CN117114521A - 一种基于大模型和知识图谱的企业辅助决策系统 - Google Patents
一种基于大模型和知识图谱的企业辅助决策系统 Download PDFInfo
- Publication number
- CN117114521A CN117114521A CN202311091479.XA CN202311091479A CN117114521A CN 117114521 A CN117114521 A CN 117114521A CN 202311091479 A CN202311091479 A CN 202311091479A CN 117114521 A CN117114521 A CN 117114521A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- knowledge
- model
- module
- large model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 36
- 239000000463 material Substances 0.000 claims description 31
- 230000002787 reinforcement Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 33
- 238000007726 management method Methods 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000220225 Malus Species 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 241001092040 Crataegus Species 0.000 description 1
- 235000014493 Crataegus Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于企业辅助决策技术领域，涉及一种基于大模型和知识图谱的企业辅助决策系统，其包括：企业数据资源库，其存储有企业数据资源；大模型训练模块，其用于使用所述企业数据资源对基础大模型进行训练，以获得企业垂直大模型；知识图谱构建模块，其用于基于所述企业数据资源，采用所述企业垂直大模型构建企业的知识图谱；基于知识图谱的企业知识库，其用于存储所述企业的知识图谱；业务赋能模块，其用于使用所述企业知识库为企业人员的工作进行赋能。本发明可以提高企业辅助决策系统的推荐准确度和推荐质量，并能够提高企业辅助决策系统的性能。
Description
技术领域
本发明属于企业辅助决策技术领域，涉及一种企业辅助决策系统，尤其涉及一种基于大模型和知识图谱的企业辅助决策系统。
背景技术
在今天的企业中，企业辅助决策系统已经成为了重要的信息获取和辅助决策方式之一。企业辅助决策系统可以帮助企业人员和管理者在日常工作中快速获取所需信息，辅助进行决策，从而提高工作效率和质量。
然而，现有的企业辅助决策系统普遍存在如下问题：
1、辅助决策推荐准确度不高：现有的推荐算法大多基于用户行为和内容特征，这些方法往往只关注局部信息，导致推荐结果的准确度和覆盖率不高。
2、难以挖掘深层次的知识关联：现有的推荐方法很难挖掘出深层次的知识关联，无法充分利用工厂间的隐藏关联关系。
3、系统性能受限：现有的推荐系统往往需要大量的计算资源，难以满足实时推荐的需求。
因此，针对上述现有技术中存在的缺陷，需要研发一种新型的企业辅助决策系统。
发明内容
为了克服现有技术的缺陷，本发明提出一种基于大模型和知识图谱的企业辅助系统，其可以提高企业辅助决策系统的推荐准确度和推荐质量，并能够提高企业辅助决策系统的性能。
为了实现上述目的，本发明提供如下技术方案：
一种基于大模型和知识图谱的企业辅助决策系统，其特征在于，包括：
企业数据资源库，其存储有企业数据资源；
大模型训练模块，其用于使用所述企业数据资源对基础大模型进行训练，以获得企业垂直大模型；
知识图谱构建模块，其用于基于所述企业数据资源，采用所述企业垂直大模型构建企业的知识图谱；
基于知识图谱的企业知识库，其用于存储所述企业的知识图谱；
业务赋能模块，其用于使用所述基于知识图谱的企业知识库为企业人员的工作进行赋能。
优选地，所述大模型训练模块包括：
增量预训练子模块，其不需要标注数据，直接使用所述企业数据资源对所述基础大模型进行增量预训练；
监督微调子模块，其使用所述企业数据资源构建指令数据集，并用所述指令数据集微调增量预训练后的基础大模型，以让所述增量预训练后的基础大模型能理解所述指令数据集，并给出合理答案；
