企业AI落地难题:可能是你对知识库的理解出了问题

大模型在企业知识库场景的落地思考 今天我们深入探讨了企业在知识库场景下运用大型模型的实践策略。我们首先分析了大型模型在企业实际应用中所面临的挑战,包括算力、调度和数据等方面的问题。随后,我们提出了一系列解决方案,包括构建高效管理和自适应扩展的算力资源体系,开发或引进先进的调度系统,以及建立完善的数据处理流程。最后,我们强调了企业在实施大型模型实践策略时,必须关注数据安全、隐私和合规问题,以确保实践方案的可行性和可持续性。 阅读详情

导读:

  • 为什么企业AI落地往往不顺?

  • 重新认识一下知识,不是数据,也不是文档;

  • AI企业知识库不等于RAG;

  • 如何将文档、数据变成知识,TorchV对SECI模型的实现介绍。

一、AI时代知识为什么很重要

今年的AI应用里,让我最惊艳的应该是Gemini的Deep Research(pro版本)和Manus了,似乎AI真的走到了自己思考和执行事项的时代,相信已经用上这些产品的朋友会有同样的感叹。

但别急,我也发现了它们的一些局限。

也许用显微镜看的时候,它们的局限会很多,比如相对来说还比较高的执行失败率,或者明明规划路径是对的,最终结果却未达预期。但对我来说,最大的差距是Deep Research在规划时不能理解企业特有的业务流程,造成很多它们给的结果明明很好,但和我的业务无关,特别是企业自身的知识无法用几句话就讲清楚的时候,再聪明的AI也无法理解企业知识。

所以你猜到了,我想说的就是在真正的企业AI应用中,没有知识库是不行的。就像你请了一个国际高级咨询师,如果人家完全没有了解公司业务和知识的情况下,给你开了三天闭门会,也许你会觉得如沐春风,然并卵。

二、什么是知识

已经讲到了知识库,那么我们首先来看看什么是知识?我们首先看看维基百科和百度百科的解释。

知识是对某个主题“认知”与“识别”的行为藉以确信的认识,并且这些认识拥有潜在的能力为特定目的而使用 —— 维基百科

知识指人类在实践中认识世界的成果 —— 百度百科

百度百科比较简练,维基百科倒是讲到了“主题”,以及知识的“使用潜力”,所以,面向主题和使用潜力应该算是知识的重要特性。另外在现实生活中,我们还常常分不清什么是数据,什么是信息,以及什么是知识。如果要区别什么是知识,有一个1980年之前提出来的著名的认知架构叫DIKW金字塔,其认为数据是最基础的,其上是信息,再是知识,最后是智慧。但我自己更喜欢的是前喜茶和百果园的CIO沈欣老师的定义:知识是一种可验证、显性的经验模型(作者在文字描述上做了修改,内容基本一致)。而知识的层次可以分为数据—>信息—>经验—>知识。个人觉得把知识定义为一种可验证和显性的模型,更有助于现代计算机以及AI系统去理解和运行。对于数据、信息、经验和知识之间的关系与递进,下面这张图可以准确诠释:

图片

图1:沈欣老师给出的数据、信息、经验和知识的递进关系

上图把对数据、信息、经验和知识做了完整定义,分别是:

  • 数据:反应客观事实的数字、符号或记录。

  • 信息:经过整理、归类或分析的数据,赋予其意义和目的。

  • 经验:技能或认知,通常依赖个人或组织的积累。

  • 知识:可验证的业务模型,能指导决策和行动。

里面还有一个生动的例子,讲述了各自的区别,各位可自行阅读。图中有一句话让我印象最深刻,就是经验属于个人隐形认知,而知识是显性化的,可复用的体系单元。在AI的企业落地实践中,算力和大模型使用方面,在一定程度上是“众生平等”的,当然我说的是推理。但是在如何把AI用好这件事上,我们最需要的就是如何让知识发挥作用,最难的也是如何转化和积累知识。如上图表达的,当发现用户经常点击某运动鞋的详情页,却没有下单,应该巧妙地给他发一张优惠券促使成交,而且把这本来是运营人员的个人经验模型化,让AI可以直接使用,才是真正完成了知识转化。

