В сочетании со сценариями применения больших моделей технология искусственного интеллекта может использоваться для анализа сложного оборудования и документирования данных в высокотехнологичном производстве, а также для автоматического структурирования документов, таких как крупные детали, механические чертежи и руководства по эксплуатации. Большая модель может идентифицировать, разбирать и классифицировать детали и методы ремонта, устанавливать сеть взаимосвязей между деталями и расходными материалами, а также создавать огромную базу данных. Эта способность, основанная на мультимодальной технологии и семантическом понимании, делает возможным систематическое управление и эффективные запросы, что значительно повышает эффективность обслуживания оборудования и управления производством.

• Введение основной технологии

1. Распознавание макета

В процессе построения «График отраслевых знаний»,Распознавание макета技术作为核心技术之一,Обеспечивает ключевую поддержку для эффективного анализа технической документации. Эта технология проводит углубленный анализ структуры макета промышленных спецификаций.,Может точно различать в документе различные элементы, такие как заголовки, подзаголовки, абзацы, графики, таблицы, комментарии и т. д.,Это также закладывает основу для систематического извлечения информации и построения карт.

Распознавание макета技术可以自动识别这些版块,Особенно технические характеристики со сложной структурой таблиц,и преобразовать их в машиночитаемые структурированные данные. через этот шаг,Технический персонал может точно получить контекстную информацию каждого модуля.,Сделать части отношения, Этапы обслуживания、Информация о расходах и т. д. может быть организована в графе знаний.

Распознавание макета тесно связано с технологией распознавания изображений: с одной стороны, распознавание макета извлекает заголовки и структурные уровни, с другой стороны, числа и информация распознавания изображений связывают значки каждого компонента в документе для достижения органической интеграции текста и информации; содержание изображения. Таким образом, инструкции оборудования могут быть преобразованы из неструктурированного графического контента в структурированные узлы знаний и, наконец, сохранены в графовой базе данных. Технические специалисты могут не только получать ключевую рабочую информацию на мобильном терминале, но также получать общую структурную схему оборудования, корреляцию между компонентами и другую информацию на карте, тем самым обеспечивая систематическую поддержку при ежедневном обслуживании, диагностике неисправностей и управлении расходными материалами. Как показано на рисунке:

1. Извлечение таблицы

Ключевые параметры и полуструктурную информацию необходимо извлечь из сложных руководств по эксплуатации или инструкций. Таблицы в этой информации обычно представляют собой каркасные или неструктурированные таблицы. Промышленные инструкции часто содержат большое количество таблиц параметров, показателей технического обслуживания и спецификаций компонентов. Однако из-за сложного формата таблиц напрямую считывать данные традиционными методами сложно. Благодаря технологии извлечения таблиц система может преобразовывать неструктурированные изображения таблиц в машиночитаемые структурированные таблицы, точно идентифицировать содержимое каждой единицы данных и сохранять иерархию и связь исходной таблицы.

Это результат распознавания в платформе возможностей ИИ. Например, в руководствах по техническому обслуживанию высокопроизводительного оборудования в таблицах обычно фиксируются параметры производительности, циклы обслуживания, условия эксплуатации и т. д. компонентов. Технология извлечения таблиц автоматически идентифицирует эту информацию и преобразует ее в записи базы данных, делая параметры и взаимосвязи каждого компонента на карте знаний понятными с первого взгляда. Эта технология не только повышает эффективность ввода информации, но и предоставляет техническим специалистам точную базу запросов.

Это конечный результат вывода полностью структурированной таблицы после анализа на платформе AI Engine.

1. Извлечение признаков

Извлекайте ключевые объекты (например, имена компонентов, этапы работы, требования к техническому обслуживанию) и связи (например, «компонент-подкомпонент», «компонент-функция») из неструктурированного текста, например инструкций. Этот процесс гарантирует, что каждый элемент руководства по эксплуатации преобразуется в узел данных в графе знаний, что делает информацию структурированной и семантически понятной.

Например, для описаний общих процессов технического обслуживания или точек диагностики неисправностей в руководствах соответствующие рабочие этапы и меры предосторожности могут быть автоматически определены с помощью технологии извлечения информации, и эта информация может быть связана с конкретными деталями или условиями эксплуатации в карте знаний, чтобы помочь техническим специалистам быстро получить точное руководство по работе при запросе. Такое извлечение информации и систематическое управление значительно улучшают использование документальной информации и обеспечивают интеллектуальную поддержку обслуживания оборудования.

Пользователи могут загружать образцы данных через платформу для индивидуальных аннотаций и обучения, чтобы оптимизировать эффект извлечения информации и извлечения взаимосвязей. Платформа предоставляет гибкие инструменты аннотирования. Пользователи могут комментировать ключевую информацию в руководствах по оборудованию, записях о техническом обслуживании и других документах в соответствии со своими потребностями, например, модель оборудования, тип неисправности, история обслуживания и т. д. После завершения аннотации пользователи могут использовать аннотированные данные для обучения модели и настройки извлечения ключевой информации в определенных полях.

Благодаря такому индивидуальному обучению предприятия могут повысить точность модели извлечения, лучше адаптировать ее к реальным бизнес-сценариям, а также еще больше повысить эффективность обработки документов и качество анализа данных. Кроме того, платформа поддерживает постепенную оптимизацию и итеративное обучение, чтобы гарантировать, что модель может продолжать адаптироваться к новым потребностям бизнеса и изменениям данных с течением времени.

1. Извлечение документа

Извлечение документа技术在工业知识图谱构建中,Автоматический анализ промышленных инструкций в Word, PDF и других форматах.,Вывод текста, изображений, таблиц, водяных знаков, верхних и нижних колонтитулов в структурированном виде. Эта технология поддерживает смешанное распознавание на нескольких языках и в разных сценариях.,Смешанные рукописные и печатные документы,Позволяет эффективно использовать информацию в сложных документах.

В проектных приложениях технология извлечения документов позволяет не только извлекать схемы и текстовые описания оборудования, но также отделять подробную информацию об этапах технического обслуживания, эксплуатационных характеристиках и деталях, а также классифицировать и архивировать их в соответствии с логической структурой содержимого документа. Наконец, это извлеченное содержимое импортируется в базу данных графов, помогая техническим специалистам эффективно запрашивать и использовать подробную информацию в документах в графе знаний, что значительно повышает эффективность управления документами и использования данных.

1. Распознавание текста OCR

В промышленных руководствах большая часть содержания представлена ​​в виде изображений и текста, особенно в виде схем деталей, блок-схем операций, этапов технического обслуживания и т. д. Технология оптического распознавания символов может идентифицировать текстовую информацию на этих изображениях и преобразовывать ее в текстовые данные для облегчения последующей структурированной обработки и извлечения данных. Например, с помощью технологии распознавания OCR названия компонентов оборудования, характеристики, циклы обслуживания и другая информация могут быть автоматически извлечены из отсканированных документов и встроены в базу данных графов для формирования основных данных графа знаний.

В этом процессе технология оптического распознавания символов не только помогает преобразовать информацию в бумажных или графических документах в структурированный текст, но также предоставляет точные исходные данные для последующего извлечения информации, извлечения таблиц и т. д., тем самым повышая эффективность построения всего графа промышленных знаний. точность.