基于人类反馈的强化学习子模块，其采用基于人类反馈的强化学习的方式训练监督微调后的大模型，从而形成所述企业垂直大模型。
优选地，所述监督微调子模块采用全量参数微调或高效参数微调的方式微调所述增量预训练后的基础大模型。
优选地，所述基于人类反馈的强化学习子模块包括：
奖励模型建模单元，其用于构建奖励模型并基于所述企业数据资源构造人类偏好排序数据集，并用所述人类偏好排序数据集训练所述奖励模型；
强化学习单元，其用于基于人类反馈的强化学习，用训练好的所述奖励模型来训练所述监督微调后的大模型，以生成模型使用奖励或惩罚，并用其更新所述监督微调后的大模型的生成策略，从而形成所述企业垂直大模型。
优选地，所述知识图谱构建模块包括：
知识建模子模块，其用于依据知识图谱中的知识结构对所述企业数据资源进行业务抽象和数据建模，从而建立知识图谱概念模型，所述知识图谱概念模型定义了实体、关系和属性；
实体识别子模块，其用于利用所述企业垂直大模型对所述企业数据资源进行实体识别，识别出实体名称及其属性；
关系抽取子模块，其用于利用所述企业垂直大模型对所述企业数据资源进行关系抽取，抽取出实体之间的关系；
图谱构建子模块，其用于基于所述实体识别子模块的识别结果和所述关系抽取子模块的抽取结果对所述知识图谱概念模型进行填充，以获得所述基于知识图谱的企业知识库。
优选地，所述知识图谱概念模型包括人员概念模型、机器概念模型、物料概念模型、方法概念模型和环境概念模型。
优选地，所述业务赋能模块包括：
工作交接子模块，其用于基于所述基于知识图谱的企业知识库自动生成规范化的班次交接模版，以便于企业人员之间的交接班；
日常辅助子模块，其用于基于所述基于知识图谱的企业知识库，基于业务逻辑或基于推荐算法为企业人员推荐相关知识，以便于为企业人员进行辅助决策；
异常处理子模块，其用于基于所述基于知识图谱的企业知识库对企业管理中的异常情况进行分析和处理，提供决策支持，帮助企业管理者做出正确的决策。
优选地，所述推荐算法包括基于内容的推荐算法、基于协同过滤的推荐算法和基于热门度的推荐算法。
优选地，所述企业数据资源包括企业的结构化数据、非结构化数据和众包数据。
与现有技术相比，本发明的基于大模型和知识图谱的企业辅助决策系统具有如下有益技术效果中的一者或多者：
1、推荐准确度高：本发明通过结合大模型和知识图谱，能够挖掘出更丰富的知识关联，从而提高推荐的准确度。
2、能够深度挖掘知识关联：本发明利用知识图谱和大模型的优势，能够挖掘出深层次的知识关联，提升推荐的质量。
3、能够提高系统性能：本发明采用大模型进行预测，可以降低计算资源的消耗，提高实时推荐的性能。
附图说明
图1是本发明的基于大模型和知识图谱的企业辅助决策系统的构成示意图。
图2是本发明的基于大模型和知识图谱的企业辅助决策系统的大模型训练模块的构成示意图。
图3是本发明的基于大模型和知识图谱的企业辅助决策系统的知识图谱构建模块的构成示意图。
图4是本发明的企业知识图谱概念模型的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。
为了解决现有的企业辅助决策系统所存在的问题，本专利提供了一种基于大模型和知识图谱结合的企业辅助决策系统，其通过结合大模型和知识图谱，能够提高推荐的准确度和质量，并能够提高系统的性能。
在介绍本发明的基于大模型和知识图谱的企业辅助决策系统，先介绍一下本发明中用到的一些基本概念和术语，以便于本领域技术人员更好地理解本发明。
1、大模型：大模型是指具有数十亿个参数的深度学习模型，例如GPT-3、GLM-130B等模型。它们通常由多个层次组成，每个层次都由大量的神经元组成。大模型的工作原理是基于深度学习的基本原理，即利用大量的数据来训练模型，使其能够自动地发现数据中的模式和规律，并用这些规律来预测新的数据。在训练过程中，大模型会不断地调整其参数，以使其在训练数据上表现得越来越好。
2、Prompt：Prompt是指用来引导人工智能语言模型生成特定类型回复的文本输入。它的原理是基于预训练的语言模型的能力，它可以根据给定的输入生成符合语法和语义的文本输出。Prompt的输入通常是一些关键词或短语，它们用来描述想要生成的文本类型或内容。
当一个prompt被输入到语言模型中时，模型会使用其中的信息来生成一段文本。这个文本可能是一个问答、一个问题、一篇文章等等，具体取决于prompt的具体内容。在生成文本的过程中，模型会考虑到前面的输入内容，以及它在预训练时学习到的语言知识和规则。
3、知识图谱：其是存储知识的一种数据库，里面存储的是一些三元组，如(张三，出生地，上海)等，每个三元组都表示一个事实。知识图谱也可以看成图的形式，如上述三元组，张三和上海是节点，出生地是张三指向上海的一条有向有标签的边。
4、概念：知识图谱中的一类实体，例如水果、梨果等。
5、实体(实例)：知识图谱中具体的某个实物，例如苹果，山楂等。
6、属性：知识图谱中概念或实体所具有的特征，例如苹果的产地、颜色等。
