AI 重塑生产力：生成式AI在质量和供应链场景中的落地应用实践

-生成式AI在质量和供应链场景中的落地应用实践 李檀 2025年8月 讲师介绍 个人简介 李檀 •20年企业信息化、数字化工作经验，关注于企业数字化转型顶层规划、AI应用与管理变革•熟悉新技术在企业管理及数字化转型中的应用，熟悉大型企业管理流程及数字化转型方法•曾参与中国智能制造标准路线图、智能制造能力成熟度模型（GB/T 39116-2020）、江苏省智能车间认定标准、广东省智能制造评价体系等多省市企业信息化、数字化相关的政策、标准的起草工作，有一定的企业管理和数字化转型的理论基础和趋势洞察能力 上海交通大学特邀专家/研究员中国人民大学特聘讲师对外经济贸易大学特聘讲师/特聘AI顾问国家统计局特聘AI专家工信部智能制造标准专家 •军工：中国兵器/北车、中航直升机、中国航天•汽车：一汽、上汽、东风、长安、福田、蔚来、理想•汽车零部件：潍柴、延锋、立讯、敏实、中信戴卡•工程机械：徐工、三一、柳工、中联重科、国机重工•专用装备：博创注塑机、鹏鹞环保、天顺风能、重庆机电•钢铁/有色：首钢、南钢、攀钢、德龙钢铁、中铝、中铜•化工/制药：恒逸石化、富海石化、龙津药业、扬子江•泛轻工：洽洽、尚品宅配、大东鞋业、美的、天马微电子•烟草：红塔、红河、上烟、玉溪、厦烟、中烟 •行业洞察，趋势分析•生成式AI产品及应用方案设计•生成式AI项目需求与实施规划•AI转型路径设计与应用场景识别•数字化体系建设与执行标准制订•数字化转型顶层设计与路径规划•数字化转型场景设别与项目设计•先进组织管理流程变革与管理•先进组织能力建设与人才培养 •工信部中国智能制造能力成熟度模型白皮书专家组成员•中国民营科技实业家协会专精特新专业委员会行业专家（2024）•中国电子商会投融资工作委员会数字化专委会委员（2021）•中德智能制造联盟专家委员·装备制造行业召集人（2017）•中德（大湾区）工业互联网创新中心副主任·研究员•2024年度工信部·工业互联网创新应用奖· AI数字工程师•2017年度深圳市科技创新奖·掌上云工厂•2016年度中国信息化领军人物奖（工信部）•2015年度中国智能制造产业联盟·突出贡献奖 生成式AI正在兴起 生成式AI给人类文明创造了无限的可能，同时也引发了一系列发人深省的问题 •近十年来，生成式AI技术通过不断的进化演变，在“超级算力”+“海量数据”+“大模型”的范式下，能够凭借自身强大的“理解/推断”能力生成新的文本、代码、声音、图形、视频和流程。 •尤其当以GPT-4为代表的预处理大语言模型突然闯入人们的视野时，生成式AI终于迎来高光时刻，突破了人们对其应用的传统认知。 我们正经历一场“伽利略时刻” 当传统数据分析与应用工具遭遇大模型的万亿级参数训练我们需要重新思考：如何驾驭这种新型生产力工具？ 数据的深度应用是创新型组织高效运转的引擎 让数据产生业务价值，需要进行不同程度的加工 数据的深度应用需支持多源异构数据连接 【行业案例】企业数智化转型的乘数效应 三大痛点的数字化破解并非孤立存在，而是通过数据要素的流动与融合产生协同价值 供 应 链 数 据指 导产 能 规 划 （精 准 预 测 调 整 产 线 排 程） 据中国钢铁工业协会测算，全面数字化转型可推动行业吨钢综合成本下降8%-12%，碳排放强度降低15%-20%，高端产品交付周期缩短40%以上在"双循环"新发展格局下，数字化已从"可选选项"升级为钢铁企业突破痛点、重塑核心竞争力的"必答题" 在数字化转型的进程中，生成式AI处于什么位置？ 具体能够解决哪些问题？ 所谓生成式人工智能 •目前广受热议的“AIGC”实际是对此次AI技术变革的一种描述概念，如果说2023年是“大模型”元年，那么2024年则是“AIGC”应用元年。 •而我们今天谈论的AIGC概念是泛化的，包括具备狭义和广义概念，狭义概念更强调内容属性，广义概念强调AI的技术属性： •广义的概念则突出生成式AI的概念，即如何通过生成式AI的技术解决以往决策式AI难以完成的问题，尤其在泛数字内容上实现“质的突破”。 •随着生成式对抗网络等的演进及迭代，生成式AI可以结合自动化、数字化、决策式AI等等多种的形式，解决数字化时代信息的解构、生成、交互、传播、反馈等诸多链路（例如数据治理、知识管理、流程自动化、人机协作和交互等等），即意味着凡是可以涉及数字内容形式的产业，AIGC通通可以“重新做一遍”。 •AIGC能给行业带来什么样的新体验、新思路？•AIGC能否“击穿”当下数字化不得解决的问题？•AIGC是否会形成新时代的生产力？•…… 创新 生成式AI是数字化转型上半场的试金石，也是下半场的新起点 市场对于生成式AI应用的期待：宁可试错，不能错过 传统的业务流程和信息以数字化的形式展示 AI的落地的四个应用范式 AI应用的四个基本范式 RAG（检索增强生成） 工作流 Prompt（提示工程） 微调 •通过精心设计文本提示，引导AI模型生成更符合预期的输出。