日本内射精品一区二区视频,欧美性猛交xxxx免费看蜜桃,国产精品亚洲专区无码不卡

行業(yè)分享丨Data+LLM：AI 在智能制造數(shù)字化轉型中的應用

澳汰爾 2025-02-28 | 閱讀：156

導讀

隨著數(shù)字化轉型在制造企業(yè)中的推廣力度不斷加大，越來越多的制造企業(yè)逐漸認識到數(shù)據(jù)在企業(yè)中所發(fā)揮的作用，并開始嘗試利用數(shù)據(jù)科學來幫助企業(yè)降低成本、提高效率。最近幾年的推廣過程中，我們有一個非常顯著的感受，過去當我們向客戶介紹 AI 時，客戶通常會表示認可其價值，但也提到由于各種問題，缺乏數(shù)據(jù)，或沒有找到合適的應用場景。然而，在最近兩年間，當我們向客戶介紹 AI 時，大部分客戶的反應轉變?yōu)榉e極探尋企業(yè)內部是否有適合的場景可以應用，并提出是否可以通過 POC 來評估效果。此外，越來越多的客戶主動聯(lián)系我們，詢問公司是否有相關的 AI 產品，并表達了希望通過這些產品開展數(shù)字化轉型項目的意愿。這反映了當前 AI 在制造企業(yè)中應用的趨勢。

今天的介紹會圍繞下面幾點展開：

1. 數(shù)據(jù)在制造業(yè)中的場景和挑戰(zhàn)

2. AI 案例分享

3. LLM 在企業(yè)應用的探索

分享嘉賓｜趙帥 Altair澳汰爾數(shù)據(jù)分析高級應用工程師

編輯整理｜馬同學

內容校對｜李瑤

出品社區(qū)｜DataFun

數(shù)據(jù)在制造業(yè)中的場景和挑戰(zhàn)

數(shù)據(jù)在制造業(yè)中的應用場景眾多，從產品設計到生產制造、設備維護，以及產品的售前、售后中都有相關應用場景。下圖中列出了八類典型場景。例如，在制造企業(yè)中，各類設備普遍存在，如何實施預測性維護以減少停機時間成為關鍵問題之一。在產品測試方面，可以利用機器學習模型部分替代實驗，從而節(jié)省測試時間和成本。此外，還有對產品質量問題的根因分析，以及傳感器數(shù)據(jù)異常檢測等場景。這里不再一一詳述每個場景的具體內容。

數(shù)據(jù)在制造業(yè)的應用所面臨的挑戰(zhàn)相較于消費互聯(lián)網(wǎng)或金融行業(yè)更為嚴峻。

首先，制造業(yè)的數(shù)據(jù)具有高度的多樣性和異構性。與互聯(lián)網(wǎng)企業(yè)通過簡單添加幾行代碼設置一些埋點即可輕松獲取數(shù)據(jù)不同，制造業(yè)中的每條生產線設備各異，供應商不同，數(shù)據(jù)接口也不統(tǒng)一，這使得數(shù)據(jù)收集成為一項艱巨的任務。當然目前大多數(shù)制造企業(yè)已經建立了數(shù)據(jù)中臺或數(shù)據(jù)倉庫，解決了大部分數(shù)據(jù)采集的問題。

其次，制造業(yè)從業(yè)人員大多為傳統(tǒng)學科工程師，缺乏數(shù)據(jù)專業(yè)背景。雖然他們是行業(yè)專家，對業(yè)務問題非常熟悉，但在將業(yè)務問題轉化為數(shù)據(jù)問題時，中間還是存在一定的斷層。

第三，數(shù)據(jù)安全性是另一大挑戰(zhàn)。制造企業(yè)需要挖掘的數(shù)據(jù)通常涉及企業(yè)的核心機密，如配方和生產工藝等敏感信息，因此他們往往不愿意將這些數(shù)據(jù)提供給第三方公司進行分析。

