一、传统知识管理的背景与挑战
1、企业知识管理的必要性
知识管理是每个企业都面临的一个非常重要的环节,借助知识管家可以全面提升企业的效率。
一方面,随着互联网应用的发展,知识爆炸,如何实现企业知识的共享称成为企业面临的一个问题。企业通过知识共享不仅能提升效率,也能减少重复工作。
另一方面,通过知识共享的模式,建立一个体系赋能的机制,能够更好地优化流程和结果,提升企业的运行效率。
此外,知识管家可以为决策者提供一些关键信息和数据,来帮助他们做出更明智的决策。
最后,也是非常重要的一点是,减少企业员工的工作量,避免信息丢失,同时提升员工生产力和客户服务水平,实现降本增效。
2、企业知识管理挑战
知识管家的构建逻辑非常复杂,在没有大模型之前,一般都是知识库的概念,借助企业知识图谱或者企业自己的数据去构建知识库,在这个构建的过程中有很多的挑战。
知识碎片化主要体现在两个方面,一个方面是企业的数据非常分散,如 OA 系统的数据有不同部门的、不同团队的。另一方面,这些数据基本上都是以非结构化形式去提供的,比如 Word、PDF、图片、视频等。在知识管家建设的过程中,如何把这些知识碎片化的信息快速集中,是面临的第一个挑战。
在企业业务快速发展中,面临大量信息和数据不断涌现的情况下,如何在海量数据中建立筛选机制,保证信息的准确、及时,也是一大挑战。
企业一般不会把自己的私有数据共享给其他的机构或组织,一般都会比较重视企业私域数据的数据安全,因此也需要处理数据安全风险。
不同的公司有不同的组织结构,有些偏技术,有些偏业务,也有技术和业务混合型的,在业务和技术沟通的过程中,沟通不顺畅是每个企业在知识共享中都会面临的一个问题。
二、知识管家解决方案
1、企业知识管家是什么
企业知识管家,类似一个人的大脑,去辅助整个知识的存储,并理解和创造知识。
企业知识管家总体分为三个层次:第一层是功能技术侧的需求,主要负责企业知识的管理,包括企业数据的导入、文档的自动分类与归档,以及其它一些基础功能的需求;中间层是应用侧的需求,包括提供一些智能问答、智能搜索、摘要生成、辅助写作等功能;上层是业务侧的需求,包括合同的审查、保险的客服、行业报告的生成。
知识管家对外呈现的接口总体有三种模式:第一种接口类似文本框的方式,提供知识探索和分析;另一种是借助于 API 的 Token,把不同应用场景里涉及的智能 Agent 发布成 API Token 的方式去和企业的业务系统整合;第三种方式是智能 Agent,通过对话模式去做知识的探索和分析。
2、企业知识管家解决方案
企业知识管家主要负责企业专属的知识管理和创造,包括以下一些业务场景:
结合企业自己的私域数据,经过向量化后,存储在向量数据库中,借助问答对模式去做智能问答的场景,通过这些场景可以衍生出来很多更具化的业务需求。
通过文档去做一些探索和分析,比如对论文进行探索,可以提问这篇论文讲的内容,还可以进行文档的自主分析,提供整个文档的分段预览、上下文检索、摘要总结等能力。
结合企业内部不同角色的私域数据,再加上提示词的模式,提供一些自定义场景的设计,如文档的辅助写作、智能会议纪要等。
采用人机对话的模式,对企业的各种合同做一些关键条款信息的审查,查看对应信息是否准确。
企业知识管家产品的主要功能包括:
最下面是 GPU 算力,包含两类,一类是推理的算力,另一类是微调的算力。中间这一层是安全可信的企业私域数据记忆体——DingoDB多模向量数据库。
再上一层整个技术层的功能点,包括模型微调的管理、知识文档管理、智能应用管理。
最上面是偏业务场景类的需求,智能问答里可以自定义角色的一些对话、标准的 QA 问答,还有智能应用的 Agent,基于文档的辅助阅读、合同的审查、保险的个人助手。
三、知识管家核心技术探索
1、知识管家构建过程
接下来通过智能问答场景来介绍整个知识管家的构建流程。
首先需要有数据源,可能会有结构和非结构化数据,通常来说,知识库的构建以非结构化数据为主,如 Word、PDF、Excel,还有企业系统、Jira、知识管理平台等。