7、关系：知识图谱中概念、实体、属性三者自己与自己或者某两者之间的关系，例如实体苹果是水果概念下的其中一个实体、苹果的颜色属性可以是红色、粉色、金黄色等。
8、知识建模：指的是建立知识图谱的概念模型。
下面详细介绍本发明的基于大模型和知识图谱的企业辅助决策系统。
图1示出了本发明的基于大模型和知识图谱的企业辅助决策系统的构成示意图。如图1所示，本发明的基于大模型和知识图谱的企业辅助决策系统包括：
一、企业数据资源库。
所述企业数据资源库存储有企业数据资源。所述企业数据资源一般包括企业运营中涉及到的人员、机器、材料、方法和环境等五个方面的数据。按照类型来划分，所述企业数据资源一般包括企业的结构化数据、非结构化数据和众包数据等。
其中，所述结构化数据包括ERP、MES、WMS、PLM等系统的数据。
ERP系统：企业资源计划(ERP)系统是一种集成化的管理信息系统，可以跨越企业各个部门和业务流程，实现企业资源的有效整合和协调。ERP系统包括财务、采购、销售、库存、生产等模块，可以帮助企业实现信息化管理。
MES系统：制造执行系统(MES)是一种专门针对生产制造过程的管理信息系统，可以实现生产计划、生产调度、生产执行和生产过程控制等功能，提高生产效率和质量。
WMS系统：仓库管理系统(WMS)是一种专门针对仓库管理的信息系统，可以实现仓库收发货、库存管理、货物跟踪等功能，提高仓库效率和准确性。
PLM系统：产品生命周期管理(PLM)系统是一种集成化的管理信息系统，可以实现产品设计、研发、制造、销售和服务等全生命周期的管理，提高产品质量和市场竞争力。
所述非结构化数据包括以下部分中的数据：
1、生产计划和排程：包括制定生产计划和排程，调整计划和排程，以及生产计划和排程的变更通知。
2、物料采购和供应链管理：包括订购原材料和零部件，处理供应商的付款和发票，以及跟踪供应链中的物流和交付。
3、质量控制和质量保证：包括处理生产过程中的问题和缺陷，确保产品符合质量标准和规格，以及执行质量审核和检查。
4、维护和修理：包括安排设备维护和保养，执行设备维修和修理，以及处理设备故障和维修记录。
5、人力资源管理：包括聘用和解雇员工，管理员工的工作时间和薪酬，以及执行员工培训和绩效评估。
6、管理报告和分析：包括生成管理报告和分析制造工厂运营的数据，以及提供关于生产效率、成本控制和质量控制的见解。
所述众包数据来源于企业人员平时工作记录的一些数据，其包括：
1、交接班时间：早班和晚班的开始和结束时间。
2、生产情况：上一班次的生产情况，包括生产数量、生产效率、生产质量等。
3、设备运行情况：上一班次设备的运行情况，包括设备故障、维修情况、保养情况等。
4、物料消耗情况：上一班次所使用的原材料和辅助材料的消耗情况，包括消耗量、库存量等。
5、质量问题：上一班次出现的质量问题和处理情况，包括质量异常、报废品、返工情况等。
6、人员情况：上一班次的员工情况，包括人员出勤情况、人员调动情况、人员培训情况等。
7、安全情况：上一班次的安全情况，包括事故情况、危险源情况、安全检查情况等。
8、其他事项：上一班次的其他需要交接的事项，包括工作进展情况、管理建议、重大异常及处理方案等。
二、大模型训练模块。
所述大模型训练模块用于使用所述企业数据资源对基础大模型进行训练，以获得企业垂直大模型。所述基础大模型可以是GPT-3、GLM-130B等模型。通过对基础大模型的一系列训练，以形成企业垂直大模型，使其更符合企业的情况。
在本发明中，如图2所示，所述大模型训练模块包括：
1、增量预训练子模块。
所述增量预训练子模块不需要标注数据，而是直接使用所述企业数据资源对所述基础大模型进行增量预训练。
通过所述增量预训练子模块，可以进行领域的增量预训练，提升基础大模型的领域基础知识能力。此处训练为无监督训练，不需标注数据。基础大模型训练数据与企业数据资源差别越大，则模型效果提升越明显。
2、监督微调子模块。
所述监督微调子模块使用所述企业数据资源构建指令数据集，并用所述指令数据集微调增量预训练后的基础大模型，以让所述增量预训练后的基础大模型能理解所述指令数据集，并给出合理答案。
通过所述监督微调子模块，训练模型让其能理解指令，并给出合理答案。
根据监督微调的训练方式，所述监督微调子模块可以采用全量参数微调或高效参数微调的方式微调所述增量预训练后的基础大模型。
其中，全量参数微调指的是用所有参数对基础大模型进行微调，其成本比较高。而高效参数微调(PEFT，Parameter-Efficient Fine-tuning)指的是用少量参数微调基础大模型，能够节省成本。
常用的高效参数微调包括：
(1)、FREE，即参数冻结，对原始基础大模型部分参数进行冻结操作，仅训练部分参数，以达到在单卡操作，就可以对基础大模型进行训练。