最后，制造業(yè)場景難以復制。例如，在一家企業(yè)成功實施節(jié)能減排項目后，當嘗試在另一家企業(yè)推廣時，由于設備差異等因素，之前建立的模型和數(shù)據(jù)分析結果可能無法直接復用，需要從頭開始。這種場景的高度定制化特性增加了項目的復雜性和成本。

因此在制造企業(yè)內部推進數(shù)字化轉型項目時，乙方公司需要提供一個完整的數(shù)據(jù)平臺，來解決上述挑戰(zhàn)。

首先是集成多源異構的數(shù)據(jù)，這一步驟大部分企業(yè)的數(shù)據(jù)中臺已具備相應能力。

其次，平臺需提供制造企業(yè)所欠缺的數(shù)據(jù)科學能力，通過簡單易用的軟件工具快速培訓企業(yè)內部的業(yè)務專家，使他們能夠自行操作，而無需將數(shù)據(jù)外發(fā)給第三方公司進行分析。這是針對前面提到的第二和第三項挑戰(zhàn)。

第四，針對制造企業(yè)內部應用場景繁多的情況，只有當企業(yè)自身的專家掌握了數(shù)據(jù)科學的能力，并借助平臺的支持，才能迅速實現(xiàn)數(shù)據(jù)應用的構建。

下圖展示的是 Altair RapidMiner 企業(yè)級人工智能平臺的架構圖。該平臺分為兩層：底層是數(shù)據(jù)編織平臺，支持用戶集成來自各種來源的數(shù)據(jù)，并配備了一個高性能自研圖數(shù)據(jù)庫，用于大數(shù)據(jù)的存儲和查詢。在數(shù)據(jù)編織平臺之上，是全可視化操作的機器學習平臺，方便用戶進行建模操作。

以下是數(shù)據(jù)編制的流程圖，該流程分為四個步驟：數(shù)據(jù)加載、模型構建、模型融合和最終的數(shù)據(jù)訪問。我們能夠迅速將企業(yè)內部的結構化數(shù)據(jù)轉換為知識圖譜，并存儲于圖數(shù)據(jù)庫中。接下來，企業(yè)內部大模型能夠非常方便的利用知識圖譜中的數(shù)據(jù)作為外掛數(shù)據(jù)，實現(xiàn)大模型對企業(yè)內部數(shù)據(jù)的有效利用和快速訪問，為企業(yè)提供強有力的支持。

我們的機器學習平臺在 2024 年 6 月的 Gartner 數(shù)據(jù)科學和機器學習魔力象限中，位于領導者象限。這一成績體現(xiàn)了我們在該領域的卓越表現(xiàn)和領先地位。

AI 案例分享

接下來，將分享過去一兩年中為制造業(yè)企業(yè)用戶落地的一些 AI 應用案例。

1. 行人頭碰損傷預測

第一個案例是行人頭碰損傷預測，這一應用與模擬仿真業(yè)務緊密結合。在汽車上市前，需要進行多種碰撞測試，包括行人頭部、大腿和小腿的碰撞實驗。我們通過AI技術，能夠更精確地預測這些碰撞對行人的潛在損傷。以下是三張圖示，分別展示了頭部碰撞、大腿碰撞和小腿碰撞的模擬情景。這些圖示有助于進一步說明該應用的具體實施方式。

其中，頭部碰撞是這三個場景中最為關鍵的實驗。右側展示了一張汽車前引擎蓋的圖示。首先，我們將前引擎蓋劃分為多個區(qū)域，然后測試當行人的頭部碰撞到這些區(qū)域時所受到的傷害值。在右下角有一張評分表，如果某區(qū)域的傷害值超過 1,700，則該區(qū)域會被標記為紅色，并且評分為 0。

完成對所有區(qū)域的碰撞測試后，我們會對整個引擎蓋進行綜合評價，以確定車輛是否符合行人頭部碰撞的標準。如果不符合標準，則需要重新設計引擎蓋或調整發(fā)動機艙內部布局，然后再次進行實驗，直至滿足要求為止，確保車輛可以正常上市銷售。這一過程確保了汽車在安全性方面的高標準。

