案例 02 / 知识管理
生产 / 工程知识图谱
操作规程、应急方案、事故案例、设备档案散在几十个系统和无数份文件里。异常工况下要回答的只有两句:同类装置当时怎么处理?规程到底怎么写的?——我们把「翻文件」换成了「读结构」。
本体设计
专家定义实体、属性与关系
知识抽取
NLP + 大模型批量抽取三元组
图谱融合
「装置—设备—故障—原因—处置」网络
智能应用
语义问答与处置辅助
为什么是现在
数据在爆炸,知识却没有沉淀
所有研究都表明,未来数年数据量仍将指数增长。真正的问题不是数据不够,而是 80% 的内容是非结构化的:文件越多,找人问的成本越高;人一走,经验就断。
大数据时代的知识工程,是从海量数据中自动或半自动地获取知识、建立面向知识的系统。服务的需求已从「搜集信息」变成「提供答案」。
一句话
企业最大的浪费是知识的浪费。知识可以模仿、可以复制,但要先被结构化,才可能被复用。
46ZB
2022 年全球创建和复制的数据量(EMC 研究院统计)80%
企业数据中非结构化内容占比0.4%
非结构化数据被有效利用的比例3000亿
知识密集型服务业的人力成本规模数据来源:案例材料中的行业研究引用(EMC 研究院等),用于说明问题规模,不作为本项目成效口径。
从数据到智慧,缺的是中间两层
DATA → WISDOM数据
语义理解 · 信息抽取 · 数据整合
信息
结构化、有序化、集中化
知识
知识图谱、时空数据;理解、计算、推理
智慧
精准答案、可挖掘模式、可推理结论
支撑这四层的是索引能力(图谱索引 / 时空索引 / 向量索引 / 全文索引)与多源数据类型(文本 / 数仓 / 视频 / 图片 / 互联网)。
工程视角
以工程为最小知识单元,一张档案卡挂全所有资料
项目基本信息、参建单位、设备物资、合同与验收资料,挂到同一张卡上。检索不再靠「翻文件」,而是直接「读结构」。
视图一
工程基础图谱
以项目为圆心的一跳关系:建设方 / 设计方 / 施工方 / 监理方 / 负责人 / 设备。异常工况先看「谁负责、谁施工」。
视图二
工程关系图谱
多级工程树:区域 → 省 → 市。指标逐级汇总、标准逐级继承,任何一级都能向上汇总或向下穿透。
视图三
工程参与方图谱
单位—项目—角色网络:识别枢纽单位、高频组合与责任链,从「人找人」变成「图找人」。
三类视图共用一套本体:基础图谱看「一跳关系」,关系图谱看「层级结构」,参与方图谱看「网络位置」。截图中的单位与工程为示例数据。
落地路径
四类动作,同一条关系链
知识图谱的价值不在「画得好看」,而在让检索、对标、追溯、培养四类动作都落到同一条关系链上。
01 / 智能检索与问答
自然语言直接问
「同类变电站的验收标准有何差异?」返回条款、出处与相似工程,而不是一堆待打开的文件。
- 答案带出处,可点回原文条款
- 相似工程按类别、规模、地区、设备组合召回
02 / 相似工程对标
造价与工期横向对标
按类别、规模、地区、设备组合检索历史工程,把「凭印象估」变成「按同类比」。
03 / 风险与责任穿透
立项阶段就能看见风险
参建方、分包关系、历史事故一图串联,风险在立项与招标阶段即可识别,而不是事后追责。
04 / 人才培养与传承
沿工程树学一遍
新员工沿工程树学习:一个项目从立项到质保的全套知识走一遍,比翻培训手册快得多。
转 · 创 · 用:让知识在业务里流动
TRANSFER / CREATE / USE转 / 激活组织知识
打破知识交互壁垒
融入业务场景,加快知识流转,让知识「转」起来。
创 / 激活智慧
在实践中促发创意
知识重新组合,并在业务实践中创造新的知识。
用 / 激活需求
取之有道,用之有度
联结知识、人与业务;按业务分类检索,按权限分级管控。
「成败关键在本体设计 + 人机协同知识生产:图谱约束加上大模型生成,能显著降低『幻觉』风险。」
案例 02 · 项目复盘