大数跨境
首页
>
AI原生落到工厂舆情系统，四条硬判据
>

AI原生落到工厂舆情系统，四条硬判据

AI原生落到工厂舆情系统，四条硬判据 AI驱动数字化转型
2026-09-23
10
导读：这件事的技术含量不在于模型有多强，而在于系统有没有把企业自己的说法当主干，有没有把每一步的依据留下来，以及三年之后换一批人接手的时候，这套知识还在不在。
舆情系统的第一代做法是关键词匹配，企业设一批关键词，系统把带这些词的新闻捞回来，按热度排好，交给品牌部的人去看。这套做法能用，但它的天花板写在原理里，机器只认字面，不认关系。
结果就是三个问题机器答不了，一堆材料里哪几条真的跟本公司有关，哪几条其实是同一件事被转了很多遍，以及要不要回话。判断这活仍然落在人身上，人少的时候，判断就漏。

最大的浪费，是让人去做匹配
Part01
企业买舆情系统，通常以为买的是眼睛，其实缺的是判断。一堆材料里哪条跟自己的供应商有关，哪条只是同名的另一家公司，哪条是三个月前的旧闻被翻出来重炒一遍，这些活本该由机器干完，现在却全压在品牌部那两三个人身上。
压久了会出两种事，一种是漏，重要的一条被埋在几十条里没人看见。
另一种更常见，被迫把每一条都当重要处理，反应过度，把评论区的一句抱怨当成危机来办。要让机器接住这活，缺的是让机器听懂这家企业自己怎么说话，模型并不是瓶颈。

本体不是图，是这家企业的说法体系
Part01
先把本体说清楚，因为它被讲得太玄。本体不是数据库里的表，也不是挂在会议室墙上给领导看的关系图。
它是这家企业的说法体系，里面写着有哪些品牌、哪些产品、哪些供应商、哪些区域，它们之间是什么关系，同一个东西有几种叫法。一家电池厂自己说“云帆”，客户说“云帆汽车”，招标文件里写“云帆新能源汽车有限公司”，三个说法指向同一个对象，这套对应关系只有企业自己清楚，任何通用模型都不会知道。
这套系统的主线可以概括成一句话，把每一条舆情接进企业自己的本体，再用本体去判断。拿到一条舆情，它要认三样东西，名字、类型和关系。
  • 名字先归一，文中出现“比亚迪股份有限公司”，在别名表里落到本体节点“比亚迪”；标题里只有“云帆”两个字，它同样认得出这是品牌名。
  • 类型决定读哪几列，产品事故类的事件读产品名、部件、失效现象，服务投诉类的事件读门店、区域、时间，这份对照表写在行业配置里。
  • 关系负责往下传导，一条舆情命中了产品P001，而P001的货来自宁德那家电池供应商，这条舆情就同时落在那家供应商头上，走的是本体里已经写好的对象关系，不是算出来的相似度。
三路做完，一条舆情挂到了几个本体节点上。这家企业现在的演示行业里有75个事件，连出522条这样的关联，每一条都能点开看依据，写明是品牌前缀命中、别名命中，还是由哪条关系传导过来。
有一条旧账值得翻，改之前的版本里，事件和本体的连接靠片段相似度兜底，给出来的二十条边里有十四条站不住。其中一条关于微单相机的新闻，连到了汽车的热管理系统上，凭的是两边都含“系统”两个字。
连错比连不上危险得多，连不上只是少一条，连错了人会按错的方向去处置。现在的规矩是不瞎连，也不装作连上了，没连上的事件如实标成未关联，接口把未关联的条数直接报出来。
说不清依据的判断，交不出去
Part01
判断类的能力最怕出来的只是一个分数、一个标签。人不敢用它，多半是因为不知道它凭什么这么说，只有一个数字是撑不住责任的。
情感判断做了四层处理，否定作用域管住“没有出现自燃问题”这类句子，否定词一出现情绪就要抵消；程度词参与加权，“严重下滑”和“略有下滑”不是一个量级。
实体绑定把情绪落到本体的具体节点上，实在绑不上的按行业上下文降权，不硬给一个高分。算完之后还能复算，输入摘要、模型、当时的本体版本、置信度都记下来，同一句话再跑一遍，结果对得上。
趋势判断同样把过程摊开，滑窗取几个时间点，用最小二乘算斜率，给出拟合优度和置信度的来源。时间点不够就直接写“依据不足，不做趋势判断”，两个时间点连成的线本来也不叫趋势，强行给一个方向，等于让算法替客户背了一个他并不知情的结论。
判断层还有一个容易忽略的坑，这一轮里真踩到了，算好的斜率、样本数、理由、依据点，在接口那一层被丢掉了，前端只拿到一个趋势值，界面看上去正常，依据却没了。
可解释不是写在宣传页上的，它得从算法一路带到屏幕上，中间掉一环就等于没有。