它是与AI交互的艺术，旨在挖掘模型最大潜力，让其理解并执行复杂任务。•特征：灵活性高，可根据不同任务和需求定制提示；对提升AI输出质量和相关性效果显著，无需修改模型参数即可优化结果。 •在预训练的AI模型基础上，使用特定领域或任务的数据对模型进行进一步训练，使模型更贴合特定应用场景。•特征：显著提升模型在特定任务上的性能表现；相比从头训练模型，微调成本低、速度快，能利用预训练模型的通用知识。 •把AI应用中的一系列任务和操作按照特定顺序组织起来，形成高效的流程。从数据输入到模型处理再到输出结果，各环节紧密协作，实现自动化或半自动化的工作流程。 •结合外部知识库检索与AI生成能力，在生成内容时，先从海量数据中检索相关信息，再基于此生成准确、有依据的文本。•特征：生成内容更具事实性和可靠性，避免“幻觉”问题；能快速适应新知识和新信息，不断更新生成内容。 •特征：提高工作效率，减少人工干预和错误；具备可重复性，能在不同场景下稳定运行，保证结果一致性。 Prompt（提示工程）：就像给实习生布置简单工作 给细节明确的指令，依赖其基础能力 RAG（检索增强生成）：就像让实习生做他本不会的事情 知识赋能：给知识库、给模板、给参考手册，用到的时候现查 微调：就像让实习生学会新技能 知识内化：送进培训班，背熟了，考核合格再上岗 工作流：解决人机协同问题 依照人类流程，细粒度拆解工作任务；打破人机边界，人、AI和传统软件分配到各个任务节点 Agent与工作流可以看作LLM技术下Prompt工程的进化 •评价一个Agent的逻辑：在流程上的节点上完成了什么程度的自动化。 大模型的最初兴起的时候，Prompt工程，把大模型当成一种编程语言来看待。人们通过描述角色技能、任务关键词、任务目标及任务背景，告知大模型需要输出的格式，并调用大模型进行输出。 角色+角色技能+任务核心关键词+目标+背景+范围+解决与否判定+限制条件+输出格式/形式+输出量 落地：从技术实现到商业实践的经验沉淀与思考 两个成功商业化的生成式AI的应用 数字质量工程师 Chat BI 数据平权，数据民主化人人都是数据分析师“指标标签语义层+大模型”的解决方案，大幅降低了数据服务的使用门槛，实现自然语言交互式数据分析和智能归因应用场景：供应链管理、营销管理 数字员工 细分领域的专业化数字员工以“AI+RPA+数据+机器人”等多重技术深入融合应用创造的高度拟人化的新型工作人员，经过专项业务的训练 应用场景：质量管理 •我的客户们有什么需求？•我如何帮他们厘清自己的需求？•遇到了什么问题？•在什么样的业务场景中？•现有技术有无方法解决？•我是否有能力解决？•将会产生什么样的价值？ Chat BI采用的NL2Semantics+Agent路径是效果更优的科学路径 以常见的业务数据分析场景为例，对比NL2SQL VS NL2Semantics路径在数据分析效果上的差异： 能像人一样规划：Chat BI中的“Agent”架构的运行逻辑 Chat BI ·效果展示 指标分析助手，支持业务同学对话式进行数据分析，更好的智能化交互体验 基于大模型的意图识别与推理能力，并结合小模型的归因等算法，实现基于自然语言的指标取数、可视化和归因分析让用户快速获取准确数据，定位数据问题，生成数据报告 对话式完成数据获取、可视化报告 输出贴合专业分析师思维的分析报告 自动化提供贴合专业分析师思维的报告，并将数据概览、图表、高级计算（同环比/聚合/占比/排序/相关性/预测）与文字结论有机地整合在一起 提供交互式指标查询、元信息查询与可视化能力 Chat BI ·效果展示 指标分析助手，支持业务同学对话式进行数据分析，更好的智能化交互体验 提供问答式维度归因与因子归因能力，大幅提升数据波动探查效率，助力管理者与业务人员决策加速。 •我的客户们有什么需求？•我如何帮他们厘清自己的需求？•遇到了什么问题？•在什么样的业务场景中？•现有技术有无方法解决？•我是否有能力解决？•将会产生什么样的价值？ 数字工程师·效果展示 在对话框中输入一句指令，“数字工程师”就可以根据指令输出一份基础FMEA。 数字工程师·效果展示 传统工程师在写FMEA过程中，“数字工程师”提供24小时辅导，例如某零件的功能是什么？失效是什么？有哪些预防/探测措施可以实施等。 数字工程师·效果展示 •审核FMEA 当FMEA完成后提交审核时，可以先由“数字工程师”进行预审，例如子系统/零件是否有遗漏？功能网/失效网是否都已连接？S/O/D评分是否合理？高AP项是否有控制措施等。 垂直领域数智化的再次出发 •科研•教育•法律•医疗•制造 生成式AI在各行业的应用矩阵 从0到1：AI项目落地的关键成功步骤 从0到1：AI项目落地的关键成功步骤 第一步 方案设计-小步快跑验证 【建议】顶层设计，整体规划，分步实施 Thanks！