智 能 服 务 事 业 部 知识结构化推动智能客服升级 邱立坤 阿里巴巴集团智能服务事业部 方案 KAMR 语义 表 示体系 KAMR Parser 知识图谱问 答平台 需求 知识管理 语言理解 思路 知识图谱构 建 语义剖析 答案展示 收益 高效复用 精准理解 精细管理 智 能 服 务 事 业 部 目 录 智 能 服 务 事 业 部 智能客服升级的需求 年上海的常住人 口 是： 2419.70 万 上海有多少人口 智 能 服 务 事 业 部 知识结构化的主要思路 智 能 服 务 事 业 部 结构化知识图谱 非结构化业务文档 半结构化数据 结构化答案 结构化语义表达式 非结构化的文本型答案 非结构化的用户 query 知识结构化的主要思路 知识结构化 - 知识图谱 - 基本概念 • 知识图谱 • 本质上是实体与实体间关系 知识结构化 - 知识图谱 - 阿里小蜜知识云平台 智 能 服 务 事 业 部 知识结构化 - 知识图谱 - 商品知识图 谱 本体：以商品为核心，以人、货、场为主要 框架，共涉及 9 类一级本体和 27 类二级本 体 实体识别与链指：支持品牌、 规格、类目、型号等多种实体 智 能 服 务 事 业 部 知识结构化 - 知识图谱 - 客服场 景 结构化知识图谱 非结构化业务文档

较成熟的企业业数据模型；  数据质量治理；  元数据管理；  数据标准建设  数据整合；  数据应用建设；  数据平台的软硬环境  …… Page15 企业数字化转型建设目标 外部非结构化数据 0% 100% 200% 300% 400% 500% 600% 2004年 2005年 2006年 2007年 2008年 铁矿石 焦煤 统一制定目标和分 析模型 统一划分分析主题 企业数字化转型需求分析 Part Page18 企业数字化转型总体架构 历史数 据查询 数据交换平台 应用集市数据区 商城零售 供应链企业 人人贷系统 基金系统 …… 系统 企业内外部半结构化、非结构化数据 大数据交换组件 数据库数据交换组件 数据区数据交换组件 数据计 算层 大数据区 沙盘演练数据区 数据应 用层 实 时 数 据 区 客户主题 协议主题 产品主题 业务沙盘演练 企业数字化转型总体架构——数据产生层  内部业务系统产生的结构化数据  商城日常零售业务处理过程中产生的结构化数据，存储在关系型数据库中，如：供应商信息、采购信息、商品信息、销售流水……  消费企业日常业务处理过程中产生的结构化数据，存储在关系型数据库中，如：客户信息、账户信息、企业产品信息、交易流水……  企业内部非结构化数据  日常业务处理过程中产生的非结构化数据，存储形式多样，主要包括用户访问日志、用户投诉、用户点评……

..........................81 5.1.1 结构化数据（保单、理赔记录等）...................................................................................................83 5.1.2 非结构化数据（医疗报告、照片等）........................ 财险公司理赔纠纷投诉中，67% 源于时效延迟或核损偏差，直接推高运营成本—— 行业理赔管理费 用率中位数达 12.8%，较承保利润率高出 4.3 个百分点。 核心痛点集中在三个维度：首先，海量非结构化数据的处理能 力不足，医疗险中仅 CT 影像等医疗文件的人工解读就需要 2-3 小 时/案；其次，风险识别依赖经验判断，车险骗保案件漏检率高达 18%；第三，客户服务响应滞后，85%的保险公司尚未实现 构，通过动态激活子模型的方式实现计算资源的智能分配，在保证 响应速度的同时显著提升复杂任务处理精度。在保险行业特定场景 中，其优势主要体现在三个方面：首先，基于多轮对话和上下文理 ” 解能力，可准确解析客户提交的非结构化理赔描述，例如将 车子 ” 右前方撞到护栏导致大灯破裂 的口语化表述自动转化为标准化事 故编码（V37.2）和损伤部位标识（ADL 代码：HL-03-R），识别 准确率达到 98.7%，较传统