在企业内部,这样的例子比比皆是,比如:

  • 面对各类不同条件,有经验的造价师如何去计算价格,其实也是一种知识模型;

  • 金融行业对于风险的识别判断,除了大数据之外,就是各类知识模型;

  • HR如何在初筛的时候根据用人需求挑选出合适的简历,也是一种知识模型。

这样的例子应该在各行各业都存在,说白了,在彼得德鲁克的《为成果而管理》一书的第三章中也明确说到,企业的关键资源只有两类,一类是知识,另一类是资金。而且在该书的第七章还专门讲到了知识即企业,他也超前的预测,终有一天,人力最终被机器取代,知识在企业运转过程中将更为重要。后续,企业竞争的关键点就在于我们的知识有多好。

知识是什么,以及知识在企业业务中的重要性就讲到这里。下面我们来看看如何让知识在AI中发挥作用。

三、如何让知识在AI中发挥作用

要让知识在AI时代发挥作用,也并非信手捏来,而是有一定的科学性与系统化能力。我们可以分为三部分来讲述:

  1. 知识构建:如何将企业中的数据、信息和经验转化为知识;

  2. 知识应用:如何利用AI来应用知识;

  3. 知识运营:如何保持AI知识系统的可用性。

我们日常看到的各类信息更多聚焦的应该是第二部分——知识应用,但实际上作为一个真正的企业级知识库,必须是三者兼修的,不然都只能是玩具。下面我就来分享一下这三部分的内容。

图片

图2:AI企业级知识库的三大组成部分

3.1 知识构建

在企业中,知识原本往往散落在各处,包括OA系统、传统知识库、网盘、员工个人电脑,以及各类结构化数据库。如果不能将它们进行聚集和组织,我们很难真正成为知识驱动的、富有效率的企业,这就是知识构建需要完成的事情。

知识构建一般分为几步,包括知识导入、知识加工,以及如何将数据和文档转化为知识。下面我们一步步来看如何构建知识。

我们在很多传统的书本和论文中看到的知识构建基本上都和知识图谱有关,比如最常见的RDF(资源描述框架),但我们把如何利用知识图谱来构建知识,以及如何做知识双链等内容放到后面的文章再来探讨。今天我们先讲点简单一些的。

3.1.1 知识导入

知识的来源有很多,相信能看这篇文章的你应该都不陌生,大致包括:

  • 本地文件:企业内部电脑上都会存在大量的本地文件,常见格式包括Word、Excel、PPT、PDF、TXT和图片等,当然还有一些特殊的格式,如视频和CAD等。

  • 原有系统:企业原有的各类数据和知识系统,包括传统知识库、文档管理系统、OA、数据库,以及更综合的钉钉、飞书和企业微信等办公软件。

  • 外部知识:从互联网获得相应的知识内容对于现代企业来说已经变得越来越重要,所以知识库的知识导入必须是可以导入外部知识的;

  • 其他:还有就是纸质版的各类知识,它们需要被扫描或人工录入才能被机器使用。

知识导入要做的事情就是为本地文件批量上传提供入口,以及,通过API对接等方式自动化导入原有系统内的数据和知识。

图片

图3:知识导入触发条件

一般可以用三种方式实现知识导入的自动化触发:

  • Webhook:接受指定的触发事件时开始知识导入/抽取,如原有系统有新建文档产生;

  • 定时触发:相对机械化的定期任务设置,如每天固定时间/每小时/每分钟等;

  • 定时触发(高级):可自定义的定时任务,如使用Cron表达式等。

3.1.2 知识加工

如果说知识导入决定了入库知识的数据量和时效性,那么知识加工则很大程度上决定了入库知识的质量。

知识加工和数据ETL过程是类似的,也同样包含抽取(Extract)、转化(Transform)和加载(Load)等过程,目的是为了让知识具备更强的可表示性、可用性和关联性。在TorchV AIS和TorchV KBS的知识加工环节,我们会使用流程编排来完成以下一些知识加工过程:

