2025 年，DeepSeek 帶火 “大模型 + RAG” 模式后，很多領(lǐng)先的企業(yè)發(fā)現(xiàn)，雖然已經(jīng)做了數(shù)據(jù)治理，但是大部分企業(yè)的數(shù)據(jù)基礎(chǔ)還并不能達(dá)到 AI運(yùn)用所提出的新要求，無法有效支撐AI的高價(jià)值場景落地。因此，面對(duì)AI應(yīng)用落地的需求，企業(yè)做數(shù)據(jù)治理時(shí)，需要疊加知識(shí)治理，為企業(yè)決策提供充足有效的數(shù)據(jù)與知識(shí)來展開，為AI提供“高營養(yǎng)含量的糧食”。
AI 建設(shè)方式的轉(zhuǎn)變后對(duì)企業(yè)私域數(shù)據(jù)的治理要求也變了。去年的核心是 “為模型訓(xùn)練準(zhǔn)備數(shù)據(jù)”：垂類模型依賴高質(zhì)量的專屬數(shù)據(jù)集，數(shù)據(jù)治理聚焦結(jié)構(gòu)化數(shù)據(jù)的準(zhǔn)確性、完整性、多樣性。而今年轉(zhuǎn)向了“為檢索準(zhǔn)備多樣化的知識(shí)”。很多企業(yè)卡在三個(gè)痛點(diǎn) ：
痛點(diǎn) 1：非結(jié)構(gòu)化知識(shí) “躺平”，大量隱性知識(shí)沒被激活
企業(yè)里大部分?jǐn)?shù)據(jù)是文檔、視頻、IoT 日志這類非結(jié)構(gòu)化數(shù)據(jù)，但很多企業(yè)還在用 “文件夾分類” 的老辦法管理。比如一家制造企業(yè)，大量設(shè)備維修手冊(cè)散在不同系統(tǒng)，有的是 PDF 掃描件，有的是 Word 草稿，AI 檢索時(shí)要么 “讀不懂” 掃描件的手寫批注，要么分不清不同版本的差異。
更頭疼的是，這些知識(shí)還在不斷增加：每月新增合同、客服聊天記錄等，卻沒人 管 “哪些該歸檔”“哪些要標(biāo)注關(guān)鍵信息”。這些 “躺平” 的知識(shí)，其實(shí)是企業(yè)的 “隱形資產(chǎn)”，卻因?yàn)闆]治理，變成了 AI 檢索的 “負(fù)擔(dān)”。
痛點(diǎn) 2：知識(shí)切片 “亂切”，RAG 變成 大海撈針
就算非結(jié)構(gòu)化數(shù)據(jù)整理了，AI 檢索還是不準(zhǔn)，問題可能出在 “切片” 和 “召回” 上。比如某金融企業(yè)，把一份信貸政策文檔 “一刀切” 分成多段，結(jié)果 AI 要找特定條款時(shí)，相關(guān)內(nèi)容被拆在多個(gè)切片里，召回時(shí)只抓到部分，自然給不出準(zhǔn)確建議。
這就是“缺乏標(biāo)準(zhǔn)化的切片與召回機(jī)制”：有的切片太粗，把不同主題混在一起；有的切片太細(xì)，破壞了知識(shí)的邏輯關(guān)聯(lián)；召回算法只認(rèn) “關(guān)鍵詞匹配”，不會(huì)理解 “同義詞”—— 比如 “逾期客戶” 和 “不良信用客戶” 明明是一回事，AI 卻當(dāng)成兩個(gè)概念。明明有知識(shí)，AI 卻 “不會(huì)用”，比沒知識(shí)更讓人著急。
痛點(diǎn) 3：知識(shí)治理 “沒規(guī)矩”，AI 輸出不可信
知識(shí)的質(zhì)量把關(guān)沒跟上，導(dǎo)致知識(shí)的時(shí)效性、準(zhǔn)確性、權(quán)威性無法校驗(yàn)。
很多企業(yè)沒有明確的規(guī)則：誰來負(fù)責(zé)知識(shí)的 “更新時(shí)間標(biāo)注”？如何驗(yàn)證知識(shí)的 “準(zhǔn)確性”？過時(shí)的知識(shí)怎么及時(shí)下架？結(jié)果就是 AI 基于 “帶病知識(shí)” 輸出建議，管理層如果用錯(cuò)了，損失將不可估量 。
AI應(yīng)用下的數(shù)據(jù)治理
