70+专家分享实战经验,2024年度AI最佳实践都在AICon北京 了解详情
写点什么

YonGPT2.0:架起通往企业 AI 应用的一座“桥”

  • 2024-11-06
    北京
  • 本文字数:3363 字

    阅读完需:约 11 分钟

大小:1.65M时长:09:37
YonGPT2.0:架起通往企业AI应用的一座“桥”

大模型技术的在中国企业市场,存在一种“技术崇拜”。一部分企业会将大模型技术视为一种“万能药”,认为只要掌握了先进的技术就能解决企业发展的所有问题,而忽视了技术背后的复杂性和局限性。

 

这种技术崇拜,一度演变成盲目跟风,以至于各种企业基于大模型,研发的名目繁多的 GPT 交相辉映,它们绝大多数活跃在“对话框”,仅有极少部分能够为企业带来生产力的提升。

 

企业应用流程复杂,场景林立,如何化繁为简,让大模型为企业效力,让 AI 真正解决企业问题?就需要在繁杂企业应用需求与大模型之间架设一座桥梁。

 

用友刚刚发布的企业服务大模型 YonGPT 2.0,正是这样的一座桥梁。

 

1)大模型时代,企业需要怎么样的大模型?

 

麦肯锡的报告预测:到 2040 年,生成式 AI 每年可为全球经济带来 2.6 万亿至 4.4 万亿美元的增长。

 

今年初,IDC 发布的《2024 AIGC 应用层十大趋势白皮书》也显示:随着 AIGC 技术的发展,智能化应用将呈现爆发式增长,同时 IDC 预测:到 2024 年全球将涌现出超过 5 亿个新应用,这相当于过去 40 年间出现的应用数总和。

 

这两份数据显示出大模型市场背后巨大的市场潜力,这种潜力绝不局限于消费端,企业 AI 应用的发展注定是重要的驱动力之一。

 

从企业的角度,任何技术本身都是不具备行业属性的,脱离了场景的技术也无法称之为有用的技术。这代表着,大模型技术必须通过融入业务场景来展现它的价值。

 

但我们都知道,大模型技术要走出“对话框”,走进企业应用,还需要过几道关。

 

首先,大模型拥有强大的泛化能力,但在特定领域和场景如果未经针对性训练则无法满足应用的需求;

 

其次,企业应用不允许存在“AI 幻觉”,因此在企业应用场景,垂域大模型的需要对应高质量数据集和行业知识库。

 

第三,垂直领域的大模型的开发需要大量的资源和成本,乃至定制化要求,无论是企业自己投入研发,还是第三方的开发商都很难对企业整体业务拥有全面的理解。

 

所以不难总结,在大模型技术,到企业 AI 应用之间需要一个“中间层”,它需要具备强大的领域知识,能够深刻理解大部分的企业应用场景,有专业数据训练和调优能力,甚至可以向上提供专业的智能交互工具,并支持企业训练出更符合自身行业特征的垂类大模型。

 

这就是 YonGPT 被推出的初衷,更是 YonGPT 2.0 升级之后,所要赋予企业的价值,并有可能引领企业数智化走进一个黄金时代。


YonGPT2.0 架构图


2)什么是深懂企业服务的大模型?

 

YonGPT1.0 发布于去年 7 月,是业界首个企业服务大模型。在今年的 8 月 10 日,YonGPT2.0 正式发布,沉淀了财务、人力、供应链等垂直领域模型,并实现更强专业能力和完善的大模型训练体系。

 

用友对 YonGPT2.0 的一个核心定位是:深懂企业服务的垂类大模型。

 

很明显,这里的关键词其实是“深懂”,那么 YonGPT2.0 如何能够证明这个定位呢?

 

第一,要支持企业 AI 应用,从基础大模型到具体的应用场景之间,其实隔着“几重山”。既需要服务大模型对专业知识进行训练,也需要扩展大模型能够将应用框架解决各种业务运营、人机交互的问题,还需要与智能体相结合,最后形成企业切实可用的 AI 应用。

 

这就要求,YonGPT2.0 不仅仅是一个大模型平台,更要是一个大模型的完整体系,嫁接从大模型层到 AI 应用落地之间的所有环节。

 

我们也看到 YonGPT2.0 包括了大模型的专业能力层,大模型的平台层,和框架层,并向上延伸出四类应用。这一整套的大模型体系,成为了企业的 AI 应用新引擎。

 

企业可以在这套体系中,定制开发自己的应用,并通过大模型平台与应用之间的数据反馈,形成完整闭环,让大模型基于真实业务场景不断学习进化,这就是 YonGPT2.0 深“懂”企业的一个重要原因。

 

