玩弄放荡人妻少妇系列视频,日本韩国男男作爱gaywww

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

澳汰爾 2025-02-28 | 閱讀：165

導讀

隨著數(shù)字化轉(zhuǎn)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(zhuǎn)變?yōu)榉e極探尋企業(yè)內(nèi)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(chǎn)品，并表達了希望通過這些產(chǎn)品開展數(shù)字化轉(zhuǎn)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(nèi)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(chǎn)品設計到生產(chǎn)制造、設備維護，以及產(chǎn)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(chǎn)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(chǎn)品質(zhì)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(nèi)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(chǎn)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(jīng)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(zhuǎn)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(chǎn)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(nèi)部推進數(shù)字化轉(zhuǎn)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(nèi)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(nèi)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(nèi)部的結構化數(shù)據(jù)轉(zhuǎn)換為知識圖譜，并存儲于圖數(shù)據(jù)庫中。接下來，企業(yè)內(nèi)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(nèi)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(cè)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(diào)整發(fā)動機艙內(nèi)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(cè)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(nèi)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(nèi)。

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(nèi)層之間的間隙，以及引擎蓋內(nèi)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(zhì)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(nèi)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(jīng)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。基于這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(diào)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(chǎn)量調(diào)整冷水機的運行策略，當生產(chǎn)量大時，多開，反之則少開。首先要根據(jù)排產(chǎn)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(chǎn)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?？蛻魳I(yè)務為兒童牙齒矯正，部分兒童在佩戴矯正器后會經(jīng)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(diào)整矯正器，確?；颊吲宕魇孢m。

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(cè)預測正確率達到了 87%，同比客訴下降 60%。

5. 質(zhì)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(chǎn)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(zhì)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(nèi)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(diào)，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(diào)和高效微調(diào)兩種方式。高效微調(diào)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(nèi)部數(shù)據(jù)對大型模型進行微調(diào)仍面臨諸多挑戰(zhàn)：

計算資源消耗：即使是小規(guī)模的微調(diào)，也需要大量的計算資源和時間。

回答準確性問題：即使經(jīng)過微調(diào)，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(nèi)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(nèi)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(diào)并不現(xiàn)實。通常情況下，企業(yè)每月能夠?qū)δＰ瓦M行一次微調(diào)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(diào)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(diào)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(nèi)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(nèi)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(nèi)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(nèi)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(zhuǎn)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(chǎn)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(zhuǎn)換為 SQL 查詢時，仍需進行語義到數(shù)據(jù)庫字段的轉(zhuǎn)換，這一轉(zhuǎn)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(zhuǎn)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(nèi)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(zhuǎn)換，因為圖數(shù)據(jù)庫中的數(shù)據(jù)已經(jīng)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(nèi)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(nèi)部的數(shù)據(jù)轉(zhuǎn)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(nèi)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(diào)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(nèi)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(zhuǎn)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(nèi)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(chǎn)品主數(shù)據(jù)（如產(chǎn)品的泵表數(shù)據(jù)，即產(chǎn)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(chǎn)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(zhuǎn)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(nèi)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?qū)崟r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。