(2)、LORA，冻结预训练模型权重，将可训练的秩分解矩阵注入到Transformer层的每个权重中，大大减少下游任务的可训练参数数量
(3)、PTuning，在transformer每层加入prompt参数进行微调。
3、基于人类反馈的强化学习子模块。
所述基于人类反馈的强化学习子模块采用基于人类反馈的强化学习的方式训练监督微调后的大模型，从而形成所述企业垂直大模型。
Reinforcement Learning from Human Feedback，基于人类反馈的强化学习(RLHF)，需要先训练奖励模型Reward Model，再用强化学习训练模型，使模型输出结果更接近人类习惯。
在本发明中，所述基于人类反馈的强化学习子模块包括：
(1)奖励模型建模单元，其用于构建奖励模型并基于所述企业数据资源构造人类偏好排序数据集，并用所述人类偏好排序数据集训练所述奖励模型。RM(Reward Model)，也就是，奖励模型，主要用来对齐人类偏好，主要是"HHH"原则，具体是"helpful,honest,harmless"。
(2)、强化学习单元，其用于基于人类反馈的强化学习，用训练好的所述奖励模型来训练所述监督微调后的大模型，以生成模型使用奖励或惩罚，并用其更新所述监督微调后的大模型的生成策略，从而形成所述企业垂直大模型。RL(Reinforcement Learning)基于人类反馈的强化学习(RLHF)，用上一步骤中的奖励模型(Reward Model)来训练监督微调后的大模型，生成模型使用奖励或惩罚来更新其策略，以便生成更高质量、更符合人类偏好的文本。
至此，已经有了企业垂直大模型，然后可以基于此企业垂直大模型进行知识图谱构建。
三、知识图谱构建模块。
与现有技术中的知识图谱构建方法不同，在本发明中，所述知识图谱构建模块用于基于所述企业数据资源，采用所述企业垂直大模型构建基于知识图谱的企业知识库。具体地，如图3所示，所述知识图谱构建模块包括：
1、知识建模子模块。
知识建模指的是基于领域内应用的属性、知识特点、实际需求，依据知识图谱中的知识结构进行业务抽象和数据建模，主要是实体定义、关系定义、属性定义，从而搭建知识图谱的上层概念体系。上层概念体系的作用就是规范了数据的表达，每一条数据必须满足Schema中预先定义好的实体定义、关系定义以及属性定义。
在本发明中，所述知识建模子模块用于依据知识图谱中的知识结构对所述企业数据资源进行业务抽象和数据建模，从而建立知识图谱概念模型，所述知识图谱概念模型定义了实体、关系和属性。
如图4所示，所述知识图谱概念模型包括人员概念模型、机器概念模型、物料概念模型、方法概念模型和环境概念模型。
其中，所述人员概念模型定义了人员姓名及其属性，例如，职位和技能，以及与其它概念模型之间的关系，例如，与机器概念模型之间的操作关系、与物料概念模型之间的检查关系、与方法概念模型之间的设定关系、与环境概念模型之间的调节关系。
所述机器概念模型定义了设备名称及其属性，例如，技术参数、型号和生产厂家，以及与其它概念模型之间的关系，例如，与物料概念模型之间的加工关系、与方法概念模型之间的应用关系、与环境概念模型之间的适应关系。
所述物料概念模型定义了物料名称及其属性，例如，生产厂家和规格属性，以及与其它概念模型之间的关系，例如，与方法概念模型之间的应用关系、与环境概念模型之间的适应关系。
所述方法概念模型定义了工艺名称及其属性，例如，生产步骤和参数，以及与其它概念模型之间的关系，例如，与环境概念模型之间的适应关系。
所述环境概念模型定义了环境的属性，例如，温度和湿度等。
2、实体识别子模块。
所述实体识别子模块用于利用所述企业垂直大模型对所述企业数据资源进行实体识别，识别出实体名称及其属性。其中，识别出的实体包括人员、机器、物料、方法和环境。
由此，通过实体识别，可以识别出人员姓名及其属性，例如，职位和技能；设备的设备名称及其属性，例如，技术参数、型号和生产厂家；物料的物料名称及其属性，例如，生产厂家和规格属性；方法的工艺名称及其属性，例如，生产步骤和参数；环境的属性，例如，温度和湿度等。
3、关系抽取子模块。
所述关系抽取子模块用于利用所述企业垂直大模型对所述企业数据资源进行关系抽取，抽取出实体之间的关系。
本发明中，抽取出的实体之间的关系包括：人员与机器之间的操作关系、人员与物料之间的检查关系、人员与方法之间的设定关系、人员与环境之间的调节关系、机器与物料之间的加工关系、机器与方法之间的应用关系、机器与环境之间的适应关系、物料与方法之间的应用关系、物料与环境之间的适应关系以及方法与环境之间的适应关系。
在本发明中，在进行实体识别和关系抽取时，可以将所述企业数据资源按照业务逻辑进行切分，得到一系列的段落，并将切分得到的段落作为prompt输入到企业垂直大模型中，从而由所述企业垂直大模型进行实体识别和关系抽取。
4、图谱构建子模块。
所述图谱构建子模块用于基于所述实体识别子模块的识别结果和所述关系抽取子模块的抽取结果对所述知识图谱概念模型进行填充，以获得所述基于知识图谱的企业知识库。
