技术应用与推广，业务条线需求 的挖掘和实现 业务应用工程师 Al 产品市场推广专员 数据档案所 基础保障所 智能体功能测试与数据提供 构建 AI 基础设施，为应用提供算 力、数据和平台支撑 智能窗口运维专员 Al 平台工程师 知识库管理工程师 Al 安全工程师 1.2 工作基础 口 大 数 据 中 心 抓 准 时 机 、 积 极 拥 抱 新 质 生 产 力 ， 增 加 总结展望 0 1 基本概况 CONTENTS 山 nmm 而皿业 mml 2.1 总体建设思路 口基于我局“一生态、两 保 障、三基础”的总体数字化框架下开展 口充分利用已有数据和平台基础优势 口 研发大模型构建平台：自主研发大 模型构建平台，统一知识库、智能 体标准，支撑未来各项 MaaS 服务 口 构建行业知识库：有序组织各类文 本知识库和带标注等空间知识库构

Agent应用落地实例-某大型国有银行金融交易场景 Agent应用落地重在业务知识理解、方案设计与项目统筹管理。充分拉通业务用户，IT专家（知识建模专家、AI专家、大数据专家、大模型专家、 基础设施专家）与合作伙伴，综合运用各种工具和平台，构建基于自然语言理解、智能化推理、质量可靠的企业智能体应用。 1.业务调研 • 场景：金融交易类 • 流程：SOP • 问法：发起交易，信 息提供 • API：行内接口 2.方案设计

显著 提升模型的预测准确性和泛化能力。 模型训练过程中，我们将数据集分为训练集和测试集，比例为 8:2。训练集用于模型的构建和参数学习，测试集用于评估模型的 性能。我们使用均方误差（MSE）和平均绝对误差（MAE）作为评 估指标，以确保模型在预测贷款违约概率时的准确性和稳定性。 此外，我们引入了特征重要性分析，通过计算每个特征在模型 中的贡献度，找出对贷款违约预测影响最大的特征。这不仅有助于 在模型评估阶段，重点关注以下几个关键指标：准确率、召回 率、F1 值和 AUC-ROC 曲线。准确率反映了模型整体预测的正确性， 召回率则更关注于正确识别高风险贷款的能力。F1 值作为准确率 和召回率的调和平均数，能够综合评估模型的性能。AUC-ROC 曲 线则用于评估模型在不同阈值下的分类性能，尤其在处理不平衡数 据集时，AUC-ROC 曲线能够提供更全面的评价。 为了进一步优化模型，采用网格搜索和随机搜索方法对超参数 F1 分数 （F1 Score）来综合评价模型的性能。精确率衡量了模型预测为违 约的案例中实际违约的比例，召回率则反映了实际违约的案例中被 模型正确识别的比例，F1 分数则是精确率和召回率的调和平均数。 此外，考虑到金融贷款评估中的风险控制，我们还需要关注模 型的 ROC 曲线（Receiver Operating Characteristic Curve）和 AUC 值（Area Under

日 《中华人民共和国空域管理条例（征 求意见稿） 》 国家空中交通管理委员会办公室相关部门共同起草 ，主要对空域管理机构职责和空域分级分类、划设与调整、使用 、 评估、保障 、战时和平时特殊情况下的空域管理和监督检查等做出规定 2023 年 10 月 30 日 《民用无人驾驶航空器系统物流运行 通用要求 第 1 部分：海岛场景》 民航局发布行业标准 ，于 2023 年

农业产业互联网平台 金融资源 农资企业 农事服务企业 加工企业 物流企业 大型贸易企业 C 端销售渠道 新型农业经营和服务主体 平台汇聚全产业链资源 全方位赋能基层组织  产业互联网正是利用数字技术和平台生态高效完善‘农户 + 合作社 + 公司’的利益联结体制，促进产业链上下游融合；  平台将着力发挥互联网平台对传统产业的赋能和效益倍增作用，汇聚全产业链资源赋能生产经营主体，它将成为新型农业服务组织的孵化器，现