服务，侧重于为上层业务系统提供结构化和非结构化数据的存储能力， 主要支持视频图像信息联网功能，对车辆、人员、人脸等不同有价值 数据进行级联整合，提供有价值视频图像信息基础服务，实现对有价 值数据的查询、布控与告警、订阅和通知等功能。最终实现汇聚整合 各地、各部门掌握的车辆、人员、案事件等视频图像信息资源。 本次建成后的视频图像信息数据库需与市局无缝对接，汇聚推送 前端智能抓拍机捕获的非结构化、结构化数据到市公安局进行统一解 局采用统一云数据库 存储集群，包括车牌信息、人脸记录、人脸特征、车型信息、过车记 录、事件信息、视频摘要信息、人车物分类信息等重要信息，以及重 要案事件的价值视频片段、标签，这些视图数据带有结构化描述，在 此基础上在市公安局根据需求展开各类应用。在公安信息网内通过平 台客户端直接登录市公安局实战应用平台达到需要的应用目标。 安全系统需求 按照“十四五”国家信息化规划，参考（GB/T22239-2019）《信息 阜南县数字乡村建设项目-乡村公共视频联网工程设计方案 19 定。 3.5.1.2.4 全结构化摄像机部署设计 结构化数据是指图片、可描述的具体目标属性等数据，如人脸图 片、车牌图片、人员性别、衣着颜色、车辆品牌、车牌号等。一般监 控只能提供传统视频流信息，是非结构化数据，需要靠人为判断才能 识别出有效的结构化信息。通过后端视频结构化提取普通视频画面中 的机动车、非机动车、人员信息的建设方式成本较高，日常使用及维

1 视频结构化分析 2 远程抄表 3 智慧停车 4 智能井盖 5 智能照明 6 智能家居 智慧安防小区建设主题 3 © Nokia 2016 视频结构化是一种视频内容信息提取技术，它根 据视频内容按照语义关系，采用时空分割、特征 提取、对象识别等处理手段，组织成可供计算机 和人类理解的结构化信息 1 - 视频结构化分析介 绍 Nokia 2017 公安联网 车辆信息结构化 ● 基本特征（车牌、类型、颜色、、车型、品牌、子品牌、款型） ● 标识物（危险品车、年检标、遮阳板、挂饰、纸巾盒、是否打电话、安全带等） 非机动车信息结构化 ● 基本特征（车款、类型、性别 等） ● 服饰特征（衣色、眼镜、头盔 等） ● 携带物特征（背包、遮阳伞） ● 运动特征（方向、速度） 人物信息结构化 ● 基本特征（性别、年龄段） ● 服饰特征（上下衣着颜色、眼 运动特征（姿态、方向） 1 - 视频结构化分 析 © Nokia 2017 ● 运动特征（方向、速 度） 横向关联人、车数据 利用道路、车库出入口的 摄像头将车辆和驾驶员的 信息结合起来，对接公安 系统，实现人、车的在线 联网核查 6 19/03/2018 Confidential © Nokia 2016 1 - 基于 AI 的视频结构化数据的应用 - 联网核 查

73 4.2.1 语音转文本技术.........................................................................74 4.2.2 结构化病历生成.........................................................................76 4.3 辅助决策支持........ ，实现从被动治疗 到主动健康管理的转型。 人工智能技术为医疗系统优化提供了新的突破口。以自然语言 处理和多模态学习为核心的 DeepSeek 平台，具备医疗知识图谱构 建、临床决策支持和非结构化数据处理三大核心能力。某三甲医院 的试点数据显示，接入智能体后的门诊流程平均耗时从 120 分钟缩 短至 75 分钟，电子病历自动生成准确率达到 92%，显著降低了医 护人员的文书负担。这些技术特性与医疗场景的需求高度契合： 小时，基层医疗机构误诊率 高达 18%-25%。在诊疗效率方面，三甲医院医师日均处理病例量 超过 80 份，导致疲劳作业风险上升，而电子病历系统仅实现基础 结构化存储，无法主动辅助临床决策。 医疗数据利用存在显著瓶颈： - 非结构化数据占比超过 70%（如影像报告、医患对话记录） - 跨系统数据互通率不足 40% ” ” ，形成 信息孤岛 - 实时数据分析延迟普遍在 4 小时以上，影响急症处置

