AI搜索智能回答技术流程 - AI理解用户问题依赖自然语言处理技术 包括拆解句子和提取关键信息[4] - 知识图谱构建庞大信息网络 存储实体关系如企业业务和客户数据[4] - 智能检索通过数字信号匹配问题与资料 提升答案相关性[4] - 答案生成阶段区分简单问题直接提取和复杂问题整合梳理[4] 企业信息优化服务模式 - 企业通过技术手段整理并发布信息至全网 提升AI搜索可见性[4] - 服务覆盖AI平台包括DeepSeek、豆包和文心一言等[4] - 优化方法涉及梳理企业信息和适配平台规则[4] 技术演进与行业影响 - AI搜索智能回答基于四步流程：听懂问题、找对信息、挑准内容、说清答案[4] - 自然语言处理与知识图谱技术协同工作 驱动答案准确性提升[4] - 技术持续进步将增强AI回答的理解能力和实用性[4]

王权 数据是对客观事实的测量和记录，但是有些客观事实是看不见、摸不着的。患生于所忽，祸起于细微， 如果一个投资模型不能涵盖最全面的数据，一个极小的瑕斑也可能导致最终资产配比的偏差。 投资领域的"隐数据"并不是指常见的市盈率、市净率等财务数据，也不是那种已经被行业充分了解、广 泛交易，甚至可以在短时间内被准确定价的数据，而是那些需要借助AI技术和非线性算法进行抓取的 非结构化数据。 北齐的杜弼在《檄梁文》中讲到一个典故。原文为"但恐楚国亡猿,祸延林木,城门失火,殃及池鱼"。意思 是说：楚国国君丢了猿猴，楚国的人去树林里抓猴子，却因此毁坏了林木。城门着了火，人们用护城河 的水救火，水用完了，鱼受牵连而死。 基础数据始于对真实世界的把握，但是世界的本相是否可在现有条件下被精准度量？我们在谈到中国历 史上有多少个皇帝以及对他们的历史评价时，获得的一手基础信息实际上来自于《二十四史》，某种程 度上依赖于司马迁、班固、陈寿等历朝史官对真实史料掌握的多寡。 秦始皇与汉武帝的记述是否真如史书所载，一个刻薄少恩，一个封禅求仙？"烛影斧声"与"靖康之耻"的 记录是否对当初的真相进行了深描或浅描？还有多少尚未发掘或束之高阁、隔绝尘 ...

公司AI产品进展 - "海纳"MCP Server每月在能力和功能上不断迭代升级 目前已经开放给更多大模型 智能终端 智能体应用平台等合作伙伴 并成为众多AI产品选用的消费能力增强服务 [1] - 8月对外输出量达到2000万 环比增长54% 从4月至今实现6倍增长 [1] - 知识图谱接口通过将碎片化信息结构化 系统化整合 将海量消费事实和概念以图谱方式连接 支持大模型深度理解与精准推理 [1] 技术能力升级 - 知识图谱接口相比传统RAG检索 能为AI实现精准内容定位并深入挖掘信息间复杂关系 实现高效一体化智能检索与生成 [1] - 知识图谱检索连通内容搜索与商品搜索 使检索内容更全面且大模型回答更精准 [1] - 接口已开放3C数码品类 关联100万篇文章和150万实体数据 [2] 数据资源基础 - 后续将在公司海量商品库和内容库基础上构建更多品类知识图谱 [2]

