(一)把DeepSeek提升為戰(zhàn)略級(jí)目標(biāo)

目標(biāo)應(yīng)與用戶的戰(zhàn)略緊密相連,確保AI的建設(shè)為實(shí)現(xiàn)整體戰(zhàn)略目標(biāo)服務(wù)。用戶在建設(shè)AI時(shí),經(jīng)營(yíng)目標(biāo)、運(yùn)營(yíng)目標(biāo)和部署目標(biāo)相互依存,形成一個(gè)完整的目標(biāo)體系。用戶在部署大模型時(shí)需要清晰地識(shí)別其適用場(chǎng)景與局限,不能一刀切,而應(yīng)制定合理和差異化的目標(biāo)。因此,了解何時(shí)適合采用AI、何時(shí)避免使用AI,以及針對(duì)特定場(chǎng)景選擇何種AI技術(shù)至關(guān)重要。

DeepSeek大模型的突破性進(jìn)展,抬高了大模型能力天花板,AI適用場(chǎng)景進(jìn)一步擴(kuò)大。它能夠模擬人類(lèi)專家級(jí)的邏輯推演過(guò)程,展現(xiàn)出極高的邏輯嚴(yán)密性,其核心在于將傳統(tǒng)AI的“規(guī)則響應(yīng)”升級(jí)為“認(rèn)知推演”,這使得AI能夠處理非結(jié)構(gòu)化信息交織的模糊性場(chǎng)景。

當(dāng)這種接近人類(lèi)高階思維的能力注入業(yè)務(wù)場(chǎng)景,能力的質(zhì)變直接打破了“AI僅適用于標(biāo)準(zhǔn)化場(chǎng)景”的固有認(rèn)知,推動(dòng)應(yīng)用邊界向戰(zhàn)略規(guī)劃、創(chuàng)新設(shè)計(jì)等高階領(lǐng)域延伸。

(二)評(píng)估現(xiàn)狀,了解AI的落地成熟度

在明確了DeepSeek的戰(zhàn)略目標(biāo)之后,我們需要了解用戶自身所處的階段,發(fā)現(xiàn)薄弱環(huán)節(jié),并為下一步的建設(shè)方向提供指導(dǎo)。我們主要從4個(gè)方面來(lái)評(píng)估現(xiàn)狀。

1、戰(zhàn)略與場(chǎng)景

要確保用戶內(nèi)部已達(dá)成目標(biāo)的對(duì)齊,同時(shí)需要優(yōu)先選擇符合戰(zhàn)略目標(biāo),并且具備可行性的場(chǎng)景進(jìn)行實(shí)施。

2、數(shù)據(jù)就緒度

AI項(xiàng)目的成功,一定是數(shù)據(jù)驅(qū)動(dòng)的。無(wú)論是傳統(tǒng)AI還是生成式AI,高質(zhì)量的數(shù)據(jù)是AI模型項(xiàng)目的基礎(chǔ)。但對(duì)于生成式AI來(lái)說(shuō),更重要的一點(diǎn)是數(shù)據(jù)的規(guī)模和多樣性。比如DeepSeek R1模型能力強(qiáng),一方面原因是算法創(chuàng)新,如MLA、強(qiáng)化學(xué)習(xí)等,更重要是數(shù)據(jù)質(zhì)量高、場(chǎng)景覆蓋廣。另外,想要長(zhǎng)久保持AI模型的高質(zhì)量服務(wù),還需要不斷采集數(shù)據(jù)、反饋數(shù)據(jù),對(duì)模型進(jìn)行迭代更新。

3、AI項(xiàng)目的落地實(shí)施,離不開(kāi)團(tuán)隊(duì)

需要具備理解業(yè)務(wù)并轉(zhuǎn)化為項(xiàng)目的核心架構(gòu),以及一些工程化的角色,如數(shù)據(jù)標(biāo)注、清洗、模型訓(xùn)練和調(diào)參、工程優(yōu)化等角色。DeepSeek的優(yōu)異性能,讓越來(lái)越多中小企業(yè)可以直接應(yīng)用,進(jìn)一步降低了工程化團(tuán)隊(duì)的要求,也會(huì)使得AI項(xiàng)目落地更加容易。

