当数字化时代来临,企业内部复杂、海量的信息如何沉淀为知识,并实现高效的获取、使用、流转与创造,将成为企业的核心竞争力。大模型技术的发展,为企业知识管理注入了“加速剂”,其强大的语义理解、推理、逻辑、记忆等能力,使得知识能够被更深入地挖掘、更精准地分类、更高效地检索,在大模型的助力下,知识管理正迈向一个全新的高度。
为更好推进大模型在企业知识管理中的落地,中国信息通信研究院(以下简称“中国信通院”)在第九批“可信AI”评估中,开展了“基于大模型的知识管理专项模块评估”。百度智能云企业知识管理平台“甄知”顺利完成全能力域评估,获得最高等级证书,成为行业首个通过该项评估的产品,代表着当前知识管理行业的最高水平。
信通院可信AI评估证书
三大维度全通关,甄知让每个企业拥有“智能大脑”
“可信AI”评估体系由中国信通院依托人工智能关键技术和应用评测工业和信息化部重点实验室组织开展,该评估体系从基础技术、典型产品、应用成熟度等维度出发,已制定完成多项国际和国内标准,形成代表业界顶尖技术水准的评测能力,具有极高行业认可度与国际影响力。
基于大模型的知识管理专项评估为“可信AI”评估的模块之一,涉及知识构建、知识计算、知识应用3个能力域、共计14个能力项,百度智能云新一代企业知识管理平台“甄知”在3个能力域测评中均获得领跑业界的4+分数,在知识抽取、知识融合、知识推理、智能搜索、智能问答、智能生成等功能模块达到5分满分。
百度智能云甄知平台
甄知平台在评估中的优秀表现,离不开大模型的赋能。依托百度智能云千帆大模型平台,甄知平台全面重构了企业知识生产、加工、组织、分发、应用全链条,成为企业知识沉淀和管理的过程中的得力助手。尤其独具优势的对话式搜索、对话式阅读、对话式创作等知识服务功能,能够大幅提高企业知识管理的效率。
当用户搜索业务知识时,甄知能将“百度搜索”的公网知识和企业内部知识相融合,提炼复杂信息要点、展示关键结论,帮用户把复杂的信息简化,直接给出最重要的结论,省时省力;当用户阅读业务资料时,甄知能一键总结摘要和章节概要、推荐相关知识点、阅读过程中随时回答相关问题,帮助用户更好地理解知识;当用户创作工作文档时,甄知提供多种文档模板,还具备编辑、扩写、排版等功能,让创作过程更顺畅、更高效。
在大模型的助力下,甄知平台能为企业提供更人格化的知识管理应用,不仅降低了搜索、阅读、创作等场景的门槛,还能通过对话互动充分理解用户意图,更好地满足用户个性化需求,为用户提供更高效的知识服务,让知识更懂用户。
落地金融、电力多行业,知识应用效率数倍提升
对于诸多行业来说,传统的知识管理观念及模式,已经难以满足企业发展的新需求,如何发挥企业数据价值成为数字化转型一大挑战。目前,百度智能云甄知平台已助力能源、金融、水利、政务、汽车等众多行业客户赋能业务,实现一站式、高效的企业知识管理。
在能源行业,南方电网科学研究院基于甄知平台打造的AI原生应用“南方电网技术标准数字化应用”,升级了电力技术标准的“管、查、用、编”全生命周期流程,建成能源领域首个技术标准数字化应用平台,实现标准文档的智能检索、智能问答、智能编写、智能推荐,不仅提升了查阅标准效率50%以上,还能辅助员工编写标准大纲、正文,提升标准编写效率2倍以上。该案例也成功入选中国信通院十大AI原生技术及应用优秀案例,成为国内标准数字化转型的标杆案例。
南方电网技术标准数字化应用入选AI原生技术和应用优秀案例
在金融行业,甄知基于大模型能力从海量业务数据中挖掘、沉淀、共享、应用知识,使客服人员快速精准地获取知识,知识应用效率提升4倍以上;在水利行业,甄知能够提供全链路水利知识引擎,城乡供水预案查询与检索效率提升95%以上,预案决策效率提升90%以上。
未来,百度智能云将携手更多合作伙伴,基于大模型能力,通过甄知平台持续赋能企业知识管理,让知识更懂业务、更懂员工,打造全新的沉浸式工作场景和业务模式,提高员工工作体验感,助力企业数字化转型和智能化升级。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。