通过实体识别，识别出了实体及其属性，通过关系抽取，抽取出了实体之间的关系，将实体及其属性以及实体之间的关系填入所述知识图谱概念模型，就可以获得所述基于知识图谱的企业知识库。
四、基于知识图谱的企业知识库。
与现有的企业知识库不同，在本发明中，企业知识库是基于知识图谱的企业知识库，所述基于知识图谱的企业知识库用于存储所述企业的知识图谱。由此，更便于挖掘和使用知识之间的内在联系。
五、业务赋能模块。
所述业务赋能模块用于使用所述企业知识库为企业人员的工作进行赋能。
在本发明中，所述业务赋能模块包括工作交接子模块、日常辅助子模块和异常处理子模块。
其中，所述工作交接子模块用于基于所述基于知识图谱的企业知识库自动生成规范化的班次交接模版，以便于企业人员之间的交接班。
所述班次交接模版主要包括两部分内容，第一部分是常用信息，可以通过所述基于知识图谱的企业知识库自动关联补充，第二部分是异常信息，需要人为填写。
例如，自动生成的所述班次交接模版可能有以下信息：
人(也就是，人员)：班次交接涉及到的人员，包括交接班的人员、接班的人员、领导等。
机(也就是，机器)：班次交接涉及到的设备、工具等，包括交接的设备、工具，以及需要注意的设备、工具。
料(也就是，物料)：班次交接涉及到的物资、货物等，包括交接的物资、货物，以及需要注意的物资、货物。
法(也就是，方法)：班次交接涉及到的规定、制度、流程等，包括交接的规定、制度、流程，以及需要注意的规定、制度、流程。
环(也就是，环境)：班次交接涉及到的环境、工作场所等，包括交接的环境、工作场所，以及需要注意的环境、工作场所。
这些信息在交接班次的时候是完全自动填写在班次交接模版中的，交接人只需要人工检查正确性即可。
异常信息需要以文字的方式给出，包括以下内容。
1、物料数量异常：物料数量与交接单不一致，比如实际交接的数量少于或多于交接单上的数量。
2、物料破损或损坏：在交接过程中发现物料有破损、损坏等情况。
3、质量问题：交接的物料存在质量问题，比如未经过检验或检验不合格等。
4、物料信息错误：交接的物料信息与实际不符，比如物料名称、规格、批次等信息错误或不清楚。
所述日常辅助子模块用于基于所述基于知识图谱的企业知识库，基于业务逻辑或基于推荐算法为企业人员推荐相关知识，以便于为企业人员进行辅助决策。
所述日常辅助子模块主要包括两部分，第一部分是基于业务逻辑的推荐，例如，到了确定时间应该做哪些操作；第二部分是基于算法推荐。
其中，第一部分可以利用领域专家的知识来定义规则，根据规则来推荐物品。例如，在制造工厂内早上刚开始工作时，需要进行盘点、上个班次不良品注意事项安排等操作，会及时推荐给相关的人员，辅助其决策操作。
所述基于算法推荐包括：
a、基于内容的推荐算法：该算法根据用户先前的喜好，推荐与其过去行为相似的其他项目。例如，如果用户过去喜欢阅读健康类别的文章，则该算法可能会向他们推荐其他健康相关的文章。
b、协同过滤推荐算法：该算法基于用户行为历史和其他用户的行为历史，来推荐类似于其他用户过去喜欢的项目。例如，如果用户A和用户B的喜好历史很相似，那么当用户A喜欢某个项目时，该算法可能会向用户B推荐相同项目。
c、基于热门度的推荐算法：该算法根据项目的热门程度来推荐给用户最受欢迎的项目。例如，该算法可能会向用户推荐最佳工艺参数等。
例如，一条生产线的线长1发现设备1发生过故障1，首先通过维修人员1未修好，但是通过维修人员2修好了，该过程进行了数据积累。
场景应用：当另一条同类生产线的线长2负责同型号设备2发生故障1时，在辅助决策系统内会利用关联分析得知，维修人员2曾经修好过发生相同故障的同型号设备1，此时线长2可以直接申请让维修人员2来负责相关故障维修，并对相关知识进行记录。同时可以将相关信息推送给负责相同型号设备的其他线长注意是否会有相同故障发生，以降低影响。除此之外，维系人员1也可以通过记录的维修人员2维修好记录下来的知识进行维修方案的学习，提高自己的维修技能，另外也可以通过图谱关联实现更多相关领域知识的学习。
所述异常处理子模块用于基于所述基于知识图谱的企业知识库对企业管理中的异常情况进行分析和处理，提供决策支持，帮助企业管理者做出正确的决策。
在企业管理中，异常情况是常见的情况，如果管理者能够及时发现和处理这些异常情况，可以有效减少企业运营风险，提高企业的竞争力。所述异常处理子模块通过对企业管理中的异常情况进行分析和处理，提供决策支持，帮助管理者做出正确的决策。
其中，常见的异常包括：
生产异常：生产中出现生产线停机、生产质量下降等异常情况，可以通过生产数据分析和生产过程优化等方法，辅助决策如何提高生产效率和质量。
市场异常：市场需求变化、竞争加剧等异常情况，可以通过市场调研、竞争分析等方法，辅助决策如何调整产品定位、加强营销推广等。
