点击蓝字，关注我们
在科技日新月异的今天，人工智能+、数据要素X成为引领科技变革、驱动社会发展的核心力量。在此背景下，「首席数字官」面向各行业企事业单位、数字原生企业、各类数字化服务厂商广泛征集人工智能与大数据创新应用典范案例，并将精选案例收录进本案例集中。
通过精选的案例，我们希望能够为读者提供一个全面了解人工智能与大数据应用现状与发展趋势的窗口，激发更多的创新思维与实践探索。也期待未来能够有更多优秀数字化案例加入到这个集合中来，共同推动数字化转型与创新的深入发展。
本期为大家展示同方知网：大数据知识管理平台案例。此外，“2024第七届数字化转型与创新评选”活动正在火热征集中，欢迎扫描文末海报二维码，了解活动详情并申报。
案例简介
面向机构数智化转型和高质量发展目标，知网自主研发的基于知网知识增强大模型+AIGC的大数据知识管理平台，利用大数据、人工智能等核心技术，对内外部多维多源、海量异构资源进行采集、加工、清洗、分类、标引、挖掘和分析，通过切入、穿透各业务系统，完成各类数据的汇聚和治理，实现数据资源的结构化、碎片化、知识元化和图谱化；构建多维度的数据目录、数据地图、知识网络和语义图谱，深度揭示数据，挖掘数据背后蕴藏的知识以及知识之间的关联关系，构建文档级、碎片级、知识元级的多层次知识库，与知网知识增强大模型融合，升级组织机构数字基础设施构建“数据+知识+AI”新底座；开发统一的数据中台和知识中台，将知识服务嵌入组织的决策、管理、研发、生产和创新等过程中，智能感知工作场景和个性化知识需求，为用户提供伴随式精准知识服务，实现跨业务、跨部门的知识协同，形成组织内部的知识创新生态，释放数据和知识的潜能及价值，提升工作效率，促进创新。
“数据+知识+AI”新底座，是知网基于大模型和AIGC与行业应用不断融合发展而提出的数智化转型新基座。平台为了有效解决通用大模型存在的生成内容不精准、不专业、可信度低等问题，嵌入了具有行业属性和个性化特色的知网知识增强大模型，以知网高质量知识大数据为基础，可以按通用模型层、行业领域模型层及用户本地模型层分层架构；同时支持本地化、私有化部署，可以帮助机构建设适合于自身业务场景的大模型底座。
背景和主要驱动力
背景
在全球数字经济大潮下，数字化转型已成为机构创新发展的支撑和底座，机构需要建立更敏捷、智能、安全和可控的数字化平台，实现数字化流程再造、穿透业务的数据汇聚和知识化融合，以应对外界快速变化和内部业务创新需求。无论是传统企业、互联网企业还是中小企业，数字化转型是必然选择和唯一出路。从IT视角看机构数字化转型的核心工作是围绕业务流程再造建设数据中台、知识中台和业务中台，实现数据流、知识流和业务流“三流合一”和协同融合，因此知识管理是机构实施数字化转型的必备，目标是构建数字化、网络化、知识化和智能化的知识基础设施，完成机构数字基础设施的进化升级。
主要驱动力
信息技术的发展:互联网和移动终端的普及改变了信息获取和处理的方式，要求知识服务能够适应新的技术趋势，由原来的“人找知识”向“知识找人”发展。由原来的“知识为人服务，人读懂并利用知识”，转变为“知识通过机器为人服务，机器理解知识、智能决策”。
机构越来越重视知识管理:在知识经济时代，传统的资源和物质资产已不足以提供持久的竞争优势。机构需要通过知识管理来积累和应用知识，形成独特的知识资产，这是机构获取和维持竞争优势的关键。此外，知识管理有助于机构快速响应外部变化，通过快速获取和整合新知识，提高决策质量和执行效率；知识管理通过建立知识库、文档管理和知识传承机制，有助于保留企业的核心知识和经验；知识管理通过系统地搜集、整理和存储机构知识，可以提升员工的工作效率。同时，它还能激发员工的创新能力，通过共享和协作，促进新知识的创造和应用。
技术特色及应用实例
技术特色
利用大数据、人工智能技术进行内外部多源异构海量资源的采集、加工、分类、标引、挖掘和分析，实现各类数据的汇聚和治理，同时通过建设分布式存储、计算与管理基础平台，有效支持数据资产目录、元数据管理、数据指标管理、数据标签管理、数据建模管理、数据权限管理、系统服务监控、数据质量监控等。
在统一知识体系框架下整合内外部知识，统一分类、标引；通过切入各业务系统，构建结构化、碎片化、知识元化和图谱化多层次知识库，实现跨业务、跨部门的知识协同，形成组织内部的知识创新生态，升级机构数字基础设施。
应用案例
该产品面向高校、政府、企业、智库、科研等机构，应用于组织的决策、管理、研发、生产和创新等过程，包括政务内外数字化平台、政务大数据治理及共享服务平台、机构大数据中心（数据中台）、机构知识管理与协同创新平台、技术研发创新服务平台、智慧研发知识工程、一站式情报挖掘服务平台、大数据新型智库等多个应用场景，全面支撑各行各业高质量创新发展与深度学习。
实施效果
实施难度与复杂度
大数据知识管理平台的实施涉及到多方面的因素，其难度与复杂度主要体现在以下几个方面:
技术整合:大数据知识管理平台需要整合多种技术，包括大数据处理、数据挖掘、机器学习、自然语言处理等。这些技术的融合需要深厚的技术积累和人才支持，同时也需要解决技术之间的兼容性和集成问题。
数据整合:大数据平台需要处理来自不同源的、格式多样的数据。数据的清洗、标准化和融合是实施过程中的一个复杂环节，需要克服技术和管理上的挑战。
系统架构设计:设计一个能够支撑大数据知识管理的系统架构是一项复杂的工程。它需要综合考虑数据的存储、计算资源、计算能力、分析和可视化等多方面要求，确保系统的可扩展性、稳定性和安全性。
安全与隐私保护:大数据平台涉及大量敏感数据，如何确保数据的安全和用户隐私的保护是实施过程中的重要考虑因素。需要建立严格的数据安全策略和隐私保护措施，同时遵守相关法律法规。
案例亮点
全学科、全行业知识资源优势：能够根据各单位的行业领域可集成相应的公共知识资源，拥有全学科、全行业的基础词表和概念关系词表，这是知识管理的基础，是实现知识挖掘、检索、推荐的资源基础。
知识资源全文检索引擎：有自主知识产权的全文检索引擎，提供了目前国内最强大的知识检索，包括全文检索、主题检索、中英文扩展、同义词扩展等。
内外部异构资源整合及知识库构建：实现了机构内外部各类异构知识的统一整合，构建知识库，支持海量资源的分布式集群管理，无论是技术还是经验都是国内领先。
隐性知识挖掘工具优势：提供了协同研讨、协同创作、项目协同研究等隐性知识挖掘工具，能够实现知识协同和隐性知识沉淀、显性化。
知识服务的场景化优势：基于研究对象和属性构建矩阵式知识体系，构建面向问题的知识库，能够嵌入业务流程中提供场景化的知识服务。
企业简介
转载须知