核心观点 - 国际数据治理协会发布《工业企业数据质量治理进阶实践指南白皮书》 旨在系统性地破解工业企业数据质量治理难题 提供一套清晰可执行分阶段跃迁的治理框架 帮助企业构建高质量数据基座 释放数据资产潜能[1] 数据治理核心概念 - 白皮书对主数据静态数据源端治理末端治理等关键基础概念进行精准定义和辨析 为实践指导奠定理论基础[2] - 概念澄清有助于企业跳出局部片面治理视角 从数据全生命周期全局规划治理蓝图[2] 数据治理成熟度模型 - 白皮书首次系统性提出工业企业数据质量治理五阶段成熟度模型 源于国内外大量企业实践经验总结[3] - 模型清晰勾勒从基础规范到智能全域的进阶路径 帮助企业定位自身阶段并明确发展目标[3] 编码管理阶段 - 第一阶段目标是通过统一编码规则解决数据识别混乱问题 实现一物一码[4] - 核心任务是制定规范统一格式推动落地 此阶段是数据治理的奠基工程[4] - 常见误区是过度依赖工具而忽视业务规则 导致大量基础性录入错误[4] 主数据管理阶段 - 第二阶段治理范围从识别扩展到共享数据的标准化 确保核心主数据在全企业范围内一致准确唯一[5] - 企业开始引入主数据管理系统并建立管理流程[5] - 质量校验多依赖简单正则表达式和人工审核 深层业务逻辑错误难以发现[5] 静态数据治理阶段 - 第三阶段治理范围从主数据扩大到全部静态数据 治理深度从格式校验深入到业务逻辑校验[6] - 通过构建包含业务规则的数据模型引入算法校验和行为约束机制 从源头降低质量问题发生率[6] - 挑战在于转变数据质量无法根治的传统观念 克服业务系统改造和业务人员抵触阻力[6] 协同治理阶段 - 第四阶段目标是将治理覆盖数据从产生到消亡的全生命周期 实现源端保证数据出生健康和末端查漏补缺[7] - 在数据分析应用端统一统计口径梳理业务血缘 使数据在决策场景中真正可用且可信[7] - 需规避重应用轻治理的短视思维 应对复杂数据链路带来的追溯挑战[7] 智能全域治理阶段 - 第五阶段目标是突破结构化数据边界 实现对非结构化数据如图片合同音频的有效治理[8][9] - 通过融合人工智能自然语言处理知识图谱等技术 构建知识驱动的智能治理能力[9] - 实现治理流程自动化与智能化 治理效率呈指数级提升[9] - 挑战在于非结构化数据的复杂性对AI技术提出极高要求[9] 白皮书行业价值 - 为工业企业提供从战略到战术的完整行动指南 帮助企业少走弯路节约试错成本[10] - 通过标准化概念和框架促进企业内不同部门及产业链上下游的高效沟通协作[10] - 帮助企业根据所处阶段针对性规划技术架构和平台工具选型 避免盲目投资[10] - 引导企业将数据质量治理从被动合规成本中心转变为主动创造价值的战略资产中心[10]

文章核心观点 - 广发信用卡中心凭借"创建全流程智能防赌反诈教育体系项目"获得2024年国际质量创新大赛教育行业创新类别一等奖 成为中国银行业首次在该国际赛事中获奖的案例 项目通过技术赋能与教育融合构建全流程防控体系 体现金融科技创新在消费者权益保护与金融安全领域的实践价值 [1][2][6] 国际质量创新大赛背景 - 大赛由芬兰质量协会于2007年发起 2021年转由中国质量协会主办 覆盖20个国家和地区 以新颖性、实用性等五大标准评选八大行业类别创新项目 [2] - 2024年共有557个项目参赛 仅25个项目入围国际赛 每个类别仅评选1个一等奖 竞争激烈程度被誉为质量创新领域"奥林匹克" [2] 项目创新框架与设计 - 项目基于金融消费者对教育"准确性、及时性、便捷性"三大核心诉求 通过大数据架构、AI、实时计算与知识图谱技术构建"技术+教育"双引擎体系 [3][4] - 针对老年、青年等不同客群开展线下定制化宣教与线上全天候教育生态 线上累计触达量突破千万级 [4] 全流程防控实施细节 - 事前阶段通过"常态化科普+专题性解读"双轮驱动 以图文、视频等形式实现防诈知识广泛覆盖 [4] - 事中阶段依托AI实时防控 结合短信、弹窗等多维度触达 年教育高风险客户超50万人次 高风险操作触发延时到账机制 [4] - 事后阶段通过反电诈舆情情报体系自动生成教育物料 搭建统一宣教平台承载20多个教育主题 提升教育效率 [4] 项目成果与行业影响 - 涉诈客户精准识别与教育率大幅提升 涉诈交易识别耗时缩短至毫秒级 全年为持卡人挽回直接经济损失数千万元 [5][6] - 高风险场景客户投诉率显著下降 "发现精彩"App安全中心月均访问量超18万 用户满意度持续上升 [6] - 项目展示中国金融机构在金融安全领域的领先实践 未来将持续深化金融消费者权益保护工作 [6]