人力资源异常：员工离职率过高、员工满意度下降等异常情况，可以通过员工调查、薪酬福利优化等方法，辅助决策如何提高员工满意度，减少员工流失。
财务异常：财务数据异常、财务风险增加等异常情况，可以通过财务数据分析、风险评估等方法，辅助决策如何优化财务管理，减少财务风险。
本发明通过结合大模型和知识图谱，能够挖掘出更丰富的知识关联，从而提高推荐的准确度。同时，本发明利用知识图谱和大模型的优势，能够挖掘出深层次的知识关联，提升推荐的质量。最后，本发明采用大模型进行预测，可以降低计算资源的消耗，提高实时推荐的性能。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制。本领域的技术人员，依据本发明的思想，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (9)
1.一种基于大模型和知识图谱的企业辅助决策系统，其特征在于，包括：
企业数据资源库，其存储有企业数据资源；
大模型训练模块，其用于使用所述企业数据资源对基础大模型进行训练，以获得企业垂直大模型；
知识图谱构建模块，其用于基于所述企业数据资源，采用所述企业垂直大模型构建企业的知识图谱；
基于知识图谱的企业知识库，其用于存储所述企业的知识图谱；
业务赋能模块，其用于使用所述基于知识图谱的企业知识库为企业人员的工作进行赋能。
2.根据权利要求1所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述大模型训练模块包括：
增量预训练子模块，其不需要标注数据，直接使用所述企业数据资源对所述基础大模型进行增量预训练；
监督微调子模块，其使用所述企业数据资源构建指令数据集，并用所述指令数据集微调增量预训练后的基础大模型，以让所述增量预训练后的基础大模型能理解所述指令数据集，并给出合理答案；
基于人类反馈的强化学习子模块，其采用基于人类反馈的强化学习的方式训练监督微调后的大模型，从而形成所述企业垂直大模型。
3.根据权利要求2所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述监督微调子模块采用全量参数微调或高效参数微调的方式微调所述增量预训练后的基础大模型。
4.根据权利要求3所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述基于人类反馈的强化学习子模块包括：
奖励模型建模单元，其用于构建奖励模型并基于所述企业数据资源构造人类偏好排序数据集，并用所述人类偏好排序数据集训练所述奖励模型；
强化学习单元，其用于基于人类反馈的强化学习，用训练好的所述奖励模型来训练所述监督微调后的大模型，以生成模型使用奖励或惩罚，并用其更新所述监督微调后的大模型的生成策略，从而形成所述企业垂直大模型。
5.根据权利要求4所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述知识图谱构建模块包括：
知识建模子模块，其用于依据知识图谱中的知识结构对所述企业数据资源进行业务抽象和数据建模，从而建立知识图谱概念模型，所述知识图谱概念模型定义了实体、关系和属性；
实体识别子模块，其用于利用所述企业垂直大模型对所述企业数据资源进行实体识别，识别出实体名称及其属性；
关系抽取子模块，其用于利用所述企业垂直大模型对所述企业数据资源进行关系抽取，抽取出实体之间的关系；
图谱构建子模块，其用于基于所述实体识别子模块的识别结果和所述关系抽取子模块的抽取结果对所述知识图谱概念模型进行填充，以获得所述基于知识图谱的企业知识库。
6.根据权利要求5所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述知识图谱概念模型包括人员概念模型、机器概念模型、物料概念模型、方法概念模型和环境概念模型。
7.根据权利要求1-6中任一项所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述业务赋能模块包括：
工作交接子模块，其用于基于所述基于知识图谱的企业知识库自动生成规范化的班次交接模版，以便于企业人员之间的交接班；
日常辅助子模块，其用于基于所述基于知识图谱的企业知识库，基于业务逻辑或基于推荐算法为企业人员推荐相关知识，以便于为企业人员进行辅助决策；
异常处理子模块，其用于基于所述基于知识图谱的企业知识库对企业管理中的异常情况进行分析和处理，提供决策支持，帮助企业管理者做出正确的决策。
8.根据权利要求7所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述推荐算法包括基于内容的推荐算法、基于协同过滤的推荐算法和基于热门度的推荐算法。