4、資源就緒度

指的是AI算力,包括計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)等,以及為了實(shí)施項(xiàng)目所需要的一些基礎(chǔ)框架、開(kāi)發(fā)工具等,目的是提供對(duì)AI全生命周期的支撐。隨著DeepSeek的規(guī)模化應(yīng)用,AI行業(yè)重心從訓(xùn)練轉(zhuǎn)向推理,未來(lái)推理算力的消耗和供給將會(huì)極大增加,推理算力占比將從30%提升到70%,用戶在算力選擇方面也會(huì)更加便利。

(三)選擇DeepSeek應(yīng)用場(chǎng)景

如何選擇AI應(yīng)用場(chǎng)景,歸根結(jié)底都是圍繞降本增效、提升體驗(yàn)和模式創(chuàng)新三個(gè)方面來(lái)展開(kāi)的,這些也是各行業(yè)智能化轉(zhuǎn)型的終極目標(biāo)。

首先關(guān)注戰(zhàn)略匹配度,看是否符合這三個(gè)方面的目標(biāo),其次是技術(shù)支撐,重點(diǎn)考慮是否是生成式AI的應(yīng)用場(chǎng)景,以及通過(guò)哪些技術(shù)路徑來(lái)支持場(chǎng)景落地。

另外就是數(shù)據(jù)和AI基礎(chǔ)設(shè)施:數(shù)據(jù)層面,需要具備精標(biāo)注數(shù)據(jù)、反饋數(shù)據(jù),以及垂類(lèi)語(yǔ)料(無(wú)標(biāo)注數(shù)據(jù))條件;算力方面提供AI計(jì)算支撐;基礎(chǔ)大模型方面,這是應(yīng)用AI的最基礎(chǔ)條件,用戶需要考慮大模型的開(kāi)源/閉源路線。目前開(kāi)源路線已得到極大發(fā)展,尤其是DeepSeek生態(tài)已快速形成并在規(guī)?；瘮U(kuò)張,芯片廠商、云廠商、軟件廠商都在主動(dòng)接入或適配,未來(lái)將會(huì)持續(xù)擴(kuò)張。擁抱DeepSeek是一種更高性價(jià)比的選擇。

(四)初步評(píng)估可行性

選定場(chǎng)景后,我們需要對(duì)某個(gè)特定場(chǎng)景進(jìn)行初步可行性判斷,這個(gè)判斷需要業(yè)務(wù)、技術(shù)和工程角色共同參與評(píng)估。

業(yè)務(wù)如何判斷呢?DeepSeek的優(yōu)異性能和獲得的便利性,讓我們可以隨時(shí)進(jìn)行場(chǎng)景驗(yàn)證。例如,業(yè)務(wù)方是合同審核部門(mén),場(chǎng)景是審核合同里的關(guān)鍵內(nèi)容是否缺失,那么可以基于DeepSeek進(jìn)行初步驗(yàn)證,輸入一段合同文本,輸出就是幾個(gè)關(guān)鍵字段和它的值,而目標(biāo)就是提取這些信息,并且內(nèi)容沒(méi)有丟失。這是沒(méi)有任何技術(shù)和工程參與優(yōu)化的結(jié)果。這個(gè)工作業(yè)務(wù)團(tuán)隊(duì)是完全可以勝任的,如果讓技術(shù)部門(mén)來(lái)判斷,可能會(huì)存在業(yè)務(wù)知識(shí)缺少的情況,無(wú)法準(zhǔn)確判斷業(yè)務(wù)場(chǎng)景的可行性。