什么叫AI原生
Part01
现在说AI原生，通常指调了某个模型接口，这个口径太松。这套系统用的是另一套判据，四条一起看。
  1. 主干是语义与判断，规则退到兜底：采集进来的内容先过语义筛选，本体别名表在筛选阶段就当约束用，而不是等模型出结果再拿关键词筛一遍。规则没有被扔掉，它在语义判断给不出结论的时候接手，保证系统不掉线。
  2. 知识往外扩，但要人点头：系统从真实事件里抽出候选实体，先放进待确认区，人工确认之后才并入别名表，本体版本加一，现在是第11版。如果让模型自动往母本体里写东西，几次之后错的名词和错的关系就混进了底座，此后所有判断都在脏数据上做。待确认区把这条路堵住，母本体只收被确认过的东西。
  3. 判断可解释，也能复算：前面讲过的依据、摘要和版本记录都落在这条上，同一句话再跑一遍，得出的结论对得上。
  4. 人和agent都能用：对外是接口，再往上收成工具层，agent可以像人一样调它，拿到的不是一段描述，而是带依据的结构化结果。
四条当中第二条最难，也最能拉开差距。多数系统的知识是死的，要么半年换一次，要么靠人肉维护，这套系统的本体在往前走，而且走法有审计。

行业开始讲标准的时候，底座带得走吗
Part01
各家企业现在各说各话，同一个行业十家公司十套叫法，数据也不出门。变化已经在发生，威胁情报领域有STIX，知识表示领域有OWL和RDF，方向都是把实体和关系说成一套公共语言，等到行业标准落地，迁移成本由谁承担是个很现实的问题。
这套系统在三处留了接口：
  • 本体能导出，STIX2.1的子集导出已经落地，实测导出276个对象，必备字段校验通过，界面上点一下就能拿到文件。
  • 本体能版本化，母本体慢变、行业共享，事件专属的二次本体快变、跟着事情走。两层分开之后母本体不会被一次热点事件带偏，版本号、指纹、体检结果都记在库里。
  • 换行业不用改代码，行业之间的差别写在一份配置里，包括本体类、关系、事件类型对应的字段和影响列。现在系统里并存三套行业，云帆新能源的合成演示数据、真实科技新闻、阀门行业，顶栏切一下就换，代码一行不动。
三条加起来说的是同一件事，本体是这家企业的资产，不是某套软件的附庸，资产要能带走、能对上标准、能交给下一个人。

能不能交出去，看的是底座
Part01
数据口径统一在库里，生产环境跑MySQL，十一个业务表，读写以库为准，不回退文件。
权限分开，登录带租户标识，写接口要求操作员权限，租户之间的数据靠库隔离，口令有策略约束，登录失败会累计并锁定，会话过期时间可以配置，审计记录按保留天数归档。
采集有护栏，robots规则、最小采集间隔、联络方式都写进采集网关，个人信息在落库前先做掩码。这两处对着的是《网络数据安全管理条例》里采集影响评估和删除匿名化的要求。
配置能改，十八项参数分四组，分别是模型降级链、采集护栏、预警阈值与静默期、事件簇阈值。取值分三层，环境变量给默认值，库里可以覆盖，界面上能改，每一项都标着当前值从哪里来。模型有降级链，云端在先，本地在后，最后是规则，任何一环挂了都不空转。
这些话不靠嘴说，二十一套验收门在跑，覆盖口令策略、登录限流、配置读写、情感、趋势、事件匹配、簇归并、合规护栏、采集到出报的整条流程和前端链接，这一轮全部通过。
门自己也被修过，有的门把“真数据里必须恰好有缺陷”写成了判据，数据一干净就报红；有的门拿匿名请求去测已经收口的写接口。这类红不是产品坏了，是门写错了，改的是门。一支团队愿不愿意回头修自己的门，比门有多好看更能说明问题。
同样的三个问题，在一套本体驱动的系统里有各自的答案。哪几条跟本公司有关，来自本体里已经写好的品牌、产品、供应商和区域；哪几条是同一件事被转了很多遍，来自事件簇的归并结果；要不要回话，来自每一层判断留下的依据和版本记录。
这件事的技术含量不在于模型有多强，而在于系统有没有把企业自己的说法当主干，有没有把每一步的依据留下来，以及三年之后换一批人接手的时候，这套知识还在不在。

【声明】内容源于网络
0
0
AI驱动数字化转型
专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
内容 1092
粉丝 1
AI驱动数字化转型 专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
总阅读11.8k
粉丝1
内容1.1k