從研發、設計、制造到生產、銷售、維護，汽車企業包含大量數據和知識。2023年9月18日，在2023第二屆汽車數字化轉型大會上，國雙科技資深產品總監徐瑛表示，知識作為對信息的總結和提煉，當把知識引入數字化、智能化轉型過程中時，一方面可以沉淀我們的經驗，另一方面不論是在知識的獲取還是在知識的創作分析以及業務創新過程中，都會有比較多的用途。

聚焦知識的搜索、問答、分析所能取得的效果以及存在的短板，徐瑛認為，通過知識的構建，可以形成統一的知識層。在知識層的基礎上，可以把相關的數據、經驗經過一系列沉淀，真正實現知識的復用、共享、分發、傳承，賦能更多場景。具體建設只要三步，第一步“建”；第二步“知”；第三步“用”。

國雙科技資深產品總監

以下為演講內容整理:

將知識放在核心位置的案例研究

支撐汽車企業數字化智能化轉型的過程有很多因素，其中有軟件還有硬件。那么如何能把知識放在核心力量的位置？先看幾個例子。

第一個案例來自汽車研究設計環節。汽車產品設計的時候需要用到大量知識。為了便于高效管理、查找、使用這些知識，我們把需要用到的行業規范、標準以及相關的數據文檔等，通過業務邏輯梳理去構建相應的知識庫、知識中心和知識圖譜。在它的基礎之上，再去供相應的產品設計人員進行檢索和知識的獲取，這樣一來，在產品設計的各個階段，我們能夠依據設計人員的需求提供更加準確的信息。

圖源:國雙科技

在這個過程中，無論是對于呼叫中心的工作人員來說，還是對于檢維修的工程師來說，都需要比較高的專業門檻。不同的呼叫中心工作人員、工程師水準有高有低，針對同樣的問題，在處理時辦法參差不齊。隨著人員流動，好的案例經驗會被流失掉，這個過程中怎么把好的案例、企業的經驗沉淀下去并且傳承下去，需要構建知識中心和知識庫。

圖源:國雙科技

第三個案例來自汽車流程審計的工作。汽車制造業是典型的流程性企業，對于流程性企業來說，有相關的制度要求建設、生產需要采取的流程，同樣也會有各種各樣的軟件系統，來支撐流程走通。但無論是軟件系統還是相應的規章制度，都是在不同時期前后建設的。

圖源:國雙科技

這樣一來，經常會導致有些流程規章制度要求在線上進行，但其實在線下進行了，依據制度需要走新的流程，但在系統里走的依然是老流程，當進行流程審計時就會不合規，而且有風險。因此就把規章制度里依據流程相應的規定構建了相應的知識庫，同時把流程系統里實際走的流程構建了相應的圖譜。通過對比，能夠清晰地看到二者之間存在的差異或者缺失的狀況，再進行流程審計合規上的智能化升級。

知識在汽車企業智能化轉型中的應用

可以發現，不管是研發環節還是生產環節等各個環節中，對汽車企業來說包含了大量知識。這些知識可能是文件、規章制度、數據，也可能是經驗。在汽車企業內部，特別是知識密集型部門，大家對于各類知識文件的獲取和分析的時間會占到工作時間的40%-70%，這是非常大的體量。

一方面我們需要用到大量的知識，另一方面有很多知識并沒有被沉淀下來。比如，實際操作經驗、典型案例都遺失了。這樣一來，需要用到很多知識，但是很多知識又沒有被沉淀下來，那么知識的有效利用和沉淀率會非常低。

圖源:國雙科技

知識和數據的區別是什么？可以把數據進行業務邏輯的抽象后所形成的稱之為知識。這里舉簡單的例子，當去檢索故障現象時，如果是基于數據層面檢索，經常得到的答案是左邊這張圖，能看到和故障現象相關的各類各樣維修的文檔。但很多時候這對于維修人員來說并不好用，因為他需要的只是某篇文檔中的一小段文字，而這一小段文字可能分布在幾篇文檔里，非常零散。當他去檢索內容時，其實想得到的信息是直接查找原因，并且獲得維修措施和建議。當檢索現象時，直接返回出原因和措施，就是把數據進行了知識化的抽象后的結果。

把知識引入到數字化智能化轉型過程中，一方面可以沉淀經驗，另一方面不論是在知識的獲取還是在知識的創作分析以及業務創新過程中，都會有比較多的用途。首先是搜索，當引入知識之后，帶來的是兩種不同的搜索效果。第二是問答，它的優點在于答案精準，但不足是不夠靈活。大語言模型出來以后，問答帶來了大的飛躍，優勢在于靈活，但不足在于不可解釋。

把知識圖譜引入到問答的環節中來時，用它去規范大語言模型提問答案的返回，可以增加大語言模型的可信性。在知識圖譜構建過程中，難點是在于不可避免要進行人工標注，工作量比較大。但最近通過和大語言模型相結合，在過程中可以通過大語言模型的推理和一系列的解釋能力，幫助我們更加智能地構建知識圖譜，讓其一部分人工標注的工作交給大語言自動實現，提升了問答效果和構建效率。

圖源:國雙科技

第三，分析。對于分析，比較傳統的方式是通過機理模型或者機器學習的模型實現。過程中有時候會發現它會有不足之處，精準度不夠，準確率比較低。這時可以把業務上的知識引入到機器學習或者機理建模的過程當中，從業務的角度提出規范性的約束條件，通過這種方式增加做預測的準確性。

圖本身是特殊的結構，節點和節點的關系?；诖?，可以直接用它做分析。在進行車輛維修時，會有多故障、多現象的情況。在這個過程中怎么樣找到核心問題，通過最短的維修路徑把問題解決，就可以通過圖做組合，再用最短路徑的算法找到解決問題的方法。找到最短路徑后，就可以把它固定成為針對這種多現象、多問題故障的解決辦法，將它沉淀到后續的知識庫。這樣一來，針對復雜維修現象和維修問題的解決能力也能得到長效的提升。

知識構建的重點要素

通過知識構建可以形成統一的知識層。在知識層的基礎上，可以把相關數據、經驗經過沉淀再供上層分發和應用。除了可以服務于汽車制造領域的全流程，也可以把供應鏈領域的相關知識進行供應鏈系統的智能化應用，例如客服、營銷，針對更加細分的人群類別賦予不同的知識，服務于全鏈條。

具體怎么樣建設？整體來說有三步，第一步，建。建包括知識圖譜構建、知識庫構建以及相應算法構建。第二步，知識的獲取。第三步，用，對于知識進行深度的分析。建在最開始的過程并不是難點，因為發現通過一系列軟件能夠幫助我們進行圖譜的構建和知識庫的構建，但是難點在于后續運營、運維、更新，包括怎樣保證知識庫里是最新的內容。

圖源:國雙科技

在此過程中非常重要的一點是必須讓業務人員參與，業務人員會賦予相應的需求和邏輯，同時算法會承接他們的需求和邏輯。只有兩者進行緊密結合，才能把需求用算法以及相應的模型呈現，最終再去支撐上層的應用。對于業務人員的需求來說不單單是需要一線的工作人員，也需要領導，因為要保障知識體系的構建需要對流程做相應的沉淀和建設。

當有了知識體系、數據后，要對它做采集和治理，最后再通過知識體系賦予它新的知識和業務上的邏輯，去支撐前端業務側系統的應用，整體上用這樣的方式支撐所有業務。