技術(shù)部門(mén)則重點(diǎn)關(guān)注基礎(chǔ)模型本身的能力,也就是大模型在預(yù)訓(xùn)練階段基本定型的,主要包括它在預(yù)訓(xùn)練階段用的知識(shí)、采用了哪些語(yǔ)言、有沒(méi)有用一些帶有邏輯推理的語(yǔ)料。在這些方面,DeepSeek模型也表現(xiàn)出極為出色的能力,尤其是671B滿血版,經(jīng)歷了SFT冷啟動(dòng)、COT數(shù)據(jù)、GRPO強(qiáng)化學(xué)習(xí)算法及全場(chǎng)景強(qiáng)化學(xué)習(xí)等多個(gè)創(chuàng)新點(diǎn),模型已具備高效及強(qiáng)大的思考能力。

最后是工程角度,在DeepSeek出現(xiàn)之前,使用大模型需要掌握一些Prompt(提示詞)優(yōu)化技巧,有時(shí)還需要結(jié)合few shot(示例),以及思維鏈等方式,來(lái)激發(fā)大模型本身的能力。而DeepSeek本身已經(jīng)表現(xiàn)出了以接近人類(lèi)專家的水平的思考過(guò)程,這就極大降低了Prompt設(shè)計(jì)工作的復(fù)雜程度。

各行業(yè)用戶內(nèi)部,知識(shí)問(wèn)答的需求將會(huì)爆發(fā)式增長(zhǎng),因?yàn)榻尤隓eepSeek來(lái)實(shí)現(xiàn)企業(yè)RAG(檢索增強(qiáng))生成這種方式,整體的工程化落地難度也大大降低,越來(lái)越多用戶會(huì)開(kāi)始建設(shè)知識(shí)問(wèn)答應(yīng)用,以服務(wù)內(nèi)部或外部客戶。

同樣的,DeepSeek本身對(duì)語(yǔ)言理解能力以及對(duì)指令的遵循能力變得更好,所以進(jìn)行大模型SFT(Supervised Fine-Tun-ing)微調(diào)甚至進(jìn)行二次預(yù)訓(xùn)練,這種場(chǎng)景將會(huì)大幅減少,對(duì)其工程化團(tuán)隊(duì)的要求將大幅降低。

(五)準(zhǔn)備DeepSeek落地所需資源

在確定初步可行之后,即可開(kāi)始準(zhǔn)備大模型落地所需資源。主要從4個(gè)方面準(zhǔn)備:與建設(shè)場(chǎng)景相匹配的數(shù)據(jù)、算力、開(kāi)發(fā)工具和團(tuán)隊(duì)。

1、準(zhǔn)備數(shù)據(jù)

根據(jù)選擇場(chǎng)景的不同,需要準(zhǔn)備的數(shù)據(jù)也會(huì)有很大不同:

RAG場(chǎng)景:文檔預(yù)處理(如文檔格式轉(zhuǎn)換等)、文檔解析(PDF識(shí)別,版式識(shí)別)、OCR(圖像轉(zhuǎn)文字)、文檔切分(切分為小的片段)、數(shù)據(jù)增強(qiáng)(提取QA、生成摘要)。

大模型微調(diào)場(chǎng)景:對(duì)于少數(shù)具備較強(qiáng)AI技術(shù)能力的團(tuán)隊(duì),在微調(diào)場(chǎng)景需要準(zhǔn)備:精標(biāo)注QA數(shù)據(jù)(問(wèn)答對(duì)形式)、準(zhǔn)備指令數(shù)據(jù)(如人設(shè)遵循、輸出格式要求等)。需要確保數(shù)據(jù)準(zhǔn)確性(例如做過(guò)濾低質(zhì)量,去掉重復(fù)數(shù)據(jù)等)、數(shù)據(jù)多樣性(要能夠覆蓋各種真實(shí)應(yīng)用場(chǎng)景)、數(shù)據(jù)一致性(數(shù)據(jù)不沖突)、數(shù)據(jù)增強(qiáng)(生成QA、摘要)等。