其次,打造企业应用大模型,不单纯是一个技术创新,更是一次管理能力的升级,所以它的门槛是得懂企业场景和业务逻辑。

 

我们知道,过去 30 多年来,从信息化时代、到数字化时代,再到数智化时代,用友一直沉浸于企业应用,深入企业的管理和运营,了解每一次企业变革的内在逻辑和场景需求。而今天这些经验和知识,都已经沉淀在 YonGPT2.0 之上,它能够解决企业经营中面临的人、财、物、服、供、产、销、研等各方面应用场景问题。并且用友拥有大量的业务专家,他们把自己多年服务行业领先企业的经验,知识积累下来,沉淀在大模型中并进行训练。这种“深懂”,无法复制,是用友独有,也是 YonGPT2.0 独有。

 

第三,企业的业务是动态的,所以 AI 应用也不会一成不变,这要求大模型能够不断学习,对模型进行优化和微调。换言之,企业大模型应该是“活”的模型,而不是固化的。

 

这就不得不提一下 YonGPT2.0 的大模型平台层的作用,它的下层是通用的专业能力,如领域知识问答能力增强、PPT 分析报告生成 、合同智能审核等等,保证了模型在业务基础能力的支撑;同时在平台层本身,内置了各种“经验数据”,以帮助模型能够在专业数据的基础上通过几个应用框架进行微调来确保模型的效果。

 

比如遇到业务运营方面的问题,可以用 Agent 应用框架进行微调;人机交互问题,由人机交互应用框架去微调;知识生成或应用生成问题,都可以通过 RAG 业务框架来微调。通过这些应用框架,企业还可以通过 AI Agent(智能体)构建器,将用友 BIP3 R6 中的应用、业务知识等,快速构建成满足各类场景需求的智能体,实现灵动化的企业应用创新。

 

第四,实现了大模型的进化能力,有了自主构建 AI 应用的能力之后,AI 其实还可以在模型层和应用层之间,形成一个交互层。可以更好驾驭大模型的能力,形成交互式的应用,它们并不是最终具体的企业应用,但却赋予企业应用更多的体验和智慧。

 

最典型的就是数智员工,通过虚拟形象,替代某些场景下的人力员工,它是我们通常所见到的数字人的进阶版,更贴近业务一线,往往可带来直接的降本增效作用。如税务风险合规官、采购合规官、合同审核助理、客服助理等,帮助企业完成大量重复性、风险合规性等工作,显著降低作业成本提升工作效率。

 

而智友,则更像是一个智能助理的角色,它在业务系统当中,可以通过简单对话给出我们更多的建议,并帮助员工实现繁琐的业务操作。

 

智能大搜则是典型的 AIGC 时代的产物,对于图片、视频、声音等非结构化数据实现一站式的搜索和呈现,可实现企业级“感知式”知识伴随,大模型“生成式”业务审查、“闭环式”知识沉淀与运营。

 

不难总结,YonGPT2.0 完全建立在企业业务的视角进行重新定位,将大模型与 AI 应用之间的进化逻辑进行了清晰的梳理和运营,一个“懂”字就已经印证了 YonGPT2.0 的价值。

 

3)为做好“模型运用”奠定基础

 

早在 2016 年,《智能时代:大数据与智能革命重新定义未来》就预言:传统的企业都将采用智能技术实现升级换代,也会改变原有的商业模式。

 

时至今日,大模型的出现的确让我们看到了企业业务由内而外的发生改变。

 

在合同审核领域,通过提取合同要素、进行智能问答,显著提升审核效率与准确性;在 AI 面试中,利用大模型对候选人进行全面评估,帮助企业提升招聘效率高达 30%;在智慧化知识生成方面,大搜产品的应用使得非结构化数据得以高效利用,为企业决策提供了有力支持……

 

这些令人耳目一新的业务新面貌,都源自于 YonGPT2.0 在企业端的广泛应用,也为企业数智化转型提供了可借鉴的实践经验。

 

如王文京所说,企业要成功推进数智化,除了要选择采用正确的方法论、选择合适的软件系统,企业还要重视和做好“数据治理”(数据标准化)、“模型运用”(AI 模型的选择和应用)这两项重要的基础工作,就像信息化时期要做好“流程梳理”工作一样。

 

所以选择 YonGPT2.0,本质上就等于为做好“模型运用”这件工作奠定了基础。

 

总结来看,YonGPT2.0 不仅内置了丰富的经验数据和微调专业数据,还支持多模型集成与专业能力评估,确保模型微调效果的最优化,保证 YonGPT2.0 能够更精准地满足企业的多样化需求;同时通过 Agent 框架,实现复杂任务的智能分解与执行,HCI 框架来提升用户体验,RAG 框架则专注于非结构化数据的知识化与图谱化,实现知识的可搜、可问、可见、可用。再辅以智友、数智员工和智能大搜这三大交互方式,形成了完整的支持企业 AI 应用开发到落地全过程。