  • 内容抽取:按一定的逻辑结构抽取目标文档中的内容,包括文本直接提取、表格解析提取等,TorchV的产品还支持.doc文本和表格的提取(现已开源,欢迎关注:https://github.com/torchv/torchv-unstructured);

  • 处理算子:在知识加工的流程编排中增加数据脱敏、内容赋权、ASR、摘要等处理算子,以及增加条件分支、循环、条件筛选等逻辑控制算子;

  • 知识清洗:和数据清洗不太一样的是,知识清洗更多是将内容转化为Markdown,并去除一些标记语言,如HTML的EL;

  • 知识丰富:包括知识打标、添加上下文辅助、知识双链和知识合并等。

知识加工与知识导入的自动化结合,将大大提升知识入库的效率和质量。

图片

图4:知识加工流程编排

3.1.3 如何将文档转化为知识?

终于到了最难的问题,当然也是最有价值的问题。

我们和一些头部企业交流的过程中发现,图1中的数据、信息的使用,如果不考虑效果的情况下,对他们来说都已经实现了,我们可以狭义地认为就是使用RAG对文档和数据进行检索和生成。但是在企业实际业务中,大家还是希望能再进一步,能让AI实现更高阶的知识价值,如实现图1中经验和知识的使用。

从实际价值来说,从数据、文档中获取知识,把专家的个人经验和集体的经验转化为显性的知识,可以为企业带来很多好处,包括:

  • 知识传承:大型组织中,老员工的退休,会带走大批宝贵个人经验。如何将这些个人经验转化为显性的知识,做好知识传承,对于企业留住知识非常关键。

  • 业务智能化:类似图1中的电商场景,有效的知识应用可以让AI系统处理有经验的运营人员才能做的事物,让业务处理越来越智能。

  • 其他:企业中知识的应用不胜枚举,这里不再扩展,包括新闻事件的关联影响分析对金融行业的帮助,以及工程造价环节中成本估算和工程参数判断等诸多场景,都不是简单的文本RAG就可以解决的,而是需要将个人或集体的经验变成机器可以应用的知识,才能实现更高的AI和知识应用的价值。

如何将数据、信息和文档转化为知识是有一些科学方法的,目前我们用的方法是基于SECI模型,下面简单介绍一下该方法,更多内容会在后续TorchV的AI知识库产品中体现。

SECI模型介绍

SECI模型是在1985年由野中裕次郎(Ikujiro Nonaka)和竹内弘高(Hirotaka Takeuchi)两位日本学者提出来的,内容包括知识产生的四个过程和各自产生的场(Ba),这里我们不介绍场的概念,有兴趣的朋友可自己研究。下面介绍一下SECI的四个阶段:

  • 社会化(Socialization):它是一个通过共享经历建立隐性知识的过程,而获取隐性知识的关键是通过观察、模仿和实践。这是知识的隐性到隐性过程;

  • 外在化(Externalization):它是一个将隐性知识用显性化的概念和语言清晰表达的过程,其转化手法有隐喻、类比、概念和模型等。这是一个隐性到显性的过程;

  • 组合化(Combination):它是一个通过各种媒体产生的语言或数字符号,将各种显性概念组合化和系统化的过程,多种有效知识找到关联,产生更大的作用的过程。这是一个将显性知识和显性知识组合产生更大作用的过程;

  • 内化(Internalization):它是一个将显性知识形象化和具体化的过程,通过“汇总组合”产生新的显性知识被组织人们吸收、消化,并升华成他们自己的隐性知识,应用到工作中并接收反馈。这是一个从显性知识到人人内化为行动的过程。

SECI模型例子

这样的表述比较难以理解,我可以举个自己想的现实中的例子来说明,可能有逻辑漏洞,但我已经尽力了,将就看吧。例子如下:

假设当今社会咱们没有天气预报这回事。某天老李和老刘在小区门口看着天边的黑云密布,老李说他昨天也是看到黑云之后出门,结果十多分钟之后就被淋成落汤鸡了。老刘说这个情况我也遇到过几次了,这时候聚过来的老陈、老王等一众人也说自己都遇到过这个情况。经过大家对黑云压城要下雨这件事的充分沟通,大家把各自的隐性知识共享出来,发现是一个共识。这就是社会化过程。

没过多久,这件事就被非常有文化的大刘编成一句像谚语一样的话:“红云变黑云,马上大雨淋”。于是这句话就变成了大家口口相传的话,妇孺皆知。这就是把这个隐性知识显性化的过程,也就是外在化过程。

开杂货铺的老吕发现这种突然下雨的时候雨伞供不应求,所以他就想到了,如果天边黑云增多,那么应该把雨伞从店里面搬到店门口,这样会增加销量。两个或多个知识的组合,产生更大的应用价值,这就是知识的组合化过程。

最后,老吕在收银机上面贴了一张卡片:“窗外黑云越来越多,就把雨伞搬到店门口”。这张小卡片也成了老吕店里的员工操作智能,不管是哪个轮班的员工看到,都会按这个卡片去做,也逐渐形成了一个习惯。这就是将这个组合知识进行了内化,变成了每个员工的习惯。

我们可以从这个例子中发现人类社会是如何构建知识的:从交流中发现共识,将共识变成可供传播和教学的常识,再将常识和其他知识关联组合发现对业务有帮助的组合知识,再将组合知识变成最佳实践等SOP。

SECI作为80年代出现的知识构建模型,当然有时代局限性,特别是在计算机、互联网和AI还未大面积普及的时候。其缺陷主要是:

  • 无法为企业带来一套有效的知识构建方法,更多存在于理论研究和发现层面;

  • 缺少更广泛和更新的知识,比如当代大模型中包含的知识,以及借助互联网获得的知识等;

  • 其最后内后的结果更多是作用于人,但人才流动是当今社会的常态,我们更需要把知识沉淀在企业内部的系统中。

SECI模型在TorchV知识库的实现

但是在AI时代,这些缺陷是可以被弥补的。下面我们来看看TorchV的AI企业知识库是怎么实现SECI过程的,当然这里只做简单分享。

  • 社会化:TorchV知识库可通过知识加工获取权限内的内容,包括会议纪要、群聊天内容、日报周报 ,以及企业自身的传统知识库和OA等,在这些内容中发现传播度/讨论度较高的内容,进行共识提取,形成企业内的潜在知识;

  • 外在化:TorchV知识库通过潜在知识提炼,形成内部的一个个知识主题,具体的表现形式是应用空间(知识空间),参考图5;

  • 知识组合:应用空间的主要作用就是在知识仓库的基础上引用/复制更贴合主题的知识,比如从多个部门的知识仓库中引用关于贷款审批辅助的知识,打破了部门墙,为某一应用主题形成了组合型的知识;

  • 内化:知识空间与在其之上构建的智能体进行结合,形成了一个可以被智能触发而处理或分析业务的AI应用。这时候知识就不仅仅只存在于人脑里了。

图片

图5:TorchV的AI企业知识库的知识构建过程。

当然,这里面有很多具体的技术细节,包括大模型在其中发挥的作用,资源描述框架(RDF)和标签属性图(LPG)在不同场景起到的知识组织和串联作用,以及依然需要人的动作来形成整个闭环等。比如AI专家访谈,可以将AI自动整理的知识存在多种潜在可能性的时候,对人类专家发起邀约,通过具体项目过程的复盘补充和固化这些知识。这些在后面的文章,或者TorchV新版本企业知识库产品正式发布的时候再做进一步说明吧。

3.2 知识应用

由于在3.1中篇幅没有控制好,所以在知识应用章节我不想讲太多,只想分享一下应用形态。

知识库作为AI系统中的底层组件,可以通过API被任何应用所接入,如我们的很多客户会在TorchV知识库上面对接dify,所以从应用形态上来说其实被没有明显约束。但AI知识库也有一些非常契合的自带应用,适用于绝大多数企业客户的使用。TorchV对于知识库的默认AI应用可分为三类:帮我找、帮我写以及帮我做。

