基于大模型的深基坑风险管理Agent,提高管控效率和准确率 | 创新场景

1.利用大语言模型(LLM),充分发挥其强大的自然语言理解能力,辨别用户语义诊室意图,以快速、准确查询和调取不同来源的深基坑数据 2.在业务流程中确保数据隐私和安全,同时保证输出结果符合预设标准,使系统能够提供可靠且可信赖的服务。 3.使用澜码自研平台AskXBOT,通过拖拉拽方式轻松搭建复杂工作流,不仅简化开发过程,还极大地方便了后续调整,提高系统灵活性和适应能力。 4.在澜码AskXBOT平台,可以沉淀专家知识和行业经验,构建行业知识库,促进知识共享与传承,并可利用专家知识赋能实际的业务场景。 5.该方案具有高度通用性,可以推广至其他城市治理场景中

场景描述

深基坑是指开挖深度超过5米(含5米),或深度虽未超过5米,但地质条件和周围环境及地下管线特别复杂的工程。深基坑工程是城市治理和运行的基座,据国家法规要求每一项深基坑工程都需具备深基坑平台对项目作统一管理,如对传感器数据进行采集管理、各分包单位的工况日报管理等。

在上海某深基坑工程项目中,管理工作涉及23个检测技术,超过3000+监测项目指标,工程风险管理所涉及的数据量巨大,且数据源不统一;数据治理工作量巨大,难以及时实现对工程数据的治理,导致数据查询复杂度高;数据本身命名填写非结构化、查询情况复杂;使用智能风险管理助手时,提问易口语化、表述模糊,无法准确迅速地调取对应工程数据,给深基坑工程的智能风险管理带了了困难。

客户希望基于澜码科技自研企业级AI Agent平台构建深基坑工程智能风险管理Agent,为深基坑风险管控提供智能解决化方案。

解决方案

基于大模型的深基坑智能风险管理Agent项目旨在通过先进的人工智能技术和专家知识体系,为客户提供高效、精准的工程数据查询,提高智能化风险管控水平。整体架构分为以下两个关键模块:

1)NER(命名实体关系)识别模型

输入深基坑管理的专家知识作为微调数据,对私有化大模型进行微调,从而实 现当用户输入自然语言时,NER模型会根据专业知识判断识别相关命名实体, 为SQL生成提供支持,解决数据本身命名不规范、查询复杂的问题

2)基于LLM的Test2SQL生成模型

基于大语言模型进行微调,实现自然语言生成SQL的工作,并结合NER模块的 用户询问意图的理解,生成最终的查询SQL,解决了使用者提问时口语化、表 述模糊时仍需能够准确生成SQL的需求

综合来讲,根据深基坑管理范围,利用大语言模型,提供对自然语言的理解能力,辨别用户语义真实意图,根据意图来查询、调用不同的数据源,使得用户在使用层面上得到统一;并在原有数据表的基础上,创建高效视图,降低查询语句的复杂度,实现工程数据的智能、高效治理。提高深基坑风险管控的数智化水平和风险管控的业务效率。

成效

目前,深基坑智能风险管控Agent已实现可监管数据的拓展,极大提高了风险管控的效率和准确率,降低了风险管控的难度。风险管理Agent实现基于23个检测数据、182个数据库字段的原子数据和50个原始问题及对应SQL,扩展到20000+项目指标、1000+SQL语句;同时,在这些数据基础上NER模型和SQL模型都达到了较高的准确率。

通过专家知识沉淀和大模型强大的自然语言能力实现了城市治理数智化水平和管理效率的提高,具有高度可推广性,其成功经验对类似城市治理项目具有巨大借鉴意义。

本文系作者 澜码科技 授权钛媒体发表,并经钛媒体编辑,转载请注明出处、作者和本文链接
本内容来源于钛媒体钛度号,文章内容仅供参考、交流、学习,不构成投资建议。
想和千万钛媒体用户分享你的新奇观点和发现,点击这里投稿 。创业或融资寻求报道,点击这里
发表评论
0 / 300

根据《网络安全法》实名制要求,请绑定手机号后发表评论

登录后输入评论内容
  • 对成效的描述,应该是基于用户价值的,而非技术总结

    回复 8月31日 · via miniapp_iphone
  • 缺少应用具体成效数据

    回复 8月31日 · via miniapp_android
  • 大模型管控效率

    回复 8月29日 · via miniapp_iphone
3

扫描下载App