領域認知智慧型（Domain Cognitive Intelligence），是指利用人工智慧的手段，基於業務模型，從各類數據中提取領域知識，並利用領域知識和大模型進行知識問答、內容生成和推理分析，解決領域內問題的技術體系。
基本介紹
- 中文名：領域認知智慧型
- 外文名：Domain Cognitive Intelligence
簡介,定義,意義,套用範圍,實現步驟,
簡介
隨著社會信息的快速增長與各類系統的日益複雜，作為生物智慧型的人類個體難以認知複雜世界與應對複雜挑戰。所以，讓機器具備人類的高階認知能力，是人們對人工智慧發展的期待，這也是認知智慧型發展的目標。認知智慧型可以歸結為數據智慧型，數據智慧型使得機器能夠認知行業數據，大幅提升了數據價值變現的效率。
認知智慧型是指機器具有主動思考和理解的能力，不用人類事先編程就可以實現自我學習，有目的推理並與人類自然互動。現階段的人工智慧技術，距離讓機器和人一樣具有自我意識（即強人工智慧）還有相當長的距離。而領域認知智慧型，則暫時拋開機器自我意識不談，基於認識論的基礎，從業務域出發，讓機器獲取特定知識，輔助人們解決特定的問題，則有其現實可行性和價值。
定義
一直以來，實現認知智慧型有著兩種路徑：第一種是將數據轉換成符號知識，比如知識圖譜、規則等，但是這種方式往往伴隨著巨大的信息損失。第二種是用統計模型將數據建模，大模型本質上也是一種統計模型，這種方式的優點是可以保留數據中所有信息，包括信息中蘊含的隱性知識，使得“數”盡其用。
這兩種路徑對於實現智慧型都是不可或缺的，兩者需要協同。根據雙系統認知理論（DPT），人的思維包含兩種不同的歷程。系統一是隱性的、無意識的，即直覺，系統二則是顯性的、有意識的，也就是理性思考。直覺與理性思考對於人類認知世界，思考問題都是必要的組成部分。
目前，大模型基本能夠實現系統一，本質上是數據驅動的直覺性思維。而傳統的知識圖譜，本質上實現了知識驅動，即系統二理性思考。將大模型和知識圖譜相結合，兩者形成循環，把統計得出的結論沉澱為知識增強知識圖譜，並利用已沉澱的知識提升大模型的學習效率，能夠促進雙方進一步發展，形成領域認知智慧型。
領域認知智慧型與大模型
實現領域認知智慧型離不開大模型，因為通用認知是實現領域認知的前提。大模型的出現宣告了通用人工智慧（AGI）時代的帶來，意味著機器的通識能力顯著提升，而只有掌握廣泛而多樣的通識，才能有理解領域內的專業知識的能力，所以領域認知智慧型是建立在實現通用人工智慧基礎之上的。
語言模型編碼了數據中蘊含的大量通用知識，能夠與知識圖譜中的知識形成互補，同時也模擬了人腦的思維能力，包括語言理解、邏輯推理、常識理解能力等。除此之外，大模型具備了複雜任務拆解與規劃、組合創新、評估評價等重要的能力，這使大模型成為了智慧型的新基座，能夠顯著賦能不同領域、不同形式的下游任務。
領域認知智慧型與知識圖譜
但是單靠大模型無法實現領域認知智慧型落地。第一，大模型在垂直領域的專業知識仍然匱乏。第二，生成式大模型迴避不了幻覺問題，容易胡編亂造一些虛假事實，其自身無法從根本上解決這一問題。第三，大模型對領域缺乏“忠誠度”，並不會按照領域裡的規範解決問題。第四，大模型不可控、難編輯，對於敏感、不安全的內容難以控制其生成和展示。
對於以上問題，利用領域知識網路對大模型進行干預能夠有效最佳化。大模型相關的絕大多數常規任務能夠被分解為“提示（prompt）、生成（Generation）、評估（Evaluation）”三個階段，其中，知識網路能夠指引prompt生成、評估生成結果，並能夠通過使用知識網路增強生成效果。同時，知識網路中存儲了大量高質量數據、知識，能有效提升模型的信息豐富度與知識水平，從而緩解幻覺現象。最後，知識網路可以降低語言模型的學習成本，提升其推理能力以及可解釋性。
意義