图片

图6:三种AI应用形态,帮我找、帮我写、帮我做。

帮我找的形态相对比较简单,主要还是Chatbot,包括实时交互的RAG问答,以及异步的Deep Research。

帮我写主要是基于在线编辑器,包括常见的合同、标书、会议纪要、邮件等的编写,其特点是已经连接了写这些文档内容所需要的知识,很多时候只需一键生成即可。如图7所示。

图片

图7:编辑通过企业知识库的AI应用写日报周报。

帮我做则更多是操作类型的,比如请假、预约会议室等。界面是双栏模式,左侧带有界面,有一些操作在有界面的情况下更方便,下图是预约会议室的界面。

 

图片


图8:帮我做的会议室预约。

3.3 知识运营

知识库很多时候就和人的身体一样。人的身体每天都会产生很多自由基,如果没有有效的清除机制,人马上就会生病。知识库也一样,每天有不断的新文档和新知识进来,极易造成知识库内部产生很多噪声,影响到知识检索的准确性和知识使用效果。

关于知识运营在后续的文章中会专门讲述,本文主要介绍一下知识运营主要的手段:

  • 知识降噪:包括重复文档和冲突文档的定期检查—发现—推送给知识管理人员(进行处理),该动作主要是针对重要知识的处理,不建议AI自动处理相关知识的重复或冲突解决。当然,在企业内部已经具备成熟的知识管理制度和处理经验之后,也可以让AI自动对知识重复和冲突进行直接处理。

  • 知识刷新:还有一类是知识自动刷新,就是明确知道新知识是可以替代老知识的,我们可以使用AI自动替换,并更新原有文档在系统中的各种链接和被引用。另外就是知识状态的更新,比如项目计划中,替换项目经理人选等。最后一种是针对具备时效性的知识,有更新的,或者过了保鲜期的,就需要变成冷知识。

四、总结

为什么AI应用在toB侧常常会感觉让人失望?听听我们的一些客户是怎么说的。

我们深度交流与合作过不少处在AI应用第一梯队的客户,他们说的,应用是建设导向,是目的,没错。但AI企业知识库是根基,是企业真正应该去花大力气夯实的地方。更多的就是如何让企业从自身的业务资料中形成知识,让知识可以被AI所用。他们觉得应用反而不应该是我们这些厂商操心的,因为业务因企业和岗位特有差异,他们自己才是最懂业务的人,自己才是最知道应用怎么做才能真正发挥价值的。他们可以使用外包驻场开发,或者使用Dify等工具进行工作流编排。而AI企业知识库才是他们真正需要我们这样的产品技术型厂商帮助的,因为这里面涉及到一整套带有理论知识、最佳实践、系统化和技术难题的综合产品,确实不是依靠自身能力或普通外包人员可以解决的。而AI企业知识库恰恰却决定了企业AI应用是否可以达到要求。

企业在AI时代的竞争力,不再仅仅是模型谁更大,还有谁的知识掌控得更好。

  如何学习AI大模型?

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。 

 这份《LLM项目+学习笔记+电子书籍+学习视频》已经整理好,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。


👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。


1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

TorchV Unstructured 是一个为 RAG 应用优化的开发者友好型文档解析库。.rar TorchV Unstructured是一款专为RAG应用优化的高性能文档解析库。它基于Apache Tika、POI和PDFBox等业界标准Java库构建,提供增强的解析能力。其核心价值在于能够智能识别表格结构并提取内容,为AI/ML管道输出结构化的文档内容。 【核心功能】 • 智能表格解析:先进的表格结构分析,支持单元格合并检测 • 多格式支持:无缝处理DOC、DOCX、PDF等多种文档格式 • RAG优化输出:专为AI/ML管道设计的结构化内容提取 • Markdown与HTML导出:保留表格结构的灵活输出格式 【适用场景/人群】 最适合需要处理复杂文档结构的RAG应用开发者、AI/ML工程师,以及任何需要从商业文档中高质量提取表格和文本内容的Java应用程序。 【快速上手】 1. 添加Maven依赖:com.torchv.infra:torchv-unstructured:1.0.0 2. 使用UnstructuredParser.toMarkdown()解析文档为Markdown 3. 调用toMarkdownWithHtmlTables()方法可保留表格结构 【版权与免责声明】 内容整理自项目官方开源文档。 资源来自开源社区,仅供个人学习、研究和技术交流使用,请在使用时严格遵守原项目的开源许可协议。 下载后建议在24小时内完成学习与测试,并及时清理相关文件。 严禁将此资源用于任何商业目的或非法活动。任何因使用、修改或分发本资源而引起的法律纠纷或责任,均由使用者自行承担。 如本文档内容侵犯了您的合法权益,请联系开发者予以删除。 立即下载

相关推荐

百度地图街景图像批量获取

由于个人研究需要在最近试了一下使用API获取百度地图街景图片,在此介绍一下基于我个人需求的百度街景批量获取方法,本文以Python编码作为主要方法,如果对零编码工具有需要的可以关注一下UA城市分析小组刚刚发布的街景图片获取工具。 街景图像用作区域细粒度空间指标测度需要解决几个问题。 1. 首先就是调用额度的限制,现在百度对于个人认证开发者每天可用的街景图像调用额度为100张,在不考虑购买额度上限(1万张600元,其实有经费的前提下可以直接考虑钞能力)的情况下动辄几千上万张的爬取数量会大大增加需要爬取的时间周

boycetoon29的博客 1万+

一文读懂!大模型怎么搭建企业AI知识库?

2023年被称为“大模型元年”,到了2024年,AIGC技术彻底火出圈,其中生成式AI更是备受瞩目。这项技术凭借创新算法,突破了传统AI的局限,在数字内容创新领域实现了重大突破。对企业来说,这是个利用AI大模型搭建AI知识库,盘活企业知识资产的好机会。今天,咱们就深入聊聊大模型与企业AI知识库那些事儿。

helphelptongxue的博客 1848

基于 parallels ubuntu 20.04 LTS (focal) 的ros+px4+gazebo 安装

基于 parallels ubuntu 20.04 LTS (focal) 的ros+px4+gazebo 安装。

weixin_40132006的博客 2242

手把手教你定制企业AI知识库:打造专属智能体

在当今数据爆炸的时代,虽然AI强大,但常规的AI工具或搜索引擎在面对复杂、专业领域的问题时,可能给出模棱两可的回应,无法满足企业精细化的需求。这就是为什么,企业需要一个专属的AI知识库 —— 它不仅能存储你的数据,还能真正帮助你提取出所需的关键答案,训练你的模型。

Z4400840的博客 1792

拜耳阵列(Bayer Pattern)和解马赛克简介

拜尔阵列由柯达的布莱斯·拜尔发明,拜尔阵列将更多的像素用于绿色,而不是红色和蓝色,因为人眼对绿色更敏感。但这张照片,每个像素只有rgb中的一种颜色,每个像素还缺少其它两个颜色分量,效果如下图3所示。典型的图像传感器(例如我们在数码相机中使用的图像传感器,主要有CCD, CMOS)由许多单独的光电传感器组成,所有这些传感器都会捕获光线。如果想要获得不同颜色的光,最直接的做法是加入不同颜色的滤镜,从而滤出 RGB 三个通道的颜色。这个覆盖层可以理解为一个过滤层,每种类型的过滤器通常只允许一种颜色的光线的通过。

qq_34999565的博客 5986

微信内置浏览器抓包全攻略:从ADB配置到Chrome调试(附常见问题解决)

本文提供了一套完整的微信内置浏览器抓包与调试解决方案。从ADB工具的深度配置与稳定性连接开始,详细讲解了如何开启X5内核调试开关,并利用Chrome DevTools建立远程连接。文章重点剖析了Network面板进行网络请求抓取、性能分析和问题定位的实战技巧,并附带了设备连接失败、无网络请求等常见问题的排查指南,帮助开发者高效解决微信H5页面调试难题。

gitlab7runner的博客 547

什么是AI知识库?一文搞懂应用场景和调参数配置!

