件和硬件组件 6 数据架构与其他架构之间的关系 技术架构 应用架构 IT 产品 IT 子产品 应用模块 N 1 N 1 业务架构 业务能力 业务活动 1 N 业务能力框架 L1 业务能力框架 L2 1 N 1 N IT 技术架构 识别功能需求 提出技术诉求 数据架构 业务域 主题域 业务对象 1 N 1 N 价值流 识别功能需求 7 业务术语 数据标 准 数据标准 • 是数据在业务流程和 IT 系统 上流动的全景视图 • 识别数据的“来龙去脉” • 是定位数据问题的导航 业务视角 IT 视角 概念数据模型 L1 L2 L3 L4 L5 主题域 业务对象 属性 业务域 逻辑数据实体 数据分层结构 数据标准 业务术语 数据标准 对数据资产目录 中业务对象在企 业内的统一定义 对数据资产目录中属性 业务对象是业务领域重要的人、事、 物，承载了业务运作和管理涉及的重 要数据。 逻辑数据实体是描述业务对象某种业 务特征的属性集合 属性是描述所属业务对象的性质和特征 数据分层结构及样例 定义 • 与业务流程架构 L1 保持 一致 • 数据管理基本单元 • 统一业务语言 • 业务和 IT 的关键连接 点 • 明确标准与规则，确保数据 的全流程拉通 • 划分数据责任人的管辖范 围 • 指导 IT 系统开发与系统集

服务治理 运维&安全 自动化运维 安全保障 风险管控 技术管理 技术资产管理 管理规范 业务创新 T/CAICI XXXX—XXXX 5 能力发展等级 5.3.1 L1 传统运营级 实现主要过程的机械化，较少涉及自动化或数字化，主要由人工进行识别操作并协调应对，系统技 术大多为封闭的竖井系统。 5.3.2 L2 单点试点级 以数字化转型试点项目为主，通 产品数字化升级能力指标包括现有产品或服务数字化改造升级、产品或服务数字化改造升级的效 果 2 个评估维度。 表 2 产品数字化升级能力发展等级要求 评估维度 问题 能力发展等级要求 L1 L2 L3 L4 L5 L6 现有产品 或服务数 字化改造 升级 是否对现有 产品或服务 进行数字化 改造升级？ 组织未对产品进 行数字化升级改 造 组织考虑并计划 对试点产品进行 6.1.2 数字产品孵化 数字产品孵化能力指标包括数字新业务的规划与孵化、数字新业务的价值2个评估维度。 表 3 数字产品孵化能力发展等级要求 评估维度 问题 能力发展等级要求 L1 L2 L3 L4 L5 L6 数字新业 务的规划 与孵化 是否建立数 字化相关机 制推动新业 务孵化？ （1）数字化理念 未存在于新业务 孵化 （2）组织未建立 创投部门或团队

工作步骤 2.AOS 工作步骤 2 ）流程架构 （ L1 ~L3 ，流程地图） 5 ）输出多体系融合的 一体化文件 6 ）数字化开 发功能框架 1 ）分析业务 组件 3 ）绘制业务 流程图 4 ）融合管理 要素 1 、 分类映射说明 IT 功能组 IT 功能 角色 输入 流程步骤 要求 类别 输出 依据 能力 建设 组织 管理 技术 标准 共享 平台 AOS 总手册（ 目 标 、 方针 、 总则 、 L1 级关系 、 管 理规定） 映射说明 流程文件：流程步骤被分解 到各 IT 功能页面中执行 ，说 明每步骤与功能对应关系。 A O S 运 营 体 系 流程 文件 流 要 记