 

随着 AI 技术的不断发展与普及,企业 AI 应用正逐渐成为企业数智化的主旋律。可以预见,YonGPT2.0 作为企业服务大模型体系的创建者,凭借其强大的专业能力、灵活的应用框架以及丰富的实践案例,在通过大模型和企业 AI 应用之间,架设的这座“桥梁”,将推动企业更快速、更高效的迈向数智化时代。

2024-11-06 18:001
用户头像
徐子浩 InfoQ编辑

发布了 39 篇内容, 共 14.5 次阅读, 收获喜欢 0 次。

关注

评论

发布
暂无评论

使用SSO增强身份安全性的四个原因

龙归科技

身份认证 SSO 密码管理

快手基于 Flink 的持续优化与实践

Apache Flink

flink

【数独问题】入门题:判断一个数独是否有效 ...

宫水三叶的刷题日记

面试 LeetCode 数据结构与算法

【万字好文】一文看懂持续部署按需发布!DevOps部署和发布方法大全

京东科技开发者

DevOps SaaS

Pgbouncer最佳实践:系列三

PostgreSQLChina

数据库 postgresql 软件 开源社区

字节跳动Android面试:来一份全面的面试宝典练练手,不吃透都对不起自己

欢喜学安卓

android 程序员 面试 移动开发

力扣(LeetCode)刷题,简单+中等题(第29期)

不脱发的程序猿

面试 LeetCode 编程之路 28天写作 算法面经

5G时代,为什么NoSQL和SQL存在短板?

VoltDB

数据库 通信 VoltDB 电信

牛掰,阿里架构师用 115 张原理与流程图,讲清了 Java 程序员常被问及的分布式架构核心知识点

Java架构师迁哥

区块链助力山东文化旅游整体行业解决方案

源中瑞-龙先生

JVM 分析工具

insight

JVM 3月日更

DataPipeline合伙人&CPO陈雷:成为中国的世界级数据中间件厂商

DataPipeline数见科技

MySQL异常问题经验贴

华为云开发者联盟

MySQL 数据库 时区 SSL 连接

可视化表单编辑器

day day up

一个100%省力的,让城市管廊运维变得轻松的秘诀

一只数据鲸鱼

物联网 数据可视化 智慧城市 3D可视化 智慧管廊

Linux 多线程详解 —— 线程创建、终止、等待、分离

赖猫

Linux 多线程与高并发 服务器开发 Linux服务器开发 Linux线程

云计算、大数据已经过时?不,正是因为它们RPA才能大流行

王吉伟频道

人工智能 云计算 大数据 RPA 自动化

力扣(LeetCode)刷题,简单+中等题(第28期)

不脱发的程序猿

面试 LeetCode 编程之路 28天写作 算法面经

基于 KubeVela 与 Kubernetes 打造“无限能力”的开放 PaaS

阿里巴巴云原生

容器 开发者 运维 云原生 k8s

产品经理如何帮助减少技术债务 ?

禅道项目管理

产品 代码规范 技术债

基于GES图数据库的大规模数据追溯服务优化

华为云开发者联盟

数据 华为云 图数据库 数据追溯 华为云GES

Atlassian Data Center 如何优化企业中新员工的远程入职流程

Atlassian

HR Atlassian 远程工作

一周信创舆情观察(2.22~2.28)

统小信uos

如何实现在直播中播放音频文件

anyRTC开发者

音视频 WebRTC 直播 RTC 音频

【LeetCode】比特位计数Java题解

Albert

算法 LeetCode 28天写作

字节跳动技术总监自爆:Android项目开发如何设计整体架构?建议收藏

欢喜学安卓

android 程序员 面试 移动开发

产品更新 | 阿里云CDN边缘图像处理功能开放内测

阿里云Edge Plus

CDN 边缘计算 图像处理

从根上理解高性能、高并发(七):深入操作系统,一文读懂进程、线程、协程

JackJiang

一文详解什么是可解释AI

华为云开发者联盟

AI mindspore Gradient GradCAM RISE

2021Java岗面试清单最新整理:分布式/Spring/JVM/并发编程等(15专题全面解析)

比伯

Java 编程 程序员 架构 面试

【科创人】融云CEO韩迎:飞信十年珍贵历练,做To B别有取巧的心思

科创人

YonGPT2.0:架起通往企业AI应用的一座“桥”_AI&大模型_徐子浩_InfoQ精选文章