本文将为您解答以下两个问题: 一、OpenAI宣布7月9日终止对中国大陆提供API接口服务,对汉得提供的AI服务有没有影响? 二、汉得当前在AI方面做出了什么应用价值?未来的方向在哪里? OpenAI宣布7月9日终止对中国大陆提供API接口服务,对汉得提供的AI服务有没有影响? 就在6月25日,Open AI宣布将于7月9日终止对包括中国大陆在内的地区提供API服务。OpenAI对中国大陆的停服决定,对汉得提供的AI服务来说究竟影响多大? 实际上,ChatGPT爆火以来,Open AI一直未曾真正开放过中国市场的服务。当前汉得在国内对接的大模型呈现多样化特点,既有国外商用大模型,也有国内商用大模型,还涉及开源大模型以及私有化模型等,而通过微软调用的Open AI服务只是众多选择之一。目前来看,微软云提供的Open AI接入服务仍可以正常访问。也并没有消息表明这个通道会关闭,预计将来仍可正常使用。此外,国产大模型这一年里进步非常快,我们的很多应用场景,调用其他模型也一样能达到效果,甚至在某些场景上,其他大模型的表现会更优秀。 同时,很多国内企业原本首选的大模型也并非Open AI,因此即便Open AI完全无法调用,对我们开展AI业务来说影响也很有限。如今Open AI停服,外部竞争减少,对国内通用人工智能行业或许是最好的机遇,国内通用人工智能行业或将进入一个加速整合与创新的阶段。 汉得当前在AI方面做出了什么应用价值?未来的方向在哪里? 汉得自去年7月率先发布AIGC应用平台之后,一年的时间里已经为50余家企业客户提供AIGC产品和应用服务,这里通过三个典型案例来介绍汉得在AIGC应用领域的探索和突破。 案例一 构建AIGC知识库 开发专属实验模型 首先,A客户每年都有大量的分子细胞实验项目,在课题立项之后、正式开始实验之前需要做实验计划,这时候就需要查阅与该课题相关的历史文献和各类论文,以获取相关的数据来规避不必要的实验路径。 但是历史文献数量庞大且存在各国语言和不同时期的版本,靠人工查阅基本是不可能完成的,以前通过扫描存档进数据库,可以进行关键字检索,但不够智能,实际应用下来不是很理想。希望通过AIGC形成知识库,解决查阅文献的难题。 其次,在AIGC知识库的基础上建立知识图谱记录分子细胞实验的逻辑关系。AIGC知识库解决了对历史知识的管理和利用提供便利,但实际实验的原始细胞、环境参数、催化剂以及最终结果之间是有逻辑上的唯一性的关系,这种关系用AIGC来表达反而不够精确。 故而在记录实验结果上,汉得研发团队通过知识图谱技术,用图数据库来记录和表达精确的逻辑关系,帮助客户更好的对知识进行沉淀和传承。 最后,汉得还帮助A客户开发了自己的实验模型。通过对大量历史数据的训练,最终实现在计算机模型上输入实验的关键参数,由AI模拟出实验结果以提供给科研人员作为课题实验规划中的辅助判断。该技术投入运行,可以帮助科研团队有效缩短实验周期,并节省实验经费。 案例二 “手中实时有数、心中时时有数” B客户很早就做了数字化建设,也做了不少BI报表,但我们调研下来,发现高管在看数据、用数据上仍然存在不少痛点。 例如:老板常常因为某个具体的业务问题,在业务现场需要了解某个数据指标,需求产生于电光火石之间,这时候业务人员或者高管的助理开始查BI报表去找这个数据,但有时候这些数据虽然数据库中是有的,并没有在现成的BI报表中已经开发出来,需要进行再处理,带来的结果就是IT部门或者财务部门要加班加点处理数据,第二天早上打印出来放在老板的办公桌上。 这种延时实际上已经错过了现场处理问题的最佳时机,同时又可能带来新的问题,由于需求的一层层传递可能出现误差,拿过来的数据有时候跟老板要的数据是不一致的,又或者老板看了这个数据之后,又对其中某项指标产生了疑问,继续追问下去… 这种类似的问题,我们发现在很多企业都存在,其本质是用数据的人不是开发数据的人,开发数据的人并不真正要用这些数据,这种错位导致了企业内部开发了一大堆BI报表,实际上真正有用的并不多,并且真正要用的时候却发现用不了。 汉得针对这一类型的问题,将自研的ChatBI产品与AIGC大模型进行结合,不再需要提前开发一大堆BI报表,而是通过语音或者文字将要看的数据提交给大模型,大模型转译之后,由ChatBI直接从数据库中实施取出数据并组装成BI报表呈现出来,同时对数据权限进行管理。 这一技术功能的实现,支持企业内部各个不同层级、不同领域的人员真正做到“手中实时有数、心中时时有数”。 案例三 实现良品率提升 收益可达数千万元 C客户是光伏切片领域的龙头企业,国内光伏切片行业平均良品率大约在95%左右,C客户希望提高良品率,从而降低生产成本,而良品率提升1个点,对企业每年带来的收益可达数千万元。 光伏切片的数控机床产线参数多达2000多个,其组合方式更是无穷无尽,要通过人工来调优是不可能完成的任务。 我们通过对生产过程的调研,发现对良品率有直接影响的参数约为60多个,我们用回归算法,对数百万条生产线上的历史数据进行回归分析,最终找到了这60多个参数的分布状态与良品率之间的规律。 通过建立模型,并进行大量的机器学习,最终形成了模型应用,即在车间里用该模型实时监测产线上参数数据的变动趋势,当呈现良品率下降趋势的概率达到某一阈值时,通过对产线进行干预避免良品率快速下降。 这一应用在C客户成功上线后继续不断迭代调优,6个月后,整体生产良品率提升了1个点。同时C客户自有IT团队在这一过程中学习了AI的技术,在除良品率以外的其他各环节上已经能自主进行AI开发应用创新和迭代,目前每天在运行的AI任务已经达到120多个。 汉得在信息化和数字化领域深耕二十余年,服务超过6000家大中型企业,其中超过300家中国五百强企业、超过100家世界五百强企业,在各行业领域积累了丰富的数字化经验。 目前,汉得正致力于通过AI这一新质生产力,与我们的客户积极开拓新场景、提升新效能、携手创造新价值!