AI 地产园区解决方案 智慧园区能力 园区可视化 园区监控 轨迹分析 视频结构化 智慧园区管理平 台 智能迎宾 智能访 客 智能广告投放 车辆结构化 违停预警 智慧食堂 刷脸支付 车辆识别 园区门禁 园区拓扑架构 园区云端管理平台 交换机 广告互动机 刷脸 POS 智能消费 交换机 抓拍机 视频分析系统 视频巡更系统 人像检索系统 视频结构化系统 黑名单布控系统 车辆管控系统 园区安防 通过图片或者视频，在抓 拍库进行检索 一人一档 聚类归档中的档案可以和 底库人像信息关联，实现 档案实名认证 黑名单库布控到相应相机， 如果抓拍到的人脸特征与 黑名单布控的人脸比对值 高于设定阈值，则实时报 警 视频结构化 可对指定的设备、指定的 通道进行实时图像视频操 通道进行实时图像视频操 作 人像检索 巡更位置刷脸时可联动显 示现场视频图像 黑名单布控 平安园区子系 统 对视频中人关键特征提取 进行结构化存储，实现基 于特征点得视频搜索 视频巡更 实时视频 以不同种类不同功能的摄像机及服务器分别实现对企业园区各监控点位的视频图像采集工作 ，确保园区安 全。 支持实时视频查看 ， 录像回放与下载。 实时视频监 控 食堂操作间 / 食堂收银

........................203 1. 引言 近年来，随着企业财务数据规模的指数级增长和审计合规要求 的日益复杂，传统审计模式面临巨大挑战。审计人员需要处理海量 结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 中，审计团队平均需要耗费 65%场 景 机器学习识别 92%场景 工作底稿生成效率 4 小时/份 20 分钟/份（自动校验） 在技术实现路径上，我们采用分层架构设计：底层通过微调后 的 DeepSeek 模型处理非结构化文档，中间层构建审计知识图谱实 现条款关联，应用层则部署风险预警、抽样推荐等具体功能模块。 某试点项目数据显示，该方案使应收账款函证程序的耗时缩短 57%，同时将异常交易检出率提升 31%。这种提升不仅来自算法优 通过监管复核。这揭示出当前 AI 应用需要解决的核心矛盾：如何 在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏

0 0 1 0 1 0 0 1 趋势 趋势 • 海量异构非结构化数据 • 大规模用户数 • 安全合规无法保障 • 知识沉淀难度高 • 知识赋能无法达成 “ 数据”和“知识”双擎驱动智慧校园 数据是高校的“血液” ，是保障正常管理和服务运营效能提升的基础。高校中存在海量 的非结构化数据 ，且正以每年几十、几百 TB 级快速增长。对于高校如此庞大的数据量， 数据驱动智慧校园建设｜ 06 部分教育客户 PEKING UNIVERSI TY U N 统一日志管理及可观测性方案 云基础设施可观测性方案 灾备体系可观测性方案 AnyShare 可观测性方案 非结构化数据中台，实现“数据” +“ 知识”双擎驱动 增强数字化韧性，提升服务水平（ SLA ） 高校云盘建设 高校智能教学助手 数据驱动智慧校园建设｜ 12 增强智慧校园数字化韧性，提升服务水平（ SLA ） 高性能 万兆网络环境下备份恢复速度可达 300MB/s ，打 破海量非结构化数据保护下备份恢复性能低的瓶颈， 为高校师生数据提供高性能保护 一致性 数据由 AnyBackup 统一整合并编排调度保证应用 一致性，防止数据丢失和应用不可用，确保高校师

业营销相关数据，通过数据关联比对甑别作弊，规避偷漏 系统化数据采集，规避偷漏 掌握自主核心技术，立足于原创，技术领先 系统建设的理念和准则 Page 8 大数据分析平台建设目标 外部非结构化数据 0% 100% 200% 300% 400% 500% 600% 2004年 2005年 2006年 2007年 2008年 铁矿石 焦煤 统一制定目标和分 析模型 统一划分分析主题 智慧税务大数据质量管理平台 5 6 Page 11 大数据分析平台总体架构 历史数 据查询 数据交换平台 应用集市数据区 集团零售 供应链金融 人人贷系统 基金系统 …… 系统 企业内外部半结构化、非结构化数据 大数据交换组件 数据库数据交换组件 数据区数据交换组件 数据计 算层 大数据区 沙盘演练数据区 数据应 用层 实 时 数 据 区 客户主题 协议主题 产品主题 业务沙盘演练 大数据分析平台总体架构——数据产生层  内部业务系统产生的结构化数据  集团日常零售业务处理过程中产生的结构化数据，存储在关系型数据库中，如：供应商信息、采购信息、商品信息、销售流水……  智慧税务大数据日常业务处理过程中产生的结构化数据，存储在关系型数据库中，如：客户信息、账户信息、金融产品信息、交易流水……  企业内部非结构化数据  日常业务处理过程中产生的非结构化数据，存储形式多样，主要包括用户访问日志、用户投诉、用户点评……