三個(gè) “轉(zhuǎn)向” 很關(guān)鍵
在面向企業(yè)AI應(yīng)用落地需求下的數(shù)據(jù)治理，并不是簡單的 “換工具”那么簡單，而是要 “換邏輯”。數(shù)據(jù)治理有三個(gè)核心轉(zhuǎn)向 ：
轉(zhuǎn)向 1：治理目標(biāo)，從 “喂飽模型” 到 “幫人決策”
去年很多企業(yè)做數(shù)據(jù)治理，是為了訓(xùn)練垂類模型，重點(diǎn)是 “數(shù)據(jù)準(zhǔn)不準(zhǔn)”。但如今，治理目標(biāo)變成了 “讓 AI 能給出可靠的決策建議”。 比如銷售經(jīng)理問 “這個(gè)客戶該不該推高客單價(jià)產(chǎn)品”，AI 要能快速檢索到 “客戶歷史消費(fèi)、信用評(píng)級(jí)、服務(wù)反饋” 等知識(shí)，給出有依據(jù)的建議。簡單說，過去是 “為模型準(zhǔn)備數(shù)據(jù)”，現(xiàn)在是 “為決策準(zhǔn)備知識(shí)”。
轉(zhuǎn)向 2：治理對(duì)象，從 “結(jié)構(gòu)化數(shù)據(jù)” 到 “多模態(tài)知識(shí)”
過去數(shù)據(jù)治理的重點(diǎn)是 ERP、CRM 里的結(jié)構(gòu)化數(shù)據(jù)（比如客戶姓名、訂單金額），但今年必須覆蓋 “全類型知識(shí)”：合同、規(guī)范等 文檔；設(shè)備運(yùn)行、系統(tǒng)操作等日志 ；施工照片、產(chǎn)品圖紙等影像。治理的核心也從 “標(biāo)準(zhǔn)化數(shù)據(jù)” 變成 “激活知識(shí)”：把掃描件里的文字 “讀出來”，把視頻里的關(guān)鍵步驟 “標(biāo)出來”，把分散在不同系統(tǒng)的知識(shí) “連起來”，就像把散落的珍珠串成項(xiàng)鏈，AI 才能 “拎得動(dòng)”。
轉(zhuǎn)向 3：治理模式，從 “項(xiàng)目式突擊” 到 “常態(tài)化運(yùn)營”
過去很多企業(yè)做數(shù)據(jù)治理，是 “搞項(xiàng)目”：找個(gè)團(tuán)隊(duì)集中一段時(shí)間整理數(shù)據(jù)，項(xiàng)目結(jié)束就停了。但如今，知識(shí)每天都在新增、變化，比如新的行業(yè)規(guī)范出臺(tái)、客戶需求更新，治理必須 “跟著業(yè)務(wù)走”。
這就需要 “自動(dòng)化工具 + 長期組織”。用友建議可以用 DataOps 工具自動(dòng)同步新數(shù)據(jù)，用智能體定期檢查知識(shí)質(zhì)量，再成立專門的 “知識(shí)治理小組” 負(fù)責(zé)規(guī)則制定、問題整改。
數(shù)據(jù)與知識(shí)是數(shù)智化的核心生產(chǎn)要素，企業(yè)需要構(gòu)建統(tǒng)一的數(shù)據(jù)平臺(tái)，整合分散在企業(yè)各處的數(shù)據(jù)與知識(shí)，通過清洗、標(biāo)注、建模或者圖譜化、向量化等過程，形成標(biāo)準(zhǔn)化、高質(zhì)量的數(shù)據(jù)資產(chǎn)與知識(shí)，為精準(zhǔn)決策、智能運(yùn)營提供支持，面向AI提供高質(zhì)量的數(shù)據(jù)與知識(shí)的供給。這些都需要企業(yè)加強(qiáng)與更好地開展數(shù)據(jù)治理與知識(shí)治理。
1、破 “非結(jié)構(gòu)化空白”：用平臺(tái)激活隱性知識(shí)
針對(duì)非結(jié)構(gòu)化知識(shí) “躺平”，用友的核心是 “先整合，再賦能”：