在傳統(tǒng)方法中，首先使用模擬仿真軟件生成一個模擬人頭部的橢圓形物體。對于兒童，該物體的重量設置為 3.5 公斤；對于成人，則設置為 4.5 公斤。該物體將以 35 公里每小時的速度撞擊汽車前引擎蓋。右側展示的是在模擬仿真軟件中進行仿真的動畫示例，顯示頭部不斷碰撞到不同區(qū)域，并計算所受到的傷害值。這一過程通常需要兩到四周才能完成整個工作流程。

部分客戶希望利用其歷史上的車型模擬仿真數(shù)據(jù)構建機器學習模型，以便在新車輛設計時能夠快速預測頭部損傷標準（HIC）值，而無需等待兩到四周的模擬仿真結果。通過機器學習模型，可以在大約三到五秒內獲得不同區(qū)域的 HIC 值，從而快速迭代設計。當然，前提是預測出的 HIC 值與實際情況之間的誤差在可接受范圍內。

我們使用的模型基于以下參數(shù)構建：例如引擎蓋的長度、寬度、角度、厚度及其材料屬性（如屈服強度和延伸率）。關鍵參數(shù)包括引擎蓋外層和內層之間的間隙，以及引擎蓋內部的發(fā)動機、電池或其他剛性零件的位置。如果引擎蓋與這些剛性點之間的間隙較小，則撞擊該區(qū)域時的傷害值會顯著增加，這也是一個重要的考量因素。

提取上述參數(shù)作為模型輸入變量，并將歷史上模擬仿真計算出的各區(qū)域 HIC 值作為輸出變量，以此構建我們的機器學習模型。這樣可以有效提升設計效率和安全性評估的準確性。

接下來將展示如何在 RapidMiner 平臺中，利用已提取的仿真數(shù)據(jù)，通過拖拽方式構建機器學習流程。

首先進行數(shù)據(jù)質量檢驗，包括多重共線性檢驗和對齊視圖等步驟。然后選擇我們要預測的目標變量，即 HIC 值，并按照 7:3 的比例拆分訓練集和測試集。在此基礎上，我們應用 XGBoost 算法來擬合數(shù)據(jù)，并生成模型評價指標。

使用新數(shù)據(jù)進行 HIC 值預測時，同時進行自變量優(yōu)化。運行流程后，通過模型評價指標可以觀察到均方根誤差（RMSE）和相對誤差（RE）表現(xiàn)良好。此外，我們還檢查了實際值與預測值的擬合曲線，發(fā)現(xiàn)擬合度非常高。這使得在后續(xù)的新車碰撞測試中，可以直接利用該模型快速預測 HIC 值。

可以看到，我們構建的模型預測出的 HIC 值相對誤差較小，通常保持在 10% 以下。這意味著用戶可以在一定程度上用我們預測的 HIC 值替代傳統(tǒng)的模擬仿真結果，從而迅速獲得設計階段的 HIC 值預測結果。

2. 包裝的紙箱抗壓預測

第二個案例涉及為包裝行業(yè)構建紙箱抗壓性能的預測模型。如今，消費者大多通過網(wǎng)絡購買各種商品，通常使用瓦楞紙箱進行包裝。對于這些瓦楞紙箱而言，關鍵要素之一是其能夠承受多大的壓力，尤其是在堆疊過程中，確保內部物品不受損壞。

傳統(tǒng)流程為，客戶提出具體需求，例如要求瓦楞紙箱尺寸為長 200 毫米、高 150 毫米、寬 300 毫米，并要求其抗壓強度達到 1500 牛頓。廠商根據(jù)以往經驗設計紙箱后，需進行實際測試。然而，這種測試不僅耗時，而且如果未能滿足客戶需求，則需要反復修改設計并重新測試。

