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]

图谱基本概念与术语 - 图谱由节点、关系和属性构成，节点代表实体，关系代表实体间的连接，属性是附加的键值对 [3] - 关系具有方向性，可分为有向图和无向图，例如朋友关系是双向的，而关注关系是单向的 [5] - 关系可以带有权重，例如用户喜欢帖子的数量，或无权重仅表示连接存在与否 [6][8] - 图谱形状包括简单图、多重图和完全图，简单图任意两实体间只有一种关系，多重图允许同一对实体间存在多种关系，完全图则每个节点都与其他节点相连 [8][10] - 根据节点类型可分为单分图和二分图，单分图所有节点类型相同，二分图包含两种节点类型且关系仅发生在不同类型之间 [12] 图谱建模与表示方法 - 标记属性图模型是一种灵活的数据表示方法，包含节点、标签、属性和关系四大要素 [18][19][20][21][22] - Cypher查询语言使用文本描述图形模式，语法直观，例如用`(:Person {name: "Alice"})`表示带标签和属性的节点，用`-[:FRIEND]->`表示有方向的关系 [13][14][15] - 建模决策取决于具体目标、问题和领域，若需通过特定值搜索或发现共享该值的实体，则将该值建模为独立节点更为合适 [24][25][26] - 图谱能够将人物、地点和概念表示为节点，通过有方向的关系连接，并可附加属性数据 [27][28] 图谱应用与工具 - 图谱技术可应用于社交网络、推荐系统、客户旅程和内容标记等多个领域 [29] - 行业中存在Neo4j、Memgraph、Kuzu等图形数据库工具，可供开发者探索和使用 [29] - 图谱提供了一种强大而灵活的连接思维方式，有助于更直观地连接信息点，并非仅限于数据科学家使用 [29]

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]

公司概况 - 海致科技成立于2013年 专注于大数据收集、整合与管理、数据运算及人工智能应用 先后推出图谱解决方案和智能体[1] - 公司2024年经调整净利润转正 达到1693.2万元人民币[1] - 按2024年营收计 公司在中国产业级AI智能体提供商中排名第五 市场份额2.8% 前三名市场份额分别为22.6%、12.9%和12.8%[1] 财务表现 - 2022-2024年总收入持续增长：3.13亿元→3.76亿元→5.03亿元人民币[2][3] - 毛利率逐年提升：30.9%→35.2%→36.3%[6] - 2022-2023年经调整净亏损：1.43亿元→8370.4万元人民币 2024年实现经调整净利润1693.2万元[6] - 税前亏损状况：2022年亏损1.78亿元 2023年亏损2.72亿元 2024年亏损9459.4万元[2] 业务构成 - Atlas图谱解决方案为营收主要来源 2022-2024年占比：100%→97.6%→82.8%[3] - Atlas智能体业务2023年开始产生营收 890.3万元→8655.3万元 占比从2.4%增至17.2%[4] - 2024年78.9%的智能体客户由图谱解决方案客户转化而来[4] - 智能体客户数量显著增长：2023年2个→2024年19个 其中图谱解决方案客户从1个增至13个[4] 费用结构 - 研发费用持续下降：8694.2万元→7270.6万元→6068.1万元 2024年同比下降16.5%[7] - 销售及营销费用高于研发费用：1.15亿元→8629.2万元→6779.6万元[8] - 销售成本逐年上升：2.16亿元→2.43亿元→3.21亿元[10] - 2024年研发团队556人 研发费用中员工福利支出5225.2万元 销售团队103人 销售费用中员工福利支出4879.6万元[9] 技术优势与竞争地位 - 公司定位为"中国首家通过知识图谱有效减少大模型幻觉的AI企业"[3] - 产品体系包括DMC数据智能平台、Atlas知识图谱平台和高性能图数据库平台AtlasGraph[3] - 2024年中国产业级AI智能体市场前五名公司共占58.1%市场份额[12] 资本结构 - 赎回负债账面金额变动：2022年为0 2023年-4896.9万元 2024年-7609.2万元[12] - 该负债与重组项下向投资者发行的金融工具相关[12] 发展战略 - 未来战略包括增强工程技术能力、扩展解决方案组合、拓展客户群和探索海外市场 推进战略性并购[12] - 公司承认行业竞争异常激烈 需保持技术领先地位[7]

行业动态 - 武汉举办第三届软件创新发展大会并首次颁发"杰出软件工程师"荣誉称号 [1] - 获奖的20位工程师中85%来自民营企业 [7] - 获奖者分布在云计算、工业软件、地理信息软件、汽车软件等多个领域 [7] 公司案例 - 浮木科技专注于大模型和知识图谱联合驱动的软件智能生成平台，已在十余个领域完成平台验证 [6] - 浮木科技由武汉大学毕业生创立，团队放弃大厂高薪创业，目前处于高速发展期 [6] - 艾普工华研发国内首个制造大模型"艾问"，从工业软件领域跨界到人工智能领域 [6] 人才发展 - 武汉拥有超过40万开发者群体 [7] - 获奖工程师表示城市重视技术人才将促进工程师文化的形成 [7] - 软件产业是高端人力资源密集型产业，需要营造良好的工程师文化氛围 [7]

知识图谱技术突破 - AutoSchemaKG框架实现无需预定义模式的完全自主知识图谱构建 利用大型语言模型直接从文本提取知识三元组并动态归纳模式 显著提升可扩展性和领域适应性[1][7] - 实验证实该系统模式归纳与人类设计模式达到95%语义对齐 已构建ATLAS知识图谱系列包含超9亿节点和59亿边[2][17] - 创新性采用概念化方法 将实体/事件泛化为语义类别 建立跨领域语义桥梁 支持零样本推理并减少知识稀疏性[7][8] 技术实现路径 - 采用三阶段流水线提取实体-实体 实体-事件 事件-事件关系 支持多种大型语言模型并优化GPU加速[9] - 模式归纳阶段通过LLM生成抽象概念短语 整合邻近节点上下文信息增强语义理解 实现自动化类型泛化[11][12] - 计算资源消耗巨大 构建最大规模ATLAS-CC图谱需52,300GPU小时 处理9.373亿节点和59.6亿边[19][20] 性能验证 - 三元组提取质量优异 在ATLAS-Wiki上实体-实体关系F1达94.09% 事件-事件关系F1达96.01%[21][22] - 事件建模效果显著 多项选择题测试中事件级三元组准确率超95% 比实体级保留更丰富信息[23][24] - 多跳问答任务表现突出 与HippoRAG2集成后性能比传统检索方法高12-18% 在MuSiQue数据集EM达31.8%[28][29] 应用优势 - 领域适应性强 ATLAS-Wiki在宗教/哲学领域优势明显 ATLAS-Pes2o在医学/社会科学表现更佳[35] - 法律领域性能提升显著 比无检索基线高4个百分点 远超Freebase等传统知识图谱方法[32][35] - 学术资源转化高效 ATLAS-Pes2o基于Semantic Scholar摘要构建 在技术类任务中验证学术知识迁移价值[17][18]