相互折中。更好的利用已有图谱，包括企业内部构建的，和外部开源的资源。我们自研的 GraphRAG 首先要解决的问题就是充分利用现有知识图谱。第二是通过知识图谱理解用户意图，拆解问题，以更好地检索知识。
如上图所示，用户提问后，提取实体并进行拓展，在知识层面上基于知识图谱进行推理，转写意图后再进行 RAG 流程。
我们构建了大语言模型加知识图谱相互增强的双擎架构，大语言模型辅助知识图谱构建，知识图谱增强大语言模型表现。
以看病的场景为例，结合疾病知识图谱和大语言模型交互理解的能力，大语言模型在知识图谱中推理查找，将用户症状与知识点对齐，实现疾病筛查和初步确诊，比单纯大语言模型更加准确。
03
大模型+知识图谱双擎的应用场景
接下来介绍大模型结合知识图谱的应用场景。
构建企业级的知识库，将知识融会贯通形成一个大的网络后，从业务全生命周期的各个阶段都可以受益。
我们打造的汽车制造业知识服务中台，汇聚了各个部门、各种流程中的知识，通过知识图谱将知识有机整合，从研发设计到售后服务的整个过程中，知识点始终保持对齐，使各环节的智能化都有所提升。下面将对一些典型场景进行介绍。
首先，在研发场景中，主要包括研究发现和研发设计两大部分。研究发现，即基于当前的研究进展找到一些可以满足业务需求的技术点，这一过程中需要对内外部知识进行整合。研发设计方面，主要需要对设计图纸进行管理，我们实现了自动解析设计文件，从中提取知识点并形成关联，这样就可以在文件层面进行智能搜索和智能问答。
在生产场景中，需要对设备故障进行诊断。将设备手册与故障报告积累于知识库后，运维人员可以通过问答形式快速定位和解决问题，提高了响应效率。
售前的一大场景是订单智能分析。对于非标产品，订单描述可能非常复杂。利用大语言模型，可精准理解定制化需求，匹配内部产品规格，并进行兼容性检查，最后将整合后的方案提供给用户，用于进一步的沟通。
售前的另一大场景是提供技术支持。专业技术人员提供售前支持成本高昂。利用大模型+知识图谱，可以为销售提供售前技术支持，并且可以打破语言限制，实现多语言服务，减轻人工负担。
售后智能客服是一个非常常见的场景，结合知识库与大模型，可以扩展 FAQ 之外的服务范围，提升客户服务满意度。
04
大模型+知识图谱应用实践案例
下面来分享一些实践案例。
第一个案例是某车企生产设备知识图谱，汇总了所有故障现象与原理，使维修人员可以快速进行故障排查，提升问题解决效率。
第二个案例是企业设备运维助手，将产品手册与常见故障手册汇总到一起，形成了知识图谱增强的大模型问答系统，从而为各种设备运维问题提供全面而准确的回答。
最后一个案例是为某全球化汽车技术供应商做的一个辅助研发的 AI 助手，可以根据需求辅助技术选型，还可以根据核心参数评估最优方案。其背后通过多 Agent 支持不同工作，相互配合，最终完成用户诉求。基于 PDCA 架构，知识库随使用反馈调整动态更新，实现了能力的持续提升。
05
Q&A
Q1：如何有效地将 300 多份规章制度文件转化为易于使用的问答系统？
A1：首选尝试常规 RAG 的方法；若遇到复杂细节询问，则构建知识图谱，梳理概念框架，定义关系，利用大模型自动拆解规则，进行图谱构建，以回答复杂问题。
Q2：PPT 中提及的风险识别是如何操作的？
A2：例如在采购电梯主板时，确保与电源适配性符合规定，通过构建知识图谱导入产品手册规格，检测设备兼容性，可以提前识别风险，供销售人员审核。
Q3：医疗场景下，基于图谱的多轮问答，next question 如何确定？
A3：明确目标，让大模型基于知识库引导用户对话直至确定具体疾病或症状，基于症状挖掘和统计选择具有代表性的提问，设定交互框架并在知识图谱基础上进行统计分析，制定下一步问题。需要说明的是，在很多场景中仅通过语言交互是非常低效的，在手机上直接提示几个选项让用户选，比一个个问要高效得多。
以上就是本次分享的内容，谢谢大家。
来源：DataFunTalk