鑒于客戶擁有大量歷史臺架測試數(shù)據(jù)，我們利用這些數(shù)據(jù)構建了一個預測模型。下圖中展示了一張包含歷史數(shù)據(jù)的表格，其中列出了紙箱的長、寬、高以及瓦楞層數(shù)、波形類型、厚度、克重等參數(shù)，這些參數(shù)對瓦楞紙箱的抗壓性能有顯著影響?；谶@些輸入變量和歷史抗壓性數(shù)據(jù)，我們構建了相應的模型。

例如，當客戶提出新的需求，如尺寸為長 350 毫米、寬 150 毫米、高 300 毫米，且抗壓性能要求達到 1600 牛頓時，我們可以利用該模型快速預測所需的瓦楞層數(shù)、波形類型及其他相關參數(shù)。如果預測結果未達到 1600 牛頓的要求，我們可以通過調整參數(shù)來優(yōu)化設計。之后，再通過實驗驗證模型的預測結果，從而節(jié)省客戶的臺架測試時間和成本。

這一案例展示了如何利用歷史數(shù)據(jù)和機器學習模型，在設計階段快速預測和優(yōu)化瓦楞紙箱的抗壓性能，減少實際測試的需求，提高設計效率。

3. 節(jié)能減排

第三個案例是幫助某制造企業(yè)實現(xiàn)節(jié)能減排。企業(yè)面臨高昂的電力消耗，希望通過應用數(shù)據(jù)挖掘和機器學習算法來制定合理的節(jié)能措施。

客戶需求為根據(jù)生產量調整冷水機的運行策略，當生產量大時，多開，反之則少開。首先要根據(jù)排產量計算出所需的制冷量，再根據(jù)冷水機的能耗曲線，制定出不同冷水機的運行策略。

用戶提供的冷水機數(shù)據(jù)包括：進出水溫度、能耗、天氣溫度、產能，以及冷水機的能效曲線等?；谶@些數(shù)據(jù)，構建了預測模型，根據(jù)預測結果即可制定冷水機的運行策略。這樣在不增加硬件和系統(tǒng)改造的情況下，每年可以幫助用戶節(jié)省 10% 的電耗。

4. 客訴風險預測

第四個案例是幫助客戶減少客訴。客戶業(yè)務為兒童牙齒矯正，部分兒童在佩戴矯正器后會經歷疼痛和不適，繼而進行投訴?？蛻粝Ｍ?AI 技術，基于診斷階段的 CT 檢測報告數(shù)據(jù)，預測可能出現(xiàn)的投訴風險，從而及時調整矯正器，確保患者佩戴舒適。

通過對歷史客訴部位與 CT 報告之間的關聯(lián)進行建模，利用 AI 預測，使上頜舌側預測正確率達到了 87%，同比客訴下降 60%。

5. 質檢檢測

下面介紹的案例是使用圖像識別技術幫助客戶檢測生產線上零件表面的缺陷，這一應用廣泛存在于制造行業(yè)中。我們的軟件提供了一套完整的圖片標記處理和模型構建流程。

客戶可以對圖片數(shù)據(jù)進行標注，例如標識出哪些區(qū)域存在針孔、油污或劃痕等問題?；谶@些標注的圖片，我們可以訓練出相應的圖像識別算法。當有新的零件進入時，該算法能夠快速識別圖片中的缺陷區(qū)域，識別準確率可達 99% 以上。通過這種 AI 方式，客戶可以高效實現(xiàn)對其零件質量的檢測。

LLM 在企業(yè)應用的探索

下面介紹我們在企業(yè)內部應用大型模型所做的一些探索和解決方案。

自 2022 年 11 月 OpenAI 發(fā)布了全球首個大型模型 ChatGPT 以來，生成式 AI 已成為全球熱門話題。大型模型究竟在哪些方面帶來了技術上的提升和能力的增強呢？主要有以下三個方向：