化数据，采用图像识别和自然语言处理技术进行解析和标注，确保 数据的可读性和可分析性。同时，建立数据质量评估体系，从准确 性、完整性、一致性和时效性四个维度对数据进行定期评估，并及 时更新和修正。 为了确保数据的多样性和平衡性，建议采用以下策略： 1. 数 据扩充：通过数据增强技术（如图像旋转、缩放、噪声添加）和合 成数据生成方法，扩展训练数据集的规模。 2. 数据平衡：对于不 同类型的设计案例（如住宅、商业、公共建筑等），确保各类别的 析，采用 JSON（JavaScript Object Notation）作为主要的数据交 换格式。JSON 是一种轻量级的数据交换格式，具有结构清晰、易 于解析和生成的特点，广泛支持各种编程语言和平台。 JSON 格式支持多种数据类型，包括字符串、数字、布尔值、 数组和对象，能够灵活地表示复杂的结构数据。例如，建筑设计中 涉及的建筑模型、材料信息、结构参数等可以通过 JSON 对象进行 定期备份数据，并设置权限管 理，限制无关人员访问核心数据。 - 制定数据泄露应急预案，确保 在发生安全事件时能够迅速响应。 最后，需考虑模型的兼容性与可扩展性。建筑设计流程中通常 涉及多种软件和平台，需确保 DeepSeek 大模型能够与现有工具无 缝集成。可通过 API 接口测试，评估模型与其他系统的交互能力， 并根据实际需求进行定制化开发。 通过上述风险评估，可以全面识别和应对技术风险，为建筑设

句子重组：改变句子结构，生成新的训练样本  数据扩展：引入外部语料库，丰富数据集  重采样与合成：平衡各类别数据量，防止过拟合 通过这些数据增强技术的应用，我们不仅提高了数据集的多样 性和平衡性，还为模型的训练提供了更为丰富的输入，从而提升了 模型的性能和泛化能力。 2.3.2 数据集平衡策略 在深度学习任务中，数据集的平衡性对模型的性能至关重要。 针对政务大模型的微调，数据集平衡策略的核心在于确保各类别数  准确率：适用于类别分布均衡的分类任务。  精确率：强调减少假阳性，适用于假阳性代价高的场景。  召回率：强调减少假阴性，适用于假阴性代价高的场景。  F1 分数：精确率与召回率的调和平均值，适用于类别不平衡 的任务。  AUC-ROC：用于评估分类模型的整体性能，尤其在正负样本 分布不均时。 此外，为更直观地展示训练过程，可以使用图表（如折线图或 柱状图）动态展示训练损失与评价指标的变化趋势。例如，使用折

的场景。 3. 召回率（Recall）：表示正类预测正确的样本占所有实际正类 样本的比例，适合关注假阴性（False Negative）率的场景。 4. F1-score：精确率和召回率的调和平均值，适用于类别不均衡 的情况。 指标 公式 适用场景 准确率 () 分类任务 精确率 () 用户主动响应率 召回率 () 罕见事件检测 F1-score (2 ) 不均衡分类任务 此 关系，提高能耗预测的准确性。 然后，在模型训练完成后，通过历史数据对模型进行验证和调 优，确保模型的可预测性和准确性。此时，可以采用交叉验证等技 术来评估模型的性能指标，如均方误差（MSE）和平均绝对误差 （MAE）等。 在模型部署后，实时数据将持续反馈到预测模型中，以便动态 调整预测结果，改进预测算法。通过这一过程，企业可以准确评估 出各个生产环节的能耗情况，从而优化生产过程，合理安排生产计

震动等），以及驾驶员佩戴帽子、眼镜、墨镜、口罩等情况下正常工 作。触发报警功能时，对驾驶员进行语音或视觉报警提示，同时向平 台发送报警信息，报警信息包含报警级别、报警地点、含有驾驶员面 部特征的照片和视频等，并在本地和平台同步存储相关信息。 1）驾驶员身份核验 系统在开始行驶、行驶中或驾驶员离开监控画面再返回等情况下 能主动抓拍驾驶员正面照片，并上传到平台进行身份核验。 2）疲劳驾驶/分神驾驶报警

畅平滞的定义： 畅销：销量前 20% 平销：中间排名 滞销：销量排名后 20% 商品和款色码 季前订货 季中调整 季末调整 季前（订货） 季中（调补 货） 季末（整合） 以门店为单位分析畅 销和平销情况，分析 单店缺货情况。 门店查询发现由畅销 品缺货情况，点击按 款查询分析报表可看 到该款产品其它门店 表现情况，后续进行 协 商和调 整 PS ：未来相应库存调整指导同时可以由劲草业务部分析和给予门店建议