滚动从研发、设计、制造到生产、销售、维护，汽车企业包含大量数据和知识。2023年9月18日，在2023第二届汽车数字化转型大会上，国双科技资深产品总监徐瑛表示，知识作为对信息的总结和提炼，当把知识引入数字化、智能化转型过程中时，一方面可以沉淀我们的经验，另一方面不论是在知识的获取还是在知识的创作分析以及业务创新过程中，都会有比较多的用途。
聚焦知识的搜索、问答、分析所能取得的效果以及存在的短板，徐瑛认为，通过知识的构建，可以形成统一的知识层。在知识层的基础上，可以把相关的数据、经验经过一系列沉淀，真正实现知识的复用、共享、分发、传承，赋能更多场景。具体建设只要三步，第一步“建”；第二步“知”；第三步“用”。
国双科技资深产品总监
以下为演讲内容整理:
将知识放在核心位置的案例研究
支撑汽车企业数字化智能化转型的过程有很多因素，其中有软件还有硬件。那么如何能把知识放在核心力量的位置？先看几个例子。
第一个案例来自汽车研究设计环节。汽车产品设计的时候需要用到大量知识。为了便于高效管理、查找、使用这些知识，我们把需要用到的行业规范、标准以及相关的数据文档等，通过业务逻辑梳理去构建相应的知识库、知识中心和知识图谱。在它的基础之上，再去供相应的产品设计人员进行检索和知识的获取，这样一来，在产品设计的各个阶段，我们能够依据设计人员的需求提供更加准确的信息。
图源:国双科技
在这个过程中，无论是对于呼叫中心的工作人员来说，还是对于检维修的工程师来说，都需要比较高的专业门槛。不同的呼叫中心工作人员、工程师水准有高有低，针对同样的问题，在处理时办法参差不齐。随着人员流动，好的案例经验会被流失掉，这个过程中怎么把好的案例、企业的经验沉淀下去并且传承下去，需要构建知识中心和知识库。
图源:国双科技
第三个案例来自汽车流程审计的工作。汽车制造业是典型的流程性企业，对于流程性企业来说，有相关的制度要求建设、生产需要采取的流程，同样也会有各种各样的软件系统，来支撑流程走通。但无论是软件系统还是相应的规章制度，都是在不同时期前后建设的。
图源:国双科技
这样一来，经常会导致有些流程规章制度要求在线上进行，但其实在线下进行了，依据制度需要走新的流程，但在系统里走的依然是老流程，当进行流程审计时就会不合规，而且有风险。因此就把规章制度里依据流程相应的规定构建了相应的知识库，同时把流程系统里实际走的流程构建了相应的图谱。通过对比，能够清晰地看到二者之间存在的差异或者缺失的状况，再进行流程审计合规上的智能化升级。
知识在汽车企业智能化转型中的应用
可以发现，不管是研发环节还是生产环节等各个环节中，对汽车企业来说包含了大量知识。这些知识可能是文件、规章制度、数据，也可能是经验。在汽车企业内部，特别是知识密集型部门，大家对于各类知识文件的获取和分析的时间会占到工作时间的40%-70%，这是非常大的体量。
一方面我们需要用到大量的知识，另一方面有很多知识并没有被沉淀下来。比如，实际操作经验、典型案例都遗失了。这样一来，需要用到很多知识，但是很多知识又没有被沉淀下来，那么知识的有效利用和沉淀率会非常低。
图源:国双科技
知识和数据的区别是什么？可以把数据进行业务逻辑的抽象后所形成的称之为知识。这里举简单的例子，当去检索故障现象时，如果是基于数据层面检索，经常得到的答案是左边这张图，能看到和故障现象相关的各类各样维修的文档。但很多时候这对于维修人员来说并不好用，因为他需要的只是某篇文档中的一小段文字，而这一小段文字可能分布在几篇文档里，非常零散。当他去检索内容时，其实想得到的信息是直接查找原因，并且获得维修措施和建议。当检索现象时，直接返回出原因和措施，就是把数据进行了知识化的抽象后的结果。
把知识引入到数字化智能化转型过程中，一方面可以沉淀经验，另一方面不论是在知识的获取还是在知识的创作分析以及业务创新过程中，都会有比较多的用途。首先是搜索，当引入知识之后，带来的是两种不同的搜索效果。第二是问答，它的优点在于答案精准，但不足是不够灵活。大语言模型出来以后，问答带来了大的飞跃，优势在于灵活，但不足在于不可解释。
把知识图谱引入到问答的环节中来时，用它去规范大语言模型提问答案的返回，可以增加大语言模型的可信性。在知识图谱构建过程中，难点是在于不可避免要进行人工标注，工作量比较大。但最近通过和大语言模型相结合，在过程中可以通过大语言模型的推理和一系列的解释能力，帮助我们更加智能地构建知识图谱，让其一部分人工标注的工作交给大语言自动实现，提升了问答效果和构建效率。
图源:国双科技
第三，分析。对于分析，比较传统的方式是通过机理模型或者机器学习的模型实现。过程中有时候会发现它会有不足之处，精准度不够，准确率比较低。这时可以把业务上的知识引入到机器学习或者机理建模的过程当中，从业务的角度提出规范性的约束条件，通过这种方式增加做预测的准确性。
图本身是特殊的结构，节点和节点的关系。基于此，可以直接用它做分析。在进行车辆维修时，会有多故障、多现象的情况。在这个过程中怎么样找到核心问题，通过最短的维修路径把问题解决，就可以通过图做组合，再用最短路径的算法找到解决问题的方法。找到最短路径后，就可以把它固定成为针对这种多现象、多问题故障的解决办法，将它沉淀到后续的知识库。这样一来，针对复杂维修现象和维修问题的解决能力也能得到长效的提升。
知识构建的重点要素
通过知识构建可以形成统一的知识层。在知识层的基础上，可以把相关数据、经验经过沉淀再供上层分发和应用。除了可以服务于汽车制造领域的全流程，也可以把供应链领域的相关知识进行供应链系统的智能化应用，例如客服、营销，针对更加细分的人群类别赋予不同的知识，服务于全链条。
具体怎么样建设？整体来说有三步，第一步，建。建包括知识图谱构建、知识库构建以及相应算法构建。第二步，知识的获取。第三步，用，对于知识进行深度的分析。建在最开始的过程并不是难点，因为发现通过一系列软件能够帮助我们进行图谱的构建和知识库的构建，但是难点在于后续运营、运维、更新，包括怎样保证知识库里是最新的内容。
图源:国双科技
在此过程中非常重要的一点是必须让业务人员参与，业务人员会赋予相应的需求和逻辑，同时算法会承接他们的需求和逻辑。只有两者进行紧密结合，才能把需求用算法以及相应的模型呈现，最终再去支撑上层的应用。对于业务人员的需求来说不单单是需要一线的工作人员，也需要领导，因为要保障知识体系的构建需要对流程做相应的沉淀和建设。
当有了知识体系、数据后，要对它做采集和治理，最后再通过知识体系赋予它新的知识和业务上的逻辑，去支撑前端业务侧系统的应用，整体上用这样的方式支撑所有业务。