大語言的理解和生成能力：在大型語言模型出現(xiàn)之前，對話機器人對自然語言的理解并不完善?；?Transformer 架構的大型模型在這方面取得了顯著進展，特別是在高效理解和生成復雜的自然對話語言上表現(xiàn)尤為突出。
處理和理解長依賴距離的上下文信息：這意味著大型模型能夠更好地理解對話中更為復雜的概念和想法。它可以捕捉到更長距離的上下文依賴關系，從而更準確地理解用戶意圖。
多模態(tài)處理能力：除了文本數(shù)據(jù)，大型模型還具備處理語音和圖像的能力，并能將不同模態(tài)的信息進行整合。這使得它們不僅限于文本處理，還能跨多種數(shù)據(jù)類型提供綜合分析和支持。

接下來介紹企業(yè)應用大模型的一些常見方法。

第一個方法是模型的微調，即對大型模型的參數(shù)進行重新訓練。這可以分為全參數(shù)微調和高效微調兩種方式。高效微調有許多方法，例如 LoRA（Low-Rank Adaptation）方法，可以通過在模型的關鍵層之間添加旁路，減少所需的訓練參數(shù)總量。然而，使用企業(yè)內部數(shù)據(jù)對大型模型進行微調仍面臨諸多挑戰(zhàn)：

計算資源消耗：即使是小規(guī)模的微調，也需要大量的計算資源和時間。

回答準確性問題：即使經過微調，大型模型在回答問題時仍可能出現(xiàn)錯誤，或者看似正確的回答實際上并不符合企業(yè)內部數(shù)據(jù)的真實情況。這種現(xiàn)象被稱為“幻覺效應”。

數(shù)據(jù)滯后性：企業(yè)內部的數(shù)據(jù)不斷更新，尤其是訂單數(shù)據(jù)等關鍵信息。頻繁地使用新數(shù)據(jù)對模型進行微調并不現(xiàn)實。通常情況下，企業(yè)每月能夠對模型進行一次微調已屬難得，這意味著模型中的數(shù)據(jù)會存在一定的滯后性。

技能要求高：一般制造企業(yè)不具備擁有模型微調技能的專業(yè)人員，因此這種方法并不適合大多數(shù)制造企業(yè)。

因此，盡管模型微調能夠提升大型模型對企業(yè)特定數(shù)據(jù)的理解和生成能力，但由于計算資源需求大、回答準確性問題、數(shù)據(jù)滯后性和技能要求高等因素，這種方法在實際應用中面臨諸多挑戰(zhàn)，并不適合大多數(shù)制造企業(yè)。企業(yè)應根據(jù)自身情況選擇更為合適的解決方案。

第二種方法是檢索增強生成（RAG）方式，這是目前最常用的方法之一。簡單來說，這種方法不需要大型模型直接擁有企業(yè)內部的數(shù)據(jù)，而是通過 RAG 方式將數(shù)據(jù)外掛于模型之外。

具體流程如下：

數(shù)據(jù)預處理：首先，我們將文本數(shù)據(jù)進行切片，并將其向量化，構建索引后存儲在向量數(shù)據(jù)庫中，以便后續(xù)用于問答檢索。
用戶查詢處理：當用戶輸入查詢或問題時，大型模型會在向量數(shù)據(jù)庫中搜索與用戶查詢最相關的文檔片段。
結果匯總與整理：模型會返回最相關的前五個文檔片段?；谶@些內容，模型進一步匯總和整理信息，最終生成回答以響應用戶的查詢。

通過這種方式，大模型可以高效地利用外部數(shù)據(jù)，而無需直接存儲和處理企業(yè)內部的具體數(shù)據(jù)。這不僅減少了對計算資源的需求，還提高了回答的準確性和相關性。