图谱无处不在——社交网络、推荐系统，甚至存在于我们大脑中概念的连接方式中。但知识图谱究竟是什么？作为开发人 员，我们该如何使用它？ 在本 文 中，我们将采用可视化和代码友好的方法来探索知识图谱的工作原理，从最基础的部分开始。 一 图形术语 在开始构建图之前，我们先来熟悉一些基本术语。这些概念将帮助你理解图数据的结构以及不同实体（节点）之间的关系。 1.了解图元素 图的 DNA：节点、关系和属性 2.图显示的内容 这张图是使用标记属性图 (LPG)模型的可视化表示。让我们来分解一下： 每个圆圈代表一个节点——在本例中是两个人： 一个标:Person有 name 属性"Alice" 另一个标:Person有 name 属性"Bob" 它们之间的箭头表示一种关系： 它被标记为FRIEND，显示节点之间的连接类型 箭头方向告诉我们 Alice 和 Bob 是朋友 3.关系方向 有向图：关系有方向——例如"用户 Jane 关注 用户 Joe"。 无向图：关系是双向的 - 例如"用户 Joe 是用户 Jane 的朋友 "。 4.关系权重 无加权图：关系仅存在或不存在——没有额外的数据。 加权图：关系带有数字或分数 - 例 ...

募集资金基本情况 - 公司首次公开发行2200万股新股，每股面值1元，发行价格32.29元，募集资金总额7.1亿元，扣除发行费用后实际募集资金净额6.15亿元[1] - 募集资金已专户存储并设立专项账户[1] 募集资金使用情况 - 截至2025年5月31日，累计投入募投项目资金8860万元，占承诺投资总额25,971.67万元的34%[3] - 主要投向两个项目：基于工业互联网架构的智能MES系统优化项目和基于大数据的质量追溯与分析系统优化项目[3] 募投项目延期情况 - 延期项目为"基于大数据的质量追溯与分析系统优化项目"，原定完成时间未披露，调整后延期至2027年12月31日[3][6] - 延期原因包括：技术路线调整（从Cloudra大数据产品转向国产信创平台）、引入知识图谱技术、行业算法模型升级[4][5] - 市场环境变化促使功能升级：需支持动态追溯拓展（覆盖新增数据源）、根因分析模型（嵌入行业专家知识）、预警预测模型（从事后纠偏转向事前预防）[5][6] 项目重新论证 必要性 - 国家强化重点行业（食品/医药/汽车/电子/烟草）质量安全监管，新法规如《药品管理法》《食品安全法实施条例》推动追溯需求[7] - 消费市场对供应链溯源需求增长，企业质量管控投入增加，需信息化解决方案支持全流程追溯与预警[7][8] 可行性 - 技术底座采用国产信创平台，融合知识图谱与行业算法（如质量逻辑专家知识），实现动态追溯与根因分析[8] - 公司已采购相关软硬件并投入研发资源，资金可支撑项目持续开发[9] 预期效益 - 项目将提升公司大数据产品技术水平，增强市场竞争力与经营业绩，并扩展至绿色供应链管理等新场景[8][9] 审议程序 - 董事会及监事会于2025年7月25日审议通过延期议案，认为调整符合实际经营情况且未改变资金用途[9] - 保荐人兴业证券核查后认为决策程序合法合规，无损害股东利益情形[10][11]

公司AI产品入选创新案例 - 公司9个AI产品通过开源大模型集成应用能力质效评估，入选首批"开源大模型+"软件创新应用典型案例，成为入选案例数量最多的公司[1] - 评估涵盖接入能力、应用能力、模型性能、安全能力、兼容适配、运营管理等六个维度[3] - 产品聚焦销售、核保、理赔和风控等实际业务场景，从68个入围案例中脱颖而出[3] AI能力建设与生态构建 - 公司构建"保险+科技+服务"模式，升级建设AskBob、智能图像、知识图谱、仿真预测四方面AI能力[4] - AskBob引入预训练大模型技术，已在核保、理赔等场景应用，团财核保答疑实现24小时0等待，有效解答率超90%[4] - 智能图像大模型替代烟囱式小模型，新场景交付时效大幅缩短，内容创作效率提升95%[4] - 知识图谱覆盖5类知识体系，实现知识自动化构建[5] - 仿真预测在车险保费预测场景实现从0到1突破[5] 业务场景应用与价值创造 - 公司完成DeepSeek大模型本地化部署，围绕销售、核保、理赔、风控等场景打造AI助手[6] - 创小保AI助手实现单条营销内容百万级客户精准触达，提升非车销售能力[6] - 团非数字核保人实现"人工核保"到"AI自核"模式变革，自核率提升17pt，首次报价时效缩短至2小时以内[7] - 数字化风控体系实现每年AI减损金额超50亿元[7] 行业地位与未来规划 - 公司AI大模型技术已全面融入业务流程，展现AI技术创新实践上的强大实力[3] - 公司在ICDAR、EMNLP、Gartner等多个世界AI顶级会议比赛中获得冠军[4] - 未来将深化数字化转型，推进"人工智能+"行动[7]