二次預(yù)訓(xùn)練場(chǎng)景:這種需求只有在某個(gè)垂類(lèi)領(lǐng)域的頭部企業(yè)才會(huì)選擇,包括:專業(yè)領(lǐng)域的語(yǔ)料(如金融、醫(yī)療等專業(yè)術(shù)語(yǔ),這些領(lǐng)域使用語(yǔ)境等)。需要確保數(shù)據(jù)多樣性(如覆蓋場(chǎng)景種類(lèi)足夠多)、數(shù)據(jù)規(guī)模足夠大(一般要達(dá)到數(shù)十億級(jí)token以上)、一定的配比數(shù)據(jù)(增加通用領(lǐng)域數(shù)據(jù)做二次預(yù)訓(xùn)練,如1:1配置)、數(shù)據(jù)處理能力(去除重復(fù)數(shù)據(jù)、低質(zhì)量數(shù)據(jù)、隱私數(shù)據(jù)、不合規(guī)數(shù)據(jù)等)。

2、準(zhǔn)備算力

在大模型建設(shè)中,算力的多少?zèng)Q定了訓(xùn)練速度、效率和模型表現(xiàn),是推動(dòng)模型快速落地的關(guān)鍵資源。那么要準(zhǔn)備多大的算力才能滿足實(shí)際應(yīng)用需求?這里有一些經(jīng)驗(yàn),可以用于快速進(jìn)行算力數(shù)量估算(此處僅考慮GPU算力)。

對(duì)于訓(xùn)練場(chǎng)景,全參微調(diào)所需的總顯存一般為模型參數(shù)量(以B-十億為單位)的20倍,例如70億(7B)參數(shù)大模型,至少需要140G顯存,按照單卡80G顯存,則對(duì)應(yīng)的GPU卡至少需要2張。而130億(13B)參數(shù)大模型,至少需要260G顯存,按照單卡80G顯存,則對(duì)應(yīng)的GPU卡至少需要4張。

3、準(zhǔn)備工具

基礎(chǔ)大模型的選擇,往往決定了應(yīng)用效果的基線。對(duì)于大多數(shù)用戶來(lái)說(shuō),首選是DeepSeek R1系列蒸餾模型,在同等參數(shù)量下,相比其它開(kāi)源大模型,它能夠取得更好的效果。而在6個(gè)蒸餾模型中,32B參數(shù)量大模型能夠在效果和落地成本方面取得較好的平衡,可以作為應(yīng)用首選。

如果是為了解決特定場(chǎng)景下的應(yīng)用目標(biāo)問(wèn)題,則需要AI應(yīng)用開(kāi)發(fā)工具,例如開(kāi)發(fā)一個(gè)RAG應(yīng)用、Agent智能體應(yīng)用等,需要評(píng)估應(yīng)用開(kāi)發(fā)工具對(duì)場(chǎng)景效果的支撐。

在模型微調(diào)和部署工具選擇上,基于長(zhǎng)遠(yuǎn)考慮,首先關(guān)注對(duì)資源的利用率和整體性價(jià)比,其次需要考慮工具的完整性、兼容性、易用性、可靠性、以及安全性 。例如,在性價(jià)比方面,在相同的基礎(chǔ)大模型條件下,平臺(tái)對(duì)于算力資源消耗和模型服務(wù)性能如何;使用時(shí)學(xué)習(xí)門(mén)檻是否足夠低,操作是否足夠簡(jiǎn)便,過(guò)程是否自動(dòng)化等。

4、搭建團(tuán)隊(duì)

大模型項(xiàng)目更依賴于數(shù)據(jù)驅(qū)動(dòng)的效果調(diào)優(yōu)、模型微調(diào)和二次預(yù)訓(xùn)練等技術(shù),而傳統(tǒng)系統(tǒng)更關(guān)注業(yè)務(wù)流程的實(shí)現(xiàn)與系統(tǒng)的長(zhǎng)期穩(wěn)定性。用戶在推動(dòng)大模型項(xiàng)目落地時(shí),應(yīng)根據(jù)首先落地的場(chǎng)景,來(lái)做差異化的團(tuán)隊(duì)配置。

例如,初期只選擇內(nèi)部流程自動(dòng)化場(chǎng)景,只需要做Prompt優(yōu)化和系統(tǒng)對(duì)接就可以,所以在AI團(tuán)隊(duì)上重點(diǎn)配置提示詞優(yōu)化工程師、工程開(kāi)發(fā)工程師;而在RAG應(yīng)用場(chǎng)景,就需要文檔數(shù)據(jù)預(yù)處理、檢索優(yōu)化等工程師。

