在現代企業中，知識管理是一個至關重要的環節。它可以幫助企業有效地組織和利用內部和外部的知識資源，從而提升企業的效率和競爭力。為了更好地進行知識管理，許多企業引進了知識管家的概念。知識管家是一種專門負責管理和傳播企業知識的角色或系統。透過知識管家，企業可以更好地收集、整
#隨著網路應用的快速發展和知識爆炸式增長，企業面臨一個共享知識的挑戰。如何實現企業內部知識的有效傳遞和分享已經成為一個重要議題。透過知識共享，企業不僅能提高工作效率，也能避免重複勞動。
另一種方式是透過採用知識共享的模式，建立一個能夠賦能企業的機制，以便更好地優化流程和結果，提高企業的運作效率。這種模式可以讓企業內部的員工分享他們的知識和經驗，讓團隊中的每個人都能從中受益。透過共享知識，企業可以避免重複勞動，減少錯誤和失誤，並且能夠更好地應對挑戰和變化。這
此外，身為知識管家，它還能夠為決策者提供關鍵的資訊和數據，以幫助他們做出更明智的決策。知識管家具備強大的資訊檢索和分析能力，能夠從大量的資料中提取出有用的信息，並進行整合和分析。這些資訊和數據可以包括市場趨勢、競爭對手分析、消費者洞察、技術發展等方面的
#另外，一個非常關鍵的因素是減少企業員工的工作負擔，防止資訊的遺失，並且提高員工的工作效率和客戶服務水平，從而實現降低成本、提高效率的目標。
在沒有大模型之前，建構知識管家的邏輯是相當複雜的。通常情況下，我們會使用知識庫的概念，借助企業知識圖譜或企業內部的資料來建構知識庫。然而，在這個建構的過程中會面臨許多挑戰。 首先，知識庫的建構需要大量的人力和時間投入。收集、整理和歸納企業內部的知識和資訊是一項繁瑣而耗時的工作。需要專業的團隊來處理和管理這些數據，並確保其
知識片段化主要體現在兩個方面，一個面向是企業的資料非常分散，如OA 系統的資料有不同部門的、不同團隊的。另一方面，這些資料基本上都是以非結構化形式去提供的，例如 Word、PDF、圖片、影片等。在知識管家建設的過程中，如何把這些知識片段化的資訊快速集中，是面臨的第一個挑戰。
#在企業業務快速發展中，面臨大量資訊與數據在不斷湧現的情況下，如何在海量資料中建立篩選機制，確保資訊的準確、及時，也是一大挑戰。
#企業一般不會把自己的私人資料共享給其他的機構或組織，一般都會比較重視企業私域資料的資料安全，因此也需要處理資料安全風險。
#不同的公司有不同的組織結構，有些偏技術，有些偏業務，也有技術和業務混合型的，在業務和技術溝通的過程中，溝通不順暢是每個企業在知識共享中都會面臨的一個問題。
#
企業知識管家，類似一個人的大腦，去輔助整個知識的存儲，並理解和創造知識。
企業知識管家整體分為三個層次：第一層是功能技術面的需求，主要負責企業知識的管理，包括企業資料的導入、文件的自動分類與歸檔，以及其它一些基礎功能的需求；中間層是應用側的需求，包括提供一些智能問答、智能搜尋、摘要生成、輔助寫作等功能；上層是業務側的需求，包括合約的審查、保險的客服、行業報告的產生。
知識管家對外呈現的介面整體有三種模式：第一種介面類似文字方塊的方式，提供知識探索與分析；另一種是藉助於API 的Token，把不同應用場景所涉及的智慧Agent 發佈成API Token 的方式去和企業的業務系統整合；第三種方式是智慧Agent，透過對話模式去做知識的探索與分析。
企業知識管家主要負責企業專屬的知識管理和創造，包括以下一些業務場景：
#結合企業自己的私域數據，經過向量化後，儲存在向量資料庫中，借助問答對模式去做智慧問答的場景，透過這些場景可以衍生出來很多更具化的業務需求。
#透過文件去做一些探索和分析，例如對論文進行探索，可以提問這篇論文講的內容，還可以進行文件的自主分析，提供整個文件的分段預覽、上下文檢索、摘要總結等能力。
#結合企業內部不同角色的私域數據，再加上提示詞的模式，提供一些自訂場景的設計，如文件的輔助寫作、智慧會議紀要等。
#採用人機對話的模式，對企業的各種合約做一些關鍵條款資訊的審查，查看對應資訊是否準確。
企業知識管家產品的主要功能包括：
知識管家的功能架構：
最下面是GPU 算力，包含兩類，一類是推理的算力，另一類是微調的算力。中間這一層是安全可信賴的企業私域資料記憶體－DingoDB多模向量資料庫。
再上一層整個技術層的功能點，包括模型微調的管理、知識文件管理、智慧應用管理。
最上面是偏業務場景類的需求，智慧問答裡可以自訂角色的一些對話、標準的QA 問答，還有智慧應用的Agent，基於文件的輔助閱讀、合約的審查、保險的個人助理。
接下來透過智慧問答場景來介紹整個知識管家的建置流程。