全類型知識(shí)接入：用友 BIP 的 “企業(yè)數(shù)據(jù)云”， 作為底層支撐，匯聚了企業(yè)業(yè)務(wù)大數(shù)據(jù)、企業(yè)知識(shí)資產(chǎn)數(shù)據(jù)以及用戶行為數(shù)據(jù)，為上層模型 和應(yīng)用提供豐富且關(guān)鍵的數(shù)據(jù)源。
YonGPT 模型矩陣支撐：YonGPT2.0 升級(jí)的模型矩陣?yán)铮袑ｉT的多模態(tài)大模型，可以低成本的選擇適合企業(yè)場景的模型。友智庫基于YonGPT構(gòu)建的 企業(yè)級(jí)數(shù)智化搜索平臺(tái) ，聚焦企業(yè)知識(shí)管理與智能搜索場景，可支持非結(jié)構(gòu)化數(shù)據(jù)的搜、問、推、創(chuàng)等知識(shí)庫場景。提供“沉浸式”對(duì)話交互體驗(yàn)，助力企業(yè)快速獲取行業(yè)、領(lǐng)域及內(nèi)部知識(shí)資產(chǎn)。
2、破 “切片召回不匹配”：讓檢索結(jié)果準(zhǔn)確
針對(duì)切片亂、召回難，用友的 RAG 框架做了 “專項(xiàng)優(yōu)化”：知識(shí)切片不是 “一刀切”，而是按 “知識(shí)邏輯” 切。 比如一份合同，會(huì)按 “合同主體、權(quán)利義務(wù)、違約責(zé)任” 分成對(duì)應(yīng)切片，表格數(shù)據(jù)單獨(dú)做 “結(jié)構(gòu)化處理”，避免關(guān)鍵信息被拆；基于企業(yè)私域的知識(shí)庫、知識(shí)圖譜，將知識(shí)嵌入業(yè)務(wù)。企業(yè)級(jí)數(shù)據(jù)與知識(shí)庫的深度整合，將企業(yè)內(nèi)部的業(yè)務(wù)數(shù)據(jù)和專家經(jīng)驗(yàn)轉(zhuǎn)化為知識(shí)形式，通過實(shí)體、關(guān)系和屬 性的定義，通過知識(shí)圖譜構(gòu)建一個(gè)結(jié)構(gòu)化的知識(shí)網(wǎng)絡(luò)。在這個(gè)網(wǎng)絡(luò)中，企業(yè)的產(chǎn)品信息、客戶數(shù)據(jù)、業(yè)務(wù)流程等 元素相互關(guān)聯(lián)，為 AI 模型提供了一個(gè)全面且語義豐富的知識(shí)基礎(chǔ)。
3、破 “治理沒規(guī)矩”：需要專業(yè)組織來保障
針對(duì)知識(shí)質(zhì)量沒保障，用友、認(rèn)為必須有相應(yīng)的組織來長期負(fù)責(zé)數(shù)據(jù)與知識(shí)的運(yùn)營，從制度、 流程以及內(nèi)部溝通的流暢性方面保障數(shù)據(jù)與知識(shí)治理工作。這一組織體系應(yīng)明確職責(zé)劃分、促進(jìn)跨部門協(xié)作、具備專業(yè)實(shí)力，并持續(xù)尋求改進(jìn)，以支撐企業(yè)的數(shù)據(jù)與知識(shí)管理活動(dòng)。
為了保證知識(shí)問答的準(zhǔn)確性，用友RAG框架在文檔解析、文檔AI檢索召回策略上做了深度優(yōu)化，支持針對(duì)不同非結(jié)構(gòu)化文檔進(jìn)行快速索引，根據(jù)業(yè)務(wù)知識(shí)庫規(guī)范構(gòu)建業(yè)務(wù)標(biāo)簽，利用知識(shí)圖譜實(shí)現(xiàn)知識(shí)的關(guān)聯(lián)化和體系化，最大限度的提升知識(shí)問答的準(zhǔn)確性，以確保能在項(xiàng)目商用過程中切實(shí)為客戶賦能。
企業(yè)AI 應(yīng)用，如果知識(shí)還是亂的、檢索還是難的，再先進(jìn)的大模型也無法發(fā)揮價(jià)值。用友BIP企業(yè)AI讓 AI 能快速調(diào)用知識(shí)，給出靠譜的決策建議，讓AI真正發(fā)揮價(jià)值。
產(chǎn)品大型企業(yè)
成長型企業(yè)
售前:
4006-600-577