(六)分階段實(shí)施

階段一:場(chǎng)景為王&運(yùn)營(yíng)提效

場(chǎng)景為王,指的是選擇最簡(jiǎn)單、最容易做出效果的場(chǎng)景去建設(shè)。當(dāng)前,基于DeepSeek模型的RAG應(yīng)用正成為各行業(yè)智能化轉(zhuǎn)型的關(guān)鍵突破口。DeepSeek推動(dòng)大模型技術(shù)逐步走向產(chǎn)業(yè)化規(guī)模化落地,用戶亟需找到投入產(chǎn)出比高、見(jiàn)效快的AI應(yīng)用場(chǎng)景。RAG技術(shù)憑借其“知識(shí)檢索+智能生成”的雙重能力,正成為用戶構(gòu)建智能系統(tǒng)的首選方案。

對(duì)于希望快速實(shí)現(xiàn)AI價(jià)值的用戶,建議優(yōu)先選擇知識(shí)密集度高、流程標(biāo)準(zhǔn)化強(qiáng)的場(chǎng)景切入,例如技術(shù)文檔問(wèn)答或產(chǎn)品知識(shí)庫(kù)建設(shè)。通過(guò)小步快跑的方式,用戶可在3個(gè)月內(nèi)看到明顯的效率提升,為后續(xù)更復(fù)雜的AI應(yīng)用奠定基礎(chǔ)。在實(shí)施過(guò)程中,要特別注意建立知識(shí)更新閉環(huán),持續(xù)優(yōu)化檢索策略和生成質(zhì)量,最終形成具有特色的智能知識(shí)中樞。

相較于其它通用大模型,DeepSeek模型在構(gòu)建企業(yè)RAG(檢索增強(qiáng)生成)應(yīng)用中的優(yōu)勢(shì)不僅體現(xiàn)在成本降低和技術(shù)性能提升,更能通過(guò)開(kāi)源生態(tài)為用戶提供從基礎(chǔ)應(yīng)用到深度智能的全鏈路支持。

例如推理成本降低,DeepSeek在復(fù)雜推理任務(wù)(如金融研報(bào)生成)中實(shí)現(xiàn)了70%的成本降低。其蒸餾模型(如DeepSeek-R1)在更小規(guī)模下仍能保持高性能,減少了對(duì)高端計(jì)算資源的依賴;

長(zhǎng)思維鏈與自我驗(yàn)證,通過(guò)強(qiáng)化學(xué)習(xí)和模型蒸餾技術(shù),DeepSeek能在小參數(shù)模型中實(shí)現(xiàn)長(zhǎng)推理鏈與自我驗(yàn)證,滿足用戶對(duì)復(fù)雜場(chǎng)景的高準(zhǔn)確率要求;

開(kāi)源商用授權(quán),DeepSeek模型提供開(kāi)源商用授權(quán)政策,用戶可免費(fèi)用于微調(diào)、量化及衍生開(kāi)發(fā),降低技術(shù)門(mén)檻和法律風(fēng)險(xiǎn)。

以知識(shí)庫(kù)檢索問(wèn)答(RAG)方案為例,用戶正將AI應(yīng)用從單點(diǎn)工具升級(jí)為全域知識(shí)中樞。某處于裝備制造產(chǎn)業(yè)鏈下游的傳統(tǒng)型企業(yè),需要對(duì)接上千家上游元器件供應(yīng)商。企業(yè)有數(shù)百名產(chǎn)品設(shè)計(jì)人員,主要工作是結(jié)合工藝參數(shù)的需求,進(jìn)行物料選型,再給后續(xù)環(huán)節(jié)使用。

