了解领域认知智能
在 AGI 时代面向特定技术或行业领域，基于领域数据对大模型进行预训练或调优，并利用知识工程将私域数据加工成领域知识网络。将两种技术结合，让计算机具备面向特定领域的理解、推理、归纳等认知能力。
领域知识网络
领域认知智能
领域大模型
汇集专业知识，提升领域认知深度
通过领域知识网络构建，深入挖掘领域数据价值，为检索增强生成 提供丰富的、高质量的领域知识。
领域认知智能，共创智能世界
融合领域大模型与领域知识网络，帮助千行百业客户更经济、更安全应用大模型，实现业务智能化，共创智能世界。
实现通用认知，打造领域认知基座
通用大模型在行业领域内的应用，为解决行业问题进行行业数据调优，理解常识和胜任领域任务。
了解领域认知智能
在 AGI 时代面向特定技术或行业领域，基于领域数据对大模型进行预训练或调优，并利用知识工程将私域数据加工成领域知识网络。将两种技术结合，让计算机具备面向特定领域的理解、推理、归纳等认知能力。
领域知识网络
领域认知智能
领域大模型
领域认知智能
领域认知智能，共创智能世界
融合领域大模型与领域知识网络，帮助千行百业客户更经济、更安全应用大模型，实现业务智能化，共创智能世界。
领域知识网络
汇集专业知识，提升领域认知深度
通过领域知识网络构建，深入挖掘领域数据价值，为 检索增强生成 提供丰富的、高质量的领域知识。
领域大模型
实现通用认知，打造领域认知基座
通用大模型在行业领域内的应用，为解决行业问题进行行业数据调优，理解常识和胜任领域任务。
领域认知智能=领域大模型+领域知识网络
领域大模型与领域知识网络的深度融合是实现领域认知智能的关键！
数据 驱动
（领域大模型）
“数”尽其用
知识 驱动
（领域知识网络）
可控、可干预、可解释
-
大模型可以精通通用知识
-
大模型可以学习多语言
-
大模型可以增强语义理解
-
大模型可以辅助知识网络构建
-
知识网络可以增强大模型生成效果
-
知识网络可以缓解大模型生成的幻觉现象
-
知识网络可降低大模型的学习成本
-
知识网络可提升大模型的推理能力以及可解释性
领域认知智能
领域大模型+领域知识网络
领域大模型与领域知识网络的深度融合是实现领域认知智能的关键！
数据 驱动
（领域大模型）
“数”尽其用
-
大模型可以精通通用知识
-
大模型可以学习多语言
-
大模型可以增强语义理解
-
大模型可以辅助知识网络构建
知识 驱动
（领域知识网络）
可控、可干预、可解释
-
知识网络可以增强大模型生成效果
-
知识网络可以缓解大模型生成的幻觉现象
-
知识网络可降低大模型的学习成本
-
知识网络可提升大模型的推理能力以及可解释性
领域认知智能离不开领域知识网络
领域应用专业知识密集、推理链条长，基于通用大模型的简单问答交互形式难以胜任。领域知识网络中存储了大量高质量数据、知识，将数据、知识接入语言模型，能有效提升模型的信息丰富度与知识水平。
领域知识网络是围绕领域本体模型的知识表示集合，包括领域概念库、领域知识图谱、领域规则库、领域数据。
领域认知智能离不开领域知识网络
领域应用专业知识密集、推理链条长，基于通用大模型的简单问答交互形式难以胜任。领域知识网络中存储了大量高质量数据、知识，将数据、知识接入语言模型，能有效提升模型的信息丰富度与知识水平。
领域知识网络是围绕领域本体模型的知识表示集合，包括领域概念库、领域知识图谱、领域规则库、领域数据。
领域认知智能离不开领域大模型
基础大模型与行业应用场景之间存在鸿沟，需要通用大模型向领域适配。领域大模型是指通用大模型在行业领域内应用，为解决行业问题利用行业数据调优的大模型；领域大模型是数据科学发展的重要战略举措。
- 通用场景与领域场景存在大量术语、常识、甚至思维方式的差异
- 通用大模型极少得见领域知识
- 领域数据稀疏，难以有效习得领域知识
领域认知智能离不开领域大模型
基础大模型与行业应用场景之间存在鸿沟，需要通用大模型向领域适配。领域大模型是指通用大模型在行业领域内应用，为解决行业问题利用行业数据调优的大模型；领域大模型是数据科学发展的重要战略举措。
- 通用场景与领域场景存在大量术语、常识、甚至思维方式的差异
- 通用大模型极少得见领域知识
- 领域数据稀疏，难以有效习得领域知识
大模型领域化落地最佳实践：检索增强生成（RAG ）模式
检索增强模式（Retrieval AugmentGeneration，简称 RAG ）是指在大语言模型推荐生成时，使用私域数据/领域知识进行检索召回。
RAG 模式的技术优势是检索增强，也就是大模型外的私域数据和知识的检索能力，提高检索的准确性、相关性。可结合提示词，将精准、可解释的知识提交给大模型进行推理生成。
大模型领域化落地最佳实践
检索增强生成（RAG ）模式
检索增强模式（Retrieval AugmentGeneration，简称 RAG ）是指在大语言模型推荐生成时，使用私域数据/领域知识进行检索召回。
RAG 模式的技术优势是检索增强，也就是大模型外的私域数据和知识的检索能力，提高检索的准确性、相关性。可结合提示词，将精准、可解释的知识提交给大模型进行推理生成。