9.根据权利要求8所述的基于大模型和知识图谱的企业辅助决策系统，其特征在于，所述企业数据资源包括企业的结构化数据、非结构化数据和众包数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091479.XA CN117114521A (zh) | 2023-08-28 | 2023-08-28 | 一种基于大模型和知识图谱的企业辅助决策系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091479.XA CN117114521A (zh) | 2023-08-28 | 2023-08-28 | 一种基于大模型和知识图谱的企业辅助决策系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117114521A true CN117114521A (zh) | 2023-11-24 |
Family
ID=88807220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311091479.XA Pending CN117114521A (zh) | 2023-08-28 | 2023-08-28 | 一种基于大模型和知识图谱的企业辅助决策系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114521A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668258A (zh) * | 2024-01-31 | 2024-03-08 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
| CN118069716A (zh) * | 2024-04-17 | 2024-05-24 | 三峡高科信息技术有限责任公司 | 集团型企业背景下基于知识增强大模型的辅助决策系统 |
-
2023
- 2023-08-28 CN CN202311091479.XA patent/CN117114521A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668258A (zh) * | 2024-01-31 | 2024-03-08 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
| CN117668258B (zh) * | 2024-01-31 | 2024-05-28 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
| CN118069716A (zh) * | 2024-04-17 | 2024-05-24 | 三峡高科信息技术有限责任公司 | 集团型企业背景下基于知识增强大模型的辅助决策系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ansari et al. | A problem-solving ontology for human-centered cyber physical production systems | |
| Karmaker et al. | Analyzing supply chain risk factors in the small and medium enterprises under fuzzy environment: Implications towards sustainability for emerging economies | |
| Vinodh et al. | ISM and Fuzzy MICMAC application for analysis of Lean Six Sigma barriers with environmental considerations | |
| D’Amico et al. | Cognitive digital twin: An approach to improve the maintenance management | |
| Kusiak | Computational intelligence in design and manufacturing | |
| Valaskova et al. | Deep learning-assisted smart process planning, cognitive automation, and industrial big data analytics in sustainable cyber-physical production systems | |