領域認知智慧型的核心是幫助組織實現數據知識化，從而實現業務智慧型化，這是實現數據驅動型組織的重要組成部分。實現領域認知智慧型，組織有兩方面的好處：
第一，將組織中散落在各個業務系統、各種類型的數據中蘊藏的知識提取出來，這些知識往往是企業經營中的核心數據資產，讓企業能夠更好地理解自己的數據以及知識。
第二，將人類的各類認知，比如領域知識、概念層級、價值觀念注入到大模型，確保垂直領域大模型的可解釋性，並使其成為可信賴的工具。
第三，有了這些知識，可以低成本地開發智慧型套用，幫助企業提升各個環節的用戶體驗和運營效率。
比如幫助智慧型運維系統發現 IT 系統的異常並推薦解決方案；為知識管理系統提供各個領域的知識，增強員工學習效率；通過構建各行各業的產業鏈知識，服務於城市、園區的智慧招商等等。
套用範圍
各行業的知識管理
知識主題發現：歸集各來源知識文檔，根據領域知識網路從中快速發現領域的知識主題；
文檔自動關聯：從文檔中自動抽取領域標籤，並將主題與領域標籤相關聯，實現文檔自動分類與關聯；
知識精準推薦：理解用戶搜尋意圖，精準推薦相關聯知識。
智慧型運維領域
智慧型推薦：基於運維人員崗位和行為習慣，形成針對性的關聯知識推薦，幫助DevOps團隊成長；
智慧型搜尋：基於運維場景快速、準確的找到想要的知識，提高運維效率和服務質量；
智慧型問答：更高效、精準的幫助DevOps團隊解決問題。
工業製造領域
構建設備、產品、物料、工藝等多維度知識網路，實現人機料法環的360°分析；
在大量離散製造場景中，用機器輔助流程操作知識點、關聯注意要點等，降低工人現場經驗不足或者經驗過頭的風險；
基於意圖理解和知識網路關聯，實現輔助設計、生產和運營決策的智慧型搜尋和問答。
智慧城市領域
通過領域認知智慧型實現“三融五跨”，三融包括業務、數據和技術的融合，五跨覆蓋跨地域、跨層級、跨部門、跨系統、跨業務，助力智慧城市轉型升級。
數據作為城市的新能源，以數據知識化促進數據要素化，促進城市公共數據開放利用，實現公共利益最大化。
數據治理與數據資產管理運營
面向數據倉庫/數據湖，採用Data Fabric架構，通過知識圖譜連線數據與數據，數據與業務，業務與業務的關係，通過大模型實現數據表、欄位、標準的語義理解，簡化數據編目和數據質量貫標，也可以結合大模型實現找數據、分析數據的自動化，甚至生成精加工分析的SQL語句。在此基礎上，可以圍繞業務目標建立數位化運營框架，逐業務域實現數據運營監控、分析，提升業務效率和質量，管理異常和風險，賦能全業務域數位化運營。
實現步驟
數據驅動的領域大模型與知識驅動的領域知識網路的深度融合是實現領域認知的關鍵。
第一步：建立業務認知模型。
業務認知模型，即領域內的業務模型，需要領域專家和技術人員共同協作，根據業務對象、關係、規則定義相關的領域模型，所以領域認知即業務域認知，領域認知智慧型也是業務域認知智慧型。
第二步：構建領域大模型和領域知識網路
領域大模型編碼了大量的通用知識，可以理解常識和拆解任務，讓機器在“形式上”具備了人類思維的核心能力。領域落地往往需要多層次的模型，才能真正解決好行業問題。通用預訓練生成大模型、行業領域預訓練模型、任務小模型以及領域知識網路將構成一個模型共同體，協作解決行業複雜問題。
領域知識網路是一種大規模的知識組織形式，包含多種知識表示方式。包含知識圖譜，用於保存和展示領域內或者企業經營中的實體以及他們之間的關係；領域規則庫，可以通過自動化或者手工方式生成，用於保存輔助決策、進行推理或者知識抽取的各類業務規則；領域詞庫，同樣可以通過自動的方式來生成領域專業名詞和詞組的集合，可以增強實現意圖理解、實時識別等能力。
第三步：開發認知助手來實現認知智慧型套用。
利用認知搜尋、智慧型問答、圖分析等認知能力，開發認知助手，讓套用具備“能理解、會思考”的能力，極大地將人類從重複體力勞動和簡單腦力勞動中解放出來。