AI知识库,简单来说就是给AI大模型"喂"专业知识的一个"小仓库"。我们知道,像ChatGPT这样的大语言模型虽然学习了海量的互联网信息,但在特定领域的专业知识上可能不够精准,甚至会"一本正经地胡说八道"。举个简单的例子:如果你向AI询问"我公司上个季度的销售业绩如何?",普通的AI模型根本无法回答,因为它没有你公司的内部数据。但如果你构建了包含公司销售数据的AI知识库,AI就能给出准确的回答了。知识库的核心作用是:让AI回答问题时不再凭空"想象",而是基于你提供的真实、专业的知识来回答。

大模型教程的博客 9224

Sigrity System Explorer ViaWizard模式进行过孔建模和仿真分析操作指导

点击TVac_lower tdvac_lower,自动跳转到2D时域曲线,查看最小低电平穿过VIL(ac)max电压的延时,结果如下。点击TVac_high tdvac_high,自动跳转到2D时域曲线,查看最小高电平穿过VIH(ac)min电压的延时,结果如下。点击max Vix_Rise,自动跳转到2D时域曲线,查看上升边PN交叉点与参考电压VREF(dc)的偏差,结果如下。Threshold:阈值,软件自带3个模板,default,Tr01,Tr02,本例选择Default。

weixin_54787054的博客 572

企业定制AI知识库:打造专属智能体

在当今数据爆炸的时代,虽然AI强大,但常规的AI工具或搜索引擎在面对复杂、专业领域的问题时,可能给出模棱两可的回应,无法满足企业精细化的需求。这就是为什么,企业需要一个专属的AI知识库—— 它不仅能存储你的数据,还能真正帮助你提取出所需的关键答案,训练你的模型。想象一下:当你需要某个项目的核心文档、某个复杂问题的精准解决方案时,不必再苦苦翻阅无数资料、盲目等待AI的回应。借助定制化的AI知识库,你可以随时在自己的知识库中,快速、准确地获得答案。这不仅节省了时间,也极大提升了工作效率和决策质量。

2401_85328934的博客 2177

Vibe coding 氛围编程:编程就像聊天一样,低代码开发时代来了?

Vibe coding:编程就像聊天一样,低代码开发时代来了!

Code_流苏:在代码中寻诗意,在实践中觅真知 4810

【PX4学习笔记】3. PX4 固件烧写(1 探索过程)

飞控型号:cube orange【PX4官方用户指南中关于cube orange的描述】 飞控载板型号:Mini Carrier Board【迷你载板说明文档】 固件安装参考:The Cube User Manual V1.0

【人工智障 | 计算鸡视觉 | 机器孩】 7677

AI 时代之下,如何构建企业专属的智能知识库?

想象一个由人工智能管理的强大数据库,它不仅存储信息,还能理解、分析和运用这些信息。这就是AI知识库——一个能够自我学习、不断进化的智能系统。

kaka0722ww的博客 2965

华为OD机试真题 新系统2026-04-01 C语言 实现【空间占用计算】

员工A的磁盘空间经常被耗尽,他需要找到占用空间最大的目录或文件,然后决定如何清理文件释放空间。给定某一目录,请编写程序帮助他统计该目录内一级子目录和文件的占用空间,并返回目标目录一级子项(文件或子目录)中占用空间最大的项。

MISAYAONE的博客 232

企业 AI 落地 “卡脖子”?问题可能出在你没搞懂知识库

企业 AI 落地 “卡脖子”?问题可能出在你没搞懂知识库

2301_76168381的博客 1012

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【AI大模型落地】企业AI落地不顺,问题可能出在你没搞懂知识库!