健全就业公共服务体系 - 提出18项服务举措，目标建立均等普惠、功能完备、帮扶精准、基础巩固、数字赋能的就业公共服务体系 [1] - 明确属地服务责任，统一服务事项标准，制定发布统一服务清单和视觉识别系统 [1] - 促进区域服务协同，拓宽劳务协作机制范围，打造"龙字号"劳务品牌矩阵 [1] 完善就业公共服务内容 - 高效落实就业政策，深入开展法规政策宣传 [1] - 完善就业失业管理，畅通失业求助渠道，动态调整就业援助对象范围 [1] - 加强企业薪酬调查信息发布，强化岗位推荐和用人推荐 [1] - 持续优化创业服务，加强创业能力培训和专业化创业服务能力建设 [1] 推行针对性帮扶模式 - 完善发现识别机制，支持失业登记与低收入人口信息共享比对 [2] - 探索构建求职就业分级分类模型，精准判定就业困难类型和程度 [2] - 实施优先扶持和重点帮助，强化后续跟踪回访 [2] 打造基础巩固服务格局 - 提升市县综合服务能力，提供全链条就业公共服务 [2] - 健全基层就业服务网点，打造"15分钟"就业服务圈 [2] - 加强职业指导师等专业化队伍建设，扩大社会力量服务供给 [2] 强化数字赋能服务方式 - 应用人工智能、大数据、知识图谱等技术开发求职招聘信息智能分析功能 [2] - 强化就业大数据分析利用，推动就业数据"回流"地方 [2] - 支持开发智能招聘、政策评估等应用场景，打造数智就业服务模式 [2] 其他工作要求 - 统筹用好失业保险基金、各类产业引导基金促进就业 [3] - 完善政府购买就业公共服务制度 [3]

公司概况 - 公司业务起步时自行调研获取数据进行分析，大数据时代调研成为数据补丁，能为客户提供完整数据支持，较纯依赖大数据企业更具优势 [2] - 软件业务发展战略是业务经验模型化、模型算法化、算法软件化，核心竞争力是具备咨询公司基因，能识别需求、沉淀行业知识并建立模型，运用人工智能技术开发数据智能软件 [2] - 业务从数据收集与人工分析向自动分析转型，追求模型创新构建能力，使建模成常规手段 [3] 业务与技术落地 - 秉承问题导向，开发数据智能管理与分析模块，结合行业知识、算法模型与大模型技术形成数字化解决方案，应用效果获客户认可 [3] - 在“12345 政务服务便民热线”领域开发响应性算法模型机制，技术泛化能力可用于其他行业；结合相关算法开发派单系统；开发多种自助分析工具；开发事理图谱，搭建知识图谱生产五层框架，提高城市治理应用系统开发效率 [4] 知识图谱与大模型关系 - 整合零点有数与海乂知技术，知识图谱提供可解释逻辑骨架，解决大模型“幻觉”问题，提升大模型准确度；大模型打破知识图谱更新难题，解决构建高成本问题 [5] - 认为“图谱骨架 + 大模型引擎”深度融合将在多场景抢占数智先机，知识图谱与大模型技术混合智能决策已在部分客户落地，在非生成领域提升推理逻辑可解释性 [5] 知识图谱应用与融合 - 海乂知特种领域本体构建经验可复制到民用场景，如政务“政策推荐”借鉴特种业务情报分析框架提高精准度，其知识图谱技术积累有助于公司向多领域扩展 [5]