物料總計(jì)有3000余個(gè),對(duì)應(yīng)1萬(wàn)多份物料技術(shù)規(guī)范書(shū)文檔。員工通過(guò)手動(dòng)整理參數(shù)表格并結(jié)合人工核對(duì)來(lái)完成物料篩選,完成一個(gè)場(chǎng)景的物料選型往往需要數(shù)天時(shí)間,嚴(yán)重影響生產(chǎn)效率。當(dāng)Deepseek出現(xiàn)后,用戶可以通過(guò)對(duì)話的方式,讓大模型準(zhǔn)確回答其所需要的物料,使得整個(gè)過(guò)程縮短到分鐘級(jí),準(zhǔn)確率達(dá)到90%以上。用戶借助該能力中樞,正嘗試對(duì)多個(gè)內(nèi)部業(yè)務(wù)系統(tǒng)進(jìn)行智能提效,如應(yīng)用于研發(fā)、生產(chǎn)、供應(yīng)鏈、銷(xiāo)售、售后服務(wù)系統(tǒng)等,大幅提升效率和競(jìng)爭(zhēng)力。

另外需要注意的是,在企業(yè)級(jí)RAG應(yīng)用上線后,需同步進(jìn)行運(yùn)營(yíng)提效工作,持續(xù)收集場(chǎng)景反饋數(shù)據(jù),對(duì)落地場(chǎng)景效果持續(xù)優(yōu)化,才能在初始落地階段產(chǎn)生明顯價(jià)值。

階段二:場(chǎng)景擴(kuò)展

基于第一階段的成功,用戶要深入到核心業(yè)務(wù)場(chǎng)景去解決復(fù)雜的場(chǎng)景問(wèn)題,發(fā)揮AI的價(jià)值,從輔助性角色變成核心角色。例如銷(xiāo)售機(jī)器人、個(gè)性化服務(wù)機(jī)器人、運(yùn)維機(jī)器人等。這個(gè)階段的特點(diǎn)是復(fù)雜度更高,往往不是單靠大模型能完成的,需要借助小模型、智能體等來(lái)協(xié)作完成。

階段三:持續(xù)優(yōu)化

不管是什么樣的AI模型,部署后,其固有知識(shí)相對(duì)不會(huì)變化,但業(yè)務(wù)場(chǎng)景不是一成不變的,如果不持續(xù)優(yōu)化模型,它的效果會(huì)持續(xù)衰減。另外,隨著落地的場(chǎng)景越來(lái)越多,并發(fā)量越來(lái)越大,它所消耗的資源也成倍增加,如果不對(duì)它的底層資源進(jìn)行優(yōu)化,后續(xù)將有非常大的成本支出。

綜上,我們可以通過(guò)不斷采集、反饋、優(yōu)化,形成數(shù)據(jù)閉環(huán),來(lái)持續(xù)對(duì)場(chǎng)景做提效。構(gòu)建數(shù)據(jù)反饋閉環(huán)是確保企業(yè)大模型適應(yīng)業(yè)務(wù)變化的基礎(chǔ),優(yōu)化后的模型重新部署到業(yè)務(wù)場(chǎng)景中,繼續(xù)收集新的數(shù)據(jù),形成持續(xù)反饋的閉環(huán)。這不僅讓模型適應(yīng)業(yè)務(wù)的變化,還能不斷提高其在核心場(chǎng)景中的應(yīng)用效果。

階段四:賦能核心業(yè)務(wù)

這是AI落地的終極目標(biāo),AI大量融入到關(guān)鍵業(yè)務(wù)鏈條中,深入核心業(yè)務(wù),比如制造業(yè)的研產(chǎn)供銷(xiāo)服等環(huán)節(jié)。未來(lái),用戶的AI建設(shè)不斷深入,將會(huì)覆蓋到全部鏈條,例如——

在研發(fā)板塊,可以充分利用大模型的理解以及調(diào)用外部工具、生成代碼的能力,輔助進(jìn)行產(chǎn)品工藝設(shè)計(jì)和參數(shù)選擇;

在生產(chǎn)板塊,可以通過(guò)語(yǔ)音自然語(yǔ)言交互,對(duì)機(jī)器人進(jìn)行操作;

在銷(xiāo)售板塊,大模型結(jié)合數(shù)字人,能夠?yàn)橛脩籼峁└玫捏w驗(yàn)和服務(wù)響應(yīng);