RAG（檢索增強生成）方法在處理文檔數(shù)據(jù)方面表現(xiàn)出色，但對于結構化表格數(shù)據(jù)的支持相對不足，尤其是對市面上大多數(shù)關系型數(shù)據(jù)庫的支持較為有限。因此，盡管 RAG 在文本處理上表現(xiàn)良好，但在處理結構化數(shù)據(jù)時存在一定的局限性。而結構化數(shù)據(jù)往往是企業(yè)內部最核心、最有價值的數(shù)據(jù)。

為了應對大模型在回答結構化數(shù)據(jù)場景中的挑戰(zhàn)，目前有一種稱為“Text-to-SQL”的技術。該技術并不是新技術，其主要功能是將用戶的自然語言問題轉換為針對關系型數(shù)據(jù)庫的查詢語句（通常是 SQL）。通過這種方法，從數(shù)據(jù)庫中查詢回來的數(shù)據(jù)通常是非常精確且無誤的。前提是生成的 SQL 查詢必須有效，并能夠準確獲取用戶所需的數(shù)據(jù)。當數(shù)據(jù)查詢返回后，大型模型可以基于這些數(shù)據(jù)進行總結或歸納，從而精準地回答用戶的問題，避免產生任何幻覺問題。

然而，Text-to-SQL 本身也存在一些問題。例如，數(shù)據(jù)庫中的表和字段名稱可能不具備業(yè)務上的含義。比如，一個字段在業(yè)務上被稱為“客戶”，但在數(shù)據(jù)庫中存儲的 ID 可能是“dimension_customer”。因此，在將自然語言轉換為 SQL 查詢時，仍需進行語義到數(shù)據(jù)庫字段的轉換，這一轉換過程的準確性直接影響到查詢結果是否符合用戶需求。

如果能基于一個本身就包含數(shù)據(jù)業(yè)務語義的數(shù)據(jù)庫進行查詢，那么這一轉換步驟就可以省去，從而提高查詢的精確度。為此，我們使用了一種稱為“Text-to-Sparql”的方法。Sparql 是一種用于圖數(shù)據(jù)庫查詢的語言。我們將企業(yè)內部的結構化數(shù)據(jù)生成知識圖譜，并存儲于圖數(shù)據(jù)庫中。這樣，當大型模型對關系型數(shù)據(jù)進行查詢時，就不需要再進行業(yè)務語義到字段查詢的轉換，因為圖數(shù)據(jù)庫中的數(shù)據(jù)已經包含了業(yè)務含義。

我們基于大型模型結合圖數(shù)據(jù)庫或知識圖譜的檢索方式，推出了自己的大模型應用——Altair Copilot。以下是 Altair Copilot 在企業(yè)內部應用的框架圖示。

我們的目標是解決以下問題：首先將企業(yè)內部的數(shù)據(jù)轉換為知識圖譜，然后使用大型模型對知識圖譜中的數(shù)據(jù)進行查詢。這樣可以實現(xiàn)對企業(yè)內部結構化數(shù)據(jù)和非結構化數(shù)據(jù)的有效查詢。此外，在某些場景中，我們還可以查詢以往構建的機器學習小模型，并調用這些模型以獲得對未來數(shù)據(jù)的預測結果，例如銷量預測或其他相關模型的結果。

通過這一架構，Altair Copilot 不僅能夠高效處理企業(yè)內部的復雜數(shù)據(jù)，還能結合歷史模型的預測能力，為企業(yè)提供更加精準和有價值的洞察。

再回到大模型結合知識圖譜本身來說，從技術層面上看，大模型和知識圖譜是如何結合以回答用戶的自然語言問題的呢？我們繪制了一個流程圖來展示這一過程。

當用戶提出一個問題時，大模型首先會對問題進行自然語言處理，分析出問題中的關鍵點，包括主體數(shù)據(jù)及其相互關系。例如，在某個問題中可能涉及供應商（supplier）、分發(fā)中心（distribution center）和國家（country）等主體，同時還可能包含一些附加條件，如評分需高于 0.7。