这些数据经过知识处理环节,转换成向量存到数据库中。需要先把文档加载进去,然后给予文档的 Layout 信息或结构信息,做文档向量解析生成文件块,然后基于文件块调用对应的 Embedding 模型转换成向量,对向量进行存储。
智能问答交互的过程:在用户提出问题后,首先借助智能助手把问题向量化,再去数据库做语义的检索,得到关联这个语义相近的文章上下文,通过上下文结合提示词,经过大模型的推理,最终得到答案的返回。
整体过程是一个不断迭代和反馈优化的过程,只有这样才能得到基于企业私域数据上的专属智能专家角色。
2、知识管家构建核心技术探索
非结构化数据 ETL 处理过程,需要借助一些工具。知识管家从技术模式上提供了一些特殊的算子,这些算子可以清洗整个 Map、Filter、基于 Window的变化,通过整个 ETL 的 Pipeline 可以数据进行转换。
通过各种文件的解析器(如 PDF 的解析器)进行解析,然后经过中间层对应的不同应用场景 Hub 的 Operator,可以快速构建 Pipeline 的 Hub,再经过数据的清洗和转换后进行 Embedding 化,最后存到向量数据库中。
要得到一个好的模型调试效果,要保证精确和完整的数据,具备良好的数据处理的质量。
构建一个传统的数据检索非常简单,但实际的知识比较复杂,除了文字本身的信息外,还有图片、表格数据、段落信息等。对此,九章云极DataCanvas提供了 Layout 的解析模式,可以实现 Layout 信息、表格、图片等多模态数据的全量存储,全面提升了数据解析过程的质量。
在文档经过向量化,存到 DingoDB多模向量数据库后,通过 Query 进行检索,在检索结果中会包含检索内容本身的结果,也会包含相关性的结果,这时候需要在检索召回的 Chunk 做 Reranking 的二次筛选。
在 Reranking 二次筛选时,要将 Retrieval 的 Chunk 和对应的 Query 做相关性语义分析,包括找到语义最为接近的匹配,然后把二次筛选后的检索 Chunk 重新推给大语言模型。
为了保证答案生成过程的安全可信,九章云极DataCanvas基于通用的大语音模型,对召回的数据做提示词的限定,并结合企业的私域数据对大模型进行垂类知识的微调,再加上风向管控机制,从而保证答案生成的高精度。
DingoDB可以提供多样化的 API 支持通过 SQL 和 Python 工具包去做数据查询,也提供一体化的方式,实现结构化和非结构化的联合查询。针对实时性的场景,DingoDB提供了实时写入即可查询的能力,可以边导入数据边进行实时检索。
DingoDB还提供了计算加速的能力,支持 Meta 的前置、后置的过滤筛选,以及基于相似度的范围查找。DingoDB还提供了多副本的工具,可以做部分的迁移和数据的迁移,同时提供多样化的运维和监控工具,降低了运维成本。DingoDB还能提供自动弹性分片的能力,可以把数据动态地平衡到不同机器上,实现各个节点的负载均衡。
在企业私域数据上,针对通用的场景需要进行微调,以构建某个场景里企业专属的大语言模型。知识管家里总结了整个微调过程中的痛点,在产品里提供工具化的方式,上传文档就可以得到所有问题的数据。有了数据后,直接在界面上通过配置参数就可以进行微调,同时产品也提供了一些微调数据指标,可以对微调的结果进行评价。
传统大模型应用往往构建复杂,知识管家基于九章云极DataCanvas自己的 FS 能力,构建了自己的大模型 IDE,能够提供丰富的组件和工具,通过简洁的应用构建方式,把构建的模版发布成智能应用的 Agent。
四、总结与展望
1、知识管家方案总结
知识管家的技术亮点主要有以下六大方面:高精度检索、便捷的 ETL Pipeline、高可用与扩展性、安全合规、智能数据融合以及丰富的场景。
知识管家的核心价值包括:提供了知识管理和智能启发的基础能力,并且提供了一种安全可信的应用私有化部署方式,包含企业的所有数据,可实现知识的融合和智能交互。作为智能底座,提供灵活扩展的能力,可以在知识管家上基于大模型做新的 Agent 开发。
2、未来展望
知识管家是基于九章云极>