今年的AI应用里,让我最惊艳的应该是Gemini的Deep Research(pro版本)和Manus了,似乎AI真的走到了自己思考和执行事项的时代,相信已经用上这些产品的朋友会有同样的感叹。 但别急,我也发现了它们的一些局限。 也许用显微镜看的时候,它们的局限会很多,比如相对来说还比较高的执行失败率,或者明明规划路径是对的,最终结果却未达预期。但对我来说,最大的差距是Deep Research在规划时不能理解企业特有的业务流程,造成很多它们给的结果明明很好,但和我的业务无关,特别是企业自身的知识无法用

Gaga246的博客 1119

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

企业AI落地不顺问题可能出在你没搞懂知识库

企业AI落地不顺的关键在于未能有效构建知识库。文章指出,知识不同于数据或文档,而是可验证、显性的经验模型。通过DIKW金字塔和SECI模型,作者阐述了如何将企业数据、信息转化为知识,并强调知识构建、应用和运营是AI知识库的三大核心。TorchV通过流程编排实现知识加工,帮助企业实现知识传承和业务智能化。真正的企业级知识库需要系统化建设,而非简单的文档检索。

舒一笑的博客 178

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【AI 企业落地指南】从知识构建到应用:为什么知识库才是企业 AI 竞争力的核心?

【AI 企业落地指南】从知识构建到应用:为什么知识库才是企业 AI 竞争力的核心?

优快云_224022的博客 1580

AI落地难题:没有好的数据,哪来好的落地

企业数据问题是AI落地的最大难题,而企业数据痛点已经持续太久了,是时候考虑解决一下了

yuzhong001的博客 2522

企业 AI 落地卡壳?别忽视,可能是知识库没搞懂

企业 AI 落地卡壳?别忽视,可能是知识库没搞懂

EnjoyEDU的博客 1007

AI落地为何频频受挫?企业知识库或是关键短板

本文深入探讨企业AI落地失败的核心原因,指出知识库建设的缺失是关键症结。通过SECI模型解析知识转化路径,结合标准样板知识库实践,揭示文档数据转化为可复用知识的科学方法,为企业构建AI知识体系提供系统化解决方案。文章系统阐述知识构建、应用、运营三大支柱,对比传统RAG局限性,提出显性化经验模型转化方案,为破解AI落地难题提供可操作路径。

打造全国最全的AI Agent开发知识领域的博客 1190

AI时代知识管理圣经:从零开始构建企业知识库,让大模型真正落地

AI时代企业知识库构建指南 摘要:文章指出高质量知识库是企业AI落地的关键瓶颈,缺乏系统化知识管理会导致AI应用失效。作者基于20年经验,提出知识库搭建五步法:数据来源分析、知识治理、缺口识别、经验转化和LLM验证。课程涵盖AI知识库构建方法论、业务对接策略及运营框架,通过12小时培训+实践指导,帮助企业建立可信赖的知识体系。文中强调,私有知识管理是AI发挥价值的核心,需避免"一本正经胡说八道"等AI事故。

m0_59162248的博客 845

从核心能力到落地场景:AI大模型在企业中的应用实践

第二个是和指标平台做连接,直接做 NLP to SQL 的准确性实在是太低了,如果是to指标的话相对会比较容易,因为指标基本上都是带有业务语言的,一个用户在做意图理解和业务语言匹配的时候,是比较容易匹配上,指标这层基本上都会有业务属性,所以这个是现在比较常见的一种落地方式。还是关注度非常高的。该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

m0_59235945的博客 4002

利用 coze + agent 落地企业级 AI 知识库方案

​ 简单来说就是当我们的任务、或者需求过于复杂,一个大语言模型已经无法完成的时候,我们便需要尝试拆分我们的需求,并进行流程编排,然后让多个大模型相互协同,帮助我们完成该任务。​所以我们实现agent智能体的方式是:workflow工作流;多个大语言模型协同工作,我们称之为智能体。

python12345_的博客 1527
上一篇: 一文搞懂大模型、RAG、函数调用、Agent、知识库、向量数据库、知识图谱、AGI的概念和联系
下一篇: AI落地应用最新工具集|附PDF文件下载
智泊AI官方
博客等级 码龄6年 8639粉丝 2667原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值