知識圖譜在回答這類問題時的核心優(yōu)勢在于其使用自然語言描述數(shù)據(jù)實體及其關系的能力。參考下圖，供應商、國家及其范圍等信息是以實體的形式存儲在圖數(shù)據(jù)庫中的。因此，大模型能夠較為簡單地將用戶的自然語言轉換為對知識圖譜的查詢。

接下來，大模型生成一個 Sparql 查詢語句，用于圖數(shù)據(jù)庫的檢索。如果仔細觀察這個查詢語句，可以看到其中的供應商、國家及范圍等元素與用戶自然語言描述的內容基本匹配。這種方式顯著減少了大模型生成 Sparql 查詢語句的錯誤率，使得查詢結果更加準確可靠。

一旦 Sparql 查詢完成，返回的結果一定是精確無誤的數(shù)據(jù)。大模型基于這些查詢結果，進一步整理和處理上下文信息，最終回答用戶的問題。通過這種知識圖譜外掛的方式，大模型能夠高效生成針對圖數(shù)據(jù)庫的精準查詢，并有效解決幻覺問題。

最后，我們使用 Altair Copilot 完成了一個結構化數(shù)據(jù)查詢的案例。在底層數(shù)據(jù)或知識圖譜數(shù)據(jù)中，包含了銷售數(shù)據(jù)（如銷量、時間、客戶等信息）和產品主數(shù)據(jù)（如產品的泵表數(shù)據(jù)，即產品由哪些零件組成）。此外，還加入了物聯(lián)網(wǎng)傳感數(shù)據(jù)，例如在一個水管演示案例中，水管上的傳感器記錄了壓力和溫度等數(shù)據(jù)。

通過大模型或 AltairCopilot，用戶可以對這些數(shù)據(jù)進行查詢。以下是一個簡短的演示：

首先，選擇底層圖數(shù)據(jù)庫中的某個數(shù)據(jù)集，這里選擇的是水管的數(shù)據(jù)。我們可以詢問大模型底層圖數(shù)據(jù)庫包含哪些數(shù)據(jù)類型，例如訂單、水管泵表數(shù)據(jù)或傳感器數(shù)據(jù)。然后，進一步查詢特定水管的主數(shù)據(jù)。例如，查詢編號為 TA001 的水管的相關主數(shù)據(jù)，如長度和彎管數(shù)量。

接下來，可以繼續(xù)查詢該水管的泵表數(shù)據(jù)，得知它由兩個零件組成。還可以切換到銷售訂單數(shù)據(jù)的查詢，顯示銷售訂單的明細數(shù)據(jù)。如果返回的數(shù)據(jù)量過大，大模型會提示需要進行匯總或選擇部分數(shù)據(jù)展示。我們可以按產品名稱匯總，并僅返回前 30 條數(shù)據(jù)。

如果表格形式不夠直觀，可以直接要求大模型將數(shù)據(jù)可視化為柱狀圖。如果發(fā)現(xiàn)圖表中缺少某些關鍵信息（如銷售數(shù)量），可以進一步指示大模型將其添加到圖形上。

對于物聯(lián)網(wǎng)數(shù)據(jù)，由于其通常包含大量記錄，建議先設定限制條件以減少返回的數(shù)據(jù)量。例如，隨機選擇 10 個傳感器的水管 ID。選定特定水管（如 TA0014）后，可以進一步查詢其傳感器的具體檢測數(shù)據(jù)（如壓力和溫度），并帶上時間戳。

這些傳感器數(shù)據(jù)也可以轉換為折線圖進行可視化展示。

整個演示展示了基于圖數(shù)據(jù)庫或知識圖譜結合大模型，如何通過對話方式實現(xiàn)對企業(yè)內部結構化數(shù)據(jù)的查詢和可視化。這在很大程度上能夠替代現(xiàn)有的 BI 報表，滿足客戶的實時BI需求或實時數(shù)據(jù)可視化需求。未來，大部分 BI 報表可能會被這種對話式的數(shù)據(jù)查詢和可視化方式所取代。