在設(shè)備運(yùn)維方面,能夠及時(shí)給出設(shè)備故障的維修方案;

在運(yùn)營(yíng)方面,通過(guò)大模型提供個(gè)性化的數(shù)據(jù)分析和運(yùn)營(yíng)報(bào)告。

……

(七)評(píng)估

對(duì)大模型項(xiàng)目建設(shè)評(píng)估不僅是對(duì)一次項(xiàng)目執(zhí)行結(jié)果的評(píng)估,更是對(duì)階段性工作的評(píng)估,包括但不僅限于項(xiàng)目業(yè)務(wù)價(jià)值、用戶體驗(yàn)、成本效益、模型性能與合規(guī)性、安全性等多個(gè)維度的綜合評(píng)估。通過(guò)建立持續(xù)的監(jiān)控與反饋機(jī)制,優(yōu)化運(yùn)營(yíng)成本,分析模型的擴(kuò)展?jié)摿?并結(jié)合未來(lái)發(fā)展戰(zhàn)略,用戶可進(jìn)一步確保大模型項(xiàng)目的成功和長(zhǎng)期價(jià)值。

(八)持續(xù)運(yùn)營(yíng)

只有堅(jiān)持長(zhǎng)期在數(shù)據(jù)和場(chǎng)景方面的運(yùn)營(yíng)深耕,才有助于構(gòu)建持續(xù)競(jìng)爭(zhēng)優(yōu)勢(shì),這個(gè)過(guò)程可重點(diǎn)關(guān)注數(shù)據(jù)飛輪持續(xù)化和場(chǎng)景運(yùn)營(yíng)精細(xì)化。

1、數(shù)據(jù)飛輪持續(xù)化:

整合多源數(shù)據(jù)(銷(xiāo)售、客服、供應(yīng)鏈……),統(tǒng)一數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn),設(shè)置專門(mén)的數(shù)據(jù)治理團(tuán)隊(duì);

設(shè)置模型效果評(píng)估標(biāo)準(zhǔn)(基于標(biāo)準(zhǔn)測(cè)試集和基于業(yè)務(wù)反饋結(jié)果);

收集線上/線下反饋數(shù)據(jù);

關(guān)鍵指標(biāo)監(jiān)控(性能指標(biāo)、業(yè)務(wù)指標(biāo),如轉(zhuǎn)化率、復(fù)購(gòu)率);

明確實(shí)施微調(diào)優(yōu)化的準(zhǔn)入標(biāo)準(zhǔn);

通過(guò)持續(xù)的數(shù)據(jù)積累、數(shù)據(jù)反饋閉環(huán),推動(dòng)模型的不斷優(yōu)化和迭代。

2、場(chǎng)景運(yùn)營(yíng)精細(xì)化:

一把手牽頭,發(fā)動(dòng)各個(gè)業(yè)務(wù)部門(mén)梳理業(yè)務(wù)場(chǎng)景,細(xì)化到最小粒度場(chǎng)景;

對(duì)全量場(chǎng)景做價(jià)值度評(píng)估,排優(yōu)先級(jí);

建立業(yè)務(wù)部門(mén)和AI團(tuán)隊(duì)的場(chǎng)景對(duì)接機(jī)制,明確場(chǎng)景提出-評(píng)估-立項(xiàng)/關(guān)閉-建設(shè)-評(píng)估-運(yùn)營(yíng)的整個(gè)閉環(huán);

建立效果評(píng)估機(jī)制,對(duì)用戶反饋?zhàn)鲩]環(huán)跟蹤;

挖掘新場(chǎng)景,鼓勵(lì)內(nèi)部做業(yè)務(wù)場(chǎng)景與AI結(jié)合的創(chuàng)新。

在這場(chǎng)由DeepSeek引發(fā)的智能化浪潮中,各行業(yè)用戶的數(shù)字化轉(zhuǎn)型路徑都在發(fā)生變化,深信服將在這場(chǎng)變革中,助力用戶更順利地實(shí)現(xiàn)AI+云化升級(jí)。

xiesc