首先需要有資料來源，可能會有結構和非結構化數據，通常來說，知識庫的建構以非結構化數據為主，如Word、PDF、Excel，還有企業系統、Jira、知識管理平台等。
這些資料經過知識處理環節，轉換成向量存到資料庫。需要先把文檔加載進去，然後給予文檔的 Layout 信息或結構信息，做文檔向量解析生成文件塊，然後基於文件塊調用對應的 Embedding 模型轉換成向量，對向量進行存儲。
智慧問答互動的過程：在使用者提出問題後，首先借助智慧助理把問題向量化，再去資料庫做語意的檢索，得到關聯這個語意相近的文章上下文，透過上下文結合提示詞，經過大模型的推理，最後得到答案的回報。
整體流程是一個不斷迭代和回饋優化的過程，只有這樣才能得到基於企業私域資料上的專屬智慧專家角色。
#非結構化資料ETL 處理過程，需要使用一些工具。知識管家從技術模式上提供了一些特殊的算子，這些算子可以清洗整個 Map、Filter、基於 Window的變化，透過整個 ETL 的 Pipeline 可以進行資料轉換。
透過各種檔案的解析器（如PDF 的解析器）進行解析，然後經過中間層對應的不同應用場景Hub 的Operator，可以快速建構Pipeline 的Hub，再經過資料的清洗和轉換後進行Embedding 化，最後存到向量資料庫。
要得到一個好的模型調試效果，要確保精確和完整的數據，具備良好的數據處理的品質。
建立一個傳統的資料檢索非常簡單，但實際的知識比較複雜，除了文字本身的資訊外，還有圖片、表格數據、段落資訊等。對此，九章雲極DataCanvas提供了 Layout 的解析模式，可以實現 Layout 資訊、表格、圖片等多模態資料的全量存儲，全面提升了資料解析過程的品質。
在文件經過向量化，存到DingoDB多模向量資料庫後，透過Query 進行檢索，在檢索結果中會包含檢索內容本身的結果，也會包含相關性的結果，這時候需要在檢索召回的Chunk 做Reranking 的二次篩選。
在Reranking 二次篩選時，要將Retrieval 的Chunk 和對應的Query 做相關性語義分析，包括找到語意最接近的匹配，然後把二次篩選後的檢索Chunk 重新推給大語言模型。
#為了確保答案產生過程的安全可信，九章雲極DataCanvas基於通用的大語音模型，對召回的數據做提示詞的限定，並結合企業的私域數據對大模型進行垂類知識的微調，再加上風向管控機制，從而確保答案生成的高精度。
DingoDB可以提供多樣化化的API 支援透過SQL 和Python 工具包去做資料查詢，也提供一體化的方式，實現結構化和非結構化的聯合查詢。針對即時性的場景，DingoDB提供了即時寫入即可查詢的能力，可以邊導入資料邊進行即時檢索。
DingoDB也提供了運算加速的能力，支援Meta 的前置、後置的篩選篩選，以及基於相似度的範圍查找。 DingoDB也提供了多副本的工具，可以做部分的遷移和資料的遷移，同時提供多樣化的維運和監控工具，降低了維運成本。 DingoDB還能提供自動彈性分片的能力，可以把資料動態地平衡到不同機器上，實現各個節點的負載平衡。
在企業私人資料上，針對通用的場景需要微調，以建構某個場景裡企業專屬的大語言模型。知識管家裡總結了整個微調過程中的痛點，在產品裡提供工具化的方式，上傳文件就可以得到所有問題的資料。有了數據後，直接在介面上透過配置參數就可以微調，同時產品也提供了一些微調數據指標，可以對微調的結果進行評估。
傳統大模型應用往往構建複雜，知識管家基於九章雲極DataCanvas自己的FS 能力，構建了自己的大模型IDE，能夠提供豐富的組件和工具，通過簡潔的應用構建方式，把構建的模版發布成智慧應用的Agent。
知識管家的技術亮點主要有以下六大面向：高精度檢索、便捷的ETL Pipeline、高可用與擴展性、安全合規、智慧數據融合以及豐富的場景。
知識管家的核心價值包括：提供了知識管理和智慧啟發的基礎能力，並且提供了一個安全可信的應用私有化部署方式，包含企業的所有數據，可實現知識的整合和智慧互動。作為智慧底座，提供靈活擴展的能力，可以在知識管家上基於大模型做新的 Agent 開發。
知識管家是基於九章雲極DataCanvas的AIFS，提供從裸金屬到上面的GPU 算力以及模型的調度，並實現模型微調的一整套Pipeline 模式。它藉助通識的大語言模型，加上企業的私域數據，進行組合微調，形成企業自己專屬的大語言模型。基於大語言模型的擴展能力，結合 DingoDB多模向量資料庫，可以實現企業裡面的搜尋問答、摘要產生等應用，進行企業的知識管理。
以上是大模型應用探索－企業知識管家的詳細內容。更多資訊請關注PHP中文網其他相關文章！