| CN117114521A (zh) | 一种基于大模型和知识图谱的企业辅助决策系统 | |
| Brundage et al. | Smart manufacturing through a framework for a knowledge-based diagnosis system | |
| Andrade et al. | An architectural model for software testing lesson learned systems | |
| Lawrence et al. | Artificial Intelligence-driven Big Data Analytics, Predictive Maintenance Systems, and Internet of Thingsbased Real-Time Production Logistics in Sustainable Industry 4.0 Wireless Networks. | |
| Xia et al. | A method towards smart manufacturing capabilities and performance measurement | |
| Cao et al. | Identifying critical eco-innovation practices in circular supply chain management: evidence from the textile and clothing industry | |
| Parida et al. | Dynamic asset performance management | |
| Shakeri et al. | Green supply chain risk network management and performance analysis: Bayesian Belief Network Modeling | |
| Ing et al. | Edge-cloud collaboration architecture for AI transformation of SME manufacturing enterprises | |
| Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
| Leite et al. | Practices for Managing Machine Learning Products: a Multivocal Literature Review | |
| Tervo et al. | Utilizing evidence in asset management in the era of industry 4.0 and artificial intelligence | |
| Al-Harbi et al. | Development of Reliability Centered Maintenance System Using Artificial Intelligence | |
| Matyi et al. | Operational concept of an innovative packaging management system | |
| Eisenträger et al. | Rethinking software development for collaboration technologies | |
| Sharma et al. | Industry 4.0 Technologies for Smart Manufacturing: A Systematic Review of Machine Learning Methods for Predictive Maintenance | |
| Ragala et al. | Implementing sharing platform based on ontology using a sequential recommender system | |
| Liashenko et al. | The Impact of Data Analytics on the Nature of Doing Business | |
| Ramzy | Semantic data integration for supply chain management: with a specific focus on applications in the semiconductor industry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |