数据处理模块: 集成了高效的数据清洗和标注工具，支持批量处理 和实时更新。 - 模型训练模块: 提供多种训练算法和参数优化功能，支持分布式训 练，提升训练效率。 - 考评分析模块: 基于多维指标的考评体系，结合可视化工具，生成 详细的考评报告。 通过以上设计，本项目将为企业提供一个全面的 AI 数据训练 考评解决方案，帮助企业在人工智能领域的竞争中占据优势地位。 1.3 项目范围与约束 本项目旨在开发一个全面的人工智能数据训练考评系统，该系 统将服务于企业内部的数据科学与人工智能团队，确保数据训练过 程的标准化、高效化以及考评的公正性。项目的核心功能包括数据 集的准备与清洗、训练模型的自动化构建、性能指标的实时监控与 评估，以及训练结果的综合分析与报告生成。系统的设计将严格遵 循现有的数据安全与隐私保护法规，确保所有数据处理活动在法律 框架内进行。 项目的技术约束主要源于当前的硬件资源与预算限制。系统需 优化提供科学依 据。具体而言，系统需要支持对数据模型的各项关键指标进行全面 考评，包括但不限于模型的准确性、泛化能力、训练效率以及资源 消耗等。为此，系统应具备以下功能：  支持多种考评指标的设置与管理，用户可根据具体需求自定义 考评标准。  提供自动化考评功能，系统能够根据预定义的指标对模型进行 实时评估，并生成详细的考评报告。  支持历史数据的对比分析，用户可通过图表或表格形式对比不

全球智能体市场增速加快 ................................................................................. 18 4. 潜在标的：Agent 企业千帆竞发，垂类应用引人期待 ................................................ 19 4.1 LeewayHertz：提供多领域解决方案 基于效用的 Agent 在具有多种潜在结果的复杂决策环境 中表现出色--比如平衡不同风险以做出投资决策，或者 权衡价格与成本。 金融交易、价格追踪系统、智 能电网控制 基于目标的 Agent 基于目标的 Agent 会评估和规划行动，以实现它们的目 标。与其他类型的智能 Agent 不同的是，它们能够将前 瞻性和战略规划结合起来，朝着特定的结果前进。 扫地机器人、项目管理软件、 技术。 这些技术正在帮助金融和电信行业提升反犯罪和监控能力，提供个性化的投资建议，并 减少人工成本。 图22 中国前五大人工智能市场应用 资料来源：IDC，海通证券研究所 4. 潜在标的：Agent 企业千帆竞发，垂类应用引人期待 4.1 LeewayHertz：提供多领域解决方案 LeewayHertz 公司在人工智能 Agent 开发方面取得了长足进步，以创建定制化人工

的形式，提供灵活的服务接口，满足不同场景 下的应用需求。集成系统的性能目标包括： - 系统响应时间不超过 500 毫秒 - 并发支持能力达到 1000 QPS - 系统可用性达到 99.9% 通过上述目标的实现，本项目将显著提升知识库数据的处理效 率，为 AI 大模型的训练提供坚实的基础，最终为企业或组织提供 智能化解决方案，助力业务创新与决策优化。 1.3 项目范围 本项目旨在构建一个高效、精准的知识库数据处理流程，并结 型架构，充分满足知识库数据处理及 AI 大模型训练的需求。 3.1.3 模型评估指标 在模型训练过程中，选择合适的评估指标至关重要，因为它们 是衡量模型性能的关键依据。针对不同类型的任务，评估指标的选 择会有所不同。对于分类任务，常用的评估指标包括准确率 （Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分 数（F1-Score）。准确率适用于类别分布均衡的场景，但在类别不 性能。例如，在推荐系统中，可以结合 NDCG、召回率和覆盖率来 评估模型的效果；在语义分割任务中，可以同时使用交并比 （IoU）和 F1 分数来评估模型的精度和召回率。 为了更直观地展示评估指标的选择，以下是一个示例表格，列 出了不同任务类型及其对应的评估指标： 任务类型 评估指标 适用场景 分类 准确率、精确率、召回 率、F1 分数 类别均衡或类别不平衡的分类任务 回归 MSE、RMSE、MAE

险合规团队则负责监 督项目的合规性，降低潜在风险。 为确保项目的高效推进，制定了详细的沟通和协作计划。例 如，每周召开跨部门会议，讨论项目进展和问题；每月向高层管理 汇报项目状态，确保战略目标的一致性；与外部参与者保持定期沟 通，及时解决技术和业务上的挑战。通过明确的角色分工和高效的 协作机制，确保 Deepseek 大模型在银行系统的部署能够顺利实施 并取得预期效果。 2. 需求分析 还内置了自动化合规检查工具，能够实时监控系统的运行状 态，确保其符合金融监管机构的相关规定。 6. 监控与报警模块：该模块提供了全方位的系统监控和报警功 能，涵盖了从硬件资源使用情况到模型性能指标的监控。通过 可视化的监控面板，运维人员可以实时掌握系统的运行状态， 及时发现和解决问题。同时，模块支持自定义报警规则，能够 在系统出现异常时第一时间通知相关人员。 7. 用户接口模块：该模块为银行内部人员和客户提供友好的交互 行报 告，包括可用性、性能指标、故障记录及改进措施。每季度进行一 次服务评估，根据客户反馈优化服务流程。 最后，SLA 需明确违约责任和补偿机制。若未能达到约定的服 务标准，提供方应根据未达标的时间比例向客户提供相应的服务费 用减免或赔偿。例如，每小时的停机时间超出允许范围，将减免当 月服务费用的 1%。 通过以上内容的设计，SLA 将为 Deepseek 大模型在银行系统 的部署

的准确性。 其次，智能分析与挖掘是系统的核心功能。该功能包括以下几 个子功能：  目标检测与跟踪：通过深度学习模型识别视频中的人、车等目 标，并对其进行实时跟踪。  行为识别：能够分析目标的行为模式，识别出可疑行为或异常 事件，例如打斗、盗窃或聚众斗殴等。  事件抽取：从视频中提取出事件信息，生成事件摘要，包括时 间、地点、涉及人员等关键信息。  情感分析：通过对人员表情和行为的分析，判断事件中涉及人 求分析中，非功能需求同样至关重要。这些需求通常涉及系统的性 能、可用性、安全性和可维护性等方面，对于确保系统的实用性和 有效性具有重要意义。 首先，系统的性能需求是评估其在日常运营中能否满足预期目 标的关键因素。考虑到公共安全监控涉及海量数据，系统需要具备 高效的视频处理能力。针对不同场景，系统应能在 5 秒内处理完每 段视频，实现在极端情况下至少可以处理每分钟 1000 帧视频的视 频速率  自动巡航功能：通过设定路径，实现自动巡视，提高监控效 率。 此外，热成像设备在公共安全领域也扮演越来越重要的角色， 尤其适用于夜间监控和低能见度环境。其特点有：  温度量测：可实时监测目标的温度变化，适用于火灾预警和人 群异常检测。  显示对比度：能够在极端光线条件下仍保持正常工作。 除了设备类型的选择，在布局设计上，需要根据监控区域的实 际需求，合理选择监控设备的数量、角度和配置，以最大化其监控

Under Curve） o 训练时间与推理时间 o 可解释性指标（如 SHAP 值、LIME 等） 3. 可视化报告生成：系统应提供直观的评测结果可视化工具，生 成评测报告时，能够展示各个指标的对比结果，以便用户一目 了然地了解模型性能。报告内容应包括： o 模型结构图 o 评测数据分布图 o 性能指标雷达图 o 错误分类实例展示 4. 基准对比：平台应允许用户将评测结果与历史模型或行业标准 进行对比，以便用户理解当前模型的相对性能。这一功能能够 通过启用基准数据集，帮助用户识别性能差距和上述改进机 会。 5. 用户反馈机制：在模型评测后，用户可对评测结果提出反馈， 系统应收集这些反馈并用于改进评测算法和指标的选择。此 外，平台也应用户自定义评测标准，以适应不同业务需求。 6. 实验管理与追溯：为便于管理和回退，平台应保存每次模型评 测的历史记录，用户可以随时查询模型的历次评测结果，进行 版本对比。 92% 15% 合作伙伴 B 60% 150 万 85% 10% 合作伙伴 C 75% 180 万 90% 12% 通过这样的评估，我们能够对渠道合作伙伴的选择与培育进行 动态调整，以实现商业目标的最佳匹配。最终，渠道合作伙伴不仅 能够帮助我们拓展市场，同时也能增强我们的市场竞争力，实现双 赢局面。 6.3 营销策略 在人工智能行业大模型 SaaS 平台的营销策略中，需要针对目 标市

特征提取完成后，将数据输入至人工智能模型中。模型的选择 依赖于具体的任务需求，比如目标检测、场景理解等。一般来说， 我们可以采用以下算法：  基于深度学习的目标检测算法，如 YOLO、Faster R-CNN， 实现对图像中目标的快速检测和定位。  利用循环神经网络（RNN）或长短时记忆网络（LSTM）处理 时序数据，实现对列车运行状态的预测和分析。 最后，模型的训练与优化是提高模型表现的关键步骤。通过对 数据集中 接下来，系统将利用机器学习算法，对采集的多维数据进行分 析。具体的评估指标包括但不限于：  轨道高程变化  隧道湿度和温度  路基和轨道的磨损程度  自然灾害（如山体滑坡、洪水）的实时监控 通过这些指标的综合评估，我们可以转换出一个安全风险指 数，反映当前铁路沿线的安全状况。当风险指数超过设定的阈值 时，系统将自动生成告警，并推送给相关管理人员和操作员。 以往的预警系统往往仅依赖单一的传感器数据，而我们的方案 的运行状态、乘客流量和货物运送情况。这些数据可通过 AI 模型 进行多维度分析，生成关于列车准点率、车站人流量、货物装载率 等关键指标的实时报告。例如，设定关键绩效指标（KPI）如：  列车准点率  平均乘客等待时间  货物周转时间  单位运输成本 通过分析上述指标的历史数据与实时数据，可以建立预测模 型，提前识别潜在的运营问题。例如，在高峰时段，系统可以分析 乘客流量，并在需要时自动调整列车发车间隔和运力配置，以最大

个自治州，不含直辖市） 的算力发展进行评估。本报告除明确时间的数据，其他数据截止时 间为 2025 年 3 月底。各指标的数据来源于中国算力平台及工信部、 中国信通院、各地方政策文件、文献、公开数据整理。 附件二 计算方法 计算方法：指标的标准化，采用极差标准化法，即参考每项指 标的最大值、最小值，利用极差标准化公式对各项指标数值进行标 准化处理。确定指标权重，针对形成指数体系的一级、二级、三级

力机制和位置编码，能够处理大规模的序列数据并捕捉长距离依赖 关系。特别地，针对工程造价中的复杂数据类型，如工程量清单、 材料价格波动、施工工艺参数等，模型通过多任务学习框架，实现 了对多种目标的同时优化，从而提升预测的准确性和鲁棒性。 在训练过程中，DeepSeek-R1 采用了分布式训练技术，利用 大规模的 GPU 集群加速模型训练与推理。同时，模型引入了动态 学习率调整策略和自适应优化算法（如 偏差会直接影响后续的预算编制和成本控制，因此必须依托历史数 据和市场调研，结合大模型的数据分析能力，进行精准预测。 其次，设计概算阶段是工程造价的关键节点之一。在这一阶段， 设计方案的可行性、技术经济指标的合理性都需要通过概算来验证。 设计概算不仅要涵盖建筑工程、安装工程、设备购置等直接费用， 还需充分考虑间接费用、预备费及其他不可预见费用。通过大模型 的智能化分析，可以对设计方案进行多维度优化，确保成本与质量 少了人为错误和信息不对称的风险。此外，DeepSeek-R1 还能够 对招投标过程中的数据进行深度分析，生成招投标趋势报告，为企 业的战略决策提供数据支持。例如，通过对过往中标项目的数据分 析，模型可以识别出中标的关键因素，如报价策略、技术方案等， 从而为企业制定更具针对性的投标策略提供依据。 总之，DeepSeek-R1 大模型在招投标管理中的应用，不仅能 够提升工作效率，降低风险，还能够通过数据驱动的方式，为企业

、医疗等领域的AI应用所涉及的异构数据 多，格式和标准不统一，进一步导致管理和存储成本的上升。在海量AI数据预处理过程中， 非结构化数据清洗、数据标注等工作的效率往往不高，也严重影响了AI应用目标的达成。 协同计算挑战：规模化的AI训练和推理任务，往往采用分布式架构执行，参数同步时的通信 需求巨大，传统云网络在高并发实时通信场景下难以满足 PB 级数据传输的低延迟需求。同 时，很多AI任 理等场景，需要 在数据库的域内完成模糊查找、匹配等操作，以满足实时性和数据不出域的要求。 2.3 国际化进程中的全球布局、合规与质量一致性难题 全球化业务对企业云计算的规模、弹性以及各项性能指标的要求更高，技术实现相对复杂且成本 高昂。各国家、地区的政策法规、基础设施差异大，同时还要尽量保障全球服务质量和体验的一 致性，这无疑增加了企业全球化发展的难度。 云服务与算力网点布局问题：在本