企业应用现代化升级提供可落地的实施框架。 5.1 应用智能化实现路径 » 5.1.1 应用智能化成熟度技术演进路径 应用智能化成熟度从 L1 至 L5 逐级演进，以交互方式、自主程度、任务复杂度等维度对五个级别进行定义，以中 国信通院人工智能研究所《软件智能化成熟度模型》标准为主要参考依据。 L1 级智能应用以固定内容生成、固定交互方式（如按钮、表单）为特征，主要依赖传统机器学习模型运行，典型 场景包括基础客服 图 应用智能化成熟度分级 12 各个级别存在关键差异，从 L1 至 L2，实现从规则驱动转向自然语言交互，从 L3 至 L4，突破单一领域限制，通过 多智能体协同解决系统级问题，从 L4 至 L5，实现自我迭代与跨领域自学习能力，从而迈向通用人工智能。 表 1：智能应用成熟度分级特征 成熟度等级 技术特征 人类参与度 L1 基础智能化 传统机器学习模型、按钮 / 表单交互 人工主导 L2 当前智能化技术仍处在快速演进期，企业在探索应用智能化转型过程中需要坚守业务价值驱动的本质。现阶段应 应用智能化成熟度 AI嵌入式应用 大模型嵌入式应用 智能体应用 自主智能体 超级智能应用 以大模型为底座 L1 基础智能化 L2 辅助智能化 L3 部分智能化 L4 高度智能化 L5 超级智能化 AI原生应用 多智能体协同 自我迭代 自我学习 自主定义终极目标 全领域未知任务 跨领域复杂系统任务

能力分级策略 [10]，我们认为终端智能体验可 划分为 5 个等级（L1~L5）： 图 5 终端智能化分级标准 �� � ������� ������������������ ���� L5 �������� �������� �������� �������� �������� L4 L3 L2 L1 ������������������ ���� ����������������

在任务中的协作关系、 AI 的参与程度，并参照汽车驾驶自动化分级的理念，以及清华大学 PERSONAL LLM AGENTS [3] （个人大语言模型智能体）中的智能体能力分级策略，我们提出了终端智能化体验的 L1~L5 分 级标准。当前，L3 可自主闭环任务的 AI 智能体正在加速发展，预计 2030 年终端系统有望实现 从低阶到高阶的智能化跃迁，达到 L4+。 1.1.1 AI 从“被动响应”的工具调用转向“主动服务”的成果交付 � ������� ������������������ ���� L5 �������� �������� �������� �������� �������� L4 L3 L2 L1 ������������������ ���� ���������������� ����������� ���������� ��������� ��������� ���������

889 个数据元。电子证照涵盖不动产权证、医保电子凭证等 1974 个数据元。定义七项入湖要求，通过规范新建系统数据生产过 程，从源头提升数据质量。 二是搭建统一数据底座，建立数据资产一本账，梳理 L1 业务域 27 个，L2 主题域 299 个，L3 业务对象 4788 个，L4 逻辑实体 16285 个，L5 属性 380676 个。实现一站式“找数、用数、评数”；实现指标 “定、汇、算

备能力， 确保在局部故障或灾难发生时，平台仍能持续稳定运行。 通过以上四个层级的系统性冗余设计，可全面提升云平台的可靠性，为业务上云提供坚实支撑。 层级 L0：数据中心 L0：数据中心 L1：机房 L2：IT 硬件 L2：IT 硬件 L3：IT 软件 可靠因素 地质 基础资源 基础资源 组网 设备 架构 可靠性设计 地质灾害评估设计 风火水电冗余 电力、网络、线路冗余

Search）方法来探 索最佳参数组合。例如，对于学习率的调整，可以采用学习率衰减 策略，即随着训练的进行逐渐减小学习率，以提高模型的收敛性和 稳定性。 此外，为了提高模型的泛化能力，还需要引入正则化技术如 L1、L2 正则化、Dropout 等。例如，在 CNN 中加入 Dropout 层 可以有效地减少过拟合现象，提升模型在未知数据上的表现。 为了验证模型的有效性和优化效果，通常会将数据集划分为训

缺失值问题，可依据数据分布（如高斯假设） 进行参数估计并采用概率插补；面对类别不 平衡，可利用过采样或线性插值在特征空间 内扩充少数类样本，从而增强模型鲁棒性。 损失函数设计中，正则化方法（如 L1 正则 化促进稀疏性、L2 正则化限制参数幅度）起 到控制模型复杂度和防止过拟合的作用，此 外还可依据神经网络诱导的新型函数空间设 计专门的正则项。优化算法和数值算法分析 皆依赖于数学理论，不仅有助于训练过程的