中國石化積累了大量數(shù)據(jù)資源，但存在多模態(tài)異構(gòu)、標(biāo)注專業(yè)性強(qiáng)、數(shù)據(jù)分散等特點。本案例旨在進(jìn)一步整合內(nèi)外部數(shù)據(jù)資源，構(gòu)建一批多模態(tài)融合、行業(yè)代表性強(qiáng)的高質(zhì)量數(shù)據(jù)集，突破跨模態(tài)對齊、自動清洗標(biāo)注、動態(tài)質(zhì)量保障及安全合規(guī)共享等挑戰(zhàn)，為行業(yè)大模型訓(xùn)練提供高精度標(biāo)注、多場景覆蓋的高質(zhì)量數(shù)據(jù)支撐，切實提升模型訓(xùn)練適配性與復(fù)雜場景泛化效能。
方案和成效
一是構(gòu)建1套行業(yè)級高質(zhì)量數(shù)據(jù)集建設(shè)標(biāo)準(zhǔn)化方法體系。在實踐基礎(chǔ)上，提煉并形成了涵蓋數(shù)據(jù)標(biāo)準(zhǔn)定義、質(zhì)量評估指標(biāo)、清洗標(biāo)注流程規(guī)范、安全管控要求等全環(huán)節(jié)的石化行業(yè)方法論體系。
二是打造1組高質(zhì)量數(shù)據(jù)集全鏈路工具套件。創(chuàng)新融合大語言模型(LLM)、多模態(tài)大模型，以及各類經(jīng)訓(xùn)練微調(diào)的專業(yè)小模型與規(guī)則引擎，形成高質(zhì)量多模態(tài)數(shù)據(jù)集的大規(guī)模工程化生產(chǎn)流程，提升數(shù)據(jù)集建設(shè)效率，保障智能化建設(shè)過程中數(shù)據(jù)高質(zhì)、高效供給。
三是產(chǎn)生1批行業(yè)多模態(tài)高質(zhì)量數(shù)據(jù)集。包括行業(yè)相關(guān)業(yè)務(wù)領(lǐng)域文件共近13萬冊，工業(yè)生產(chǎn)、安全等違章圖片200余萬張，廠區(qū)生產(chǎn)裝置、作業(yè)現(xiàn)場等監(jiān)控視頻超500TB；生成高質(zhì)量問答對超162萬條。
四是支撐行業(yè)大模型訓(xùn)練和智能化應(yīng)用。行業(yè)大模型專業(yè)能力明顯提升?；谛袠I(yè)高質(zhì)量數(shù)據(jù)集，完成第一版長城行業(yè)大模型(70B、700B)訓(xùn)練和應(yīng)用，經(jīng)工信部信通院、泰爾實驗室評測，達(dá)到行業(yè)“引領(lǐng)級”；支撐分子理解、分子生成、不規(guī)范行為識別多模態(tài)、審計等專業(yè)大模型訓(xùn)練；大幅降低了從數(shù)據(jù)準(zhǔn)備到模型訓(xùn)練的門檻，支撐1600余個智能應(yīng)用在線開發(fā)。
創(chuàng)新點
一是自主研發(fā)智能化數(shù)據(jù)清洗標(biāo)注工具鏈，突破工業(yè)數(shù)據(jù)治理瓶頸。實現(xiàn)復(fù)雜表格識別準(zhǔn)確率85.71%，公式識別準(zhǔn)確率91.67%，化學(xué)結(jié)構(gòu)式識別準(zhǔn)確率67.7%，系統(tǒng)性地解決了石化行業(yè)數(shù)據(jù)多源異構(gòu)、專業(yè)性強(qiáng)、標(biāo)注成本高等痛點。
二是首創(chuàng)“工具-數(shù)據(jù)集-場景”閉環(huán)賦能模式。打破數(shù)據(jù)建設(shè)與應(yīng)用脫節(jié)的常規(guī)路徑，創(chuàng)新性地建立了“工具建設(shè)-數(shù)據(jù)集生產(chǎn)-AI場景驗證-反哺工具/數(shù)據(jù)集優(yōu)化”的閉環(huán)賦能模式。
三是打造開放協(xié)同的高質(zhì)量數(shù)據(jù)集共建共享生態(tài)。突破了傳統(tǒng)企業(yè)數(shù)據(jù)內(nèi)部封閉的局限，在保障數(shù)據(jù)主權(quán)與安全合規(guī)的前提下，創(chuàng)新性構(gòu)建了由企業(yè)、科研院所、技術(shù)服務(wù)商共同參與的數(shù)據(jù)生態(tài)體系。
QQ: 751594915網(wǎng)站客服
浙公網(wǎng)安備 33010602009452號
昵稱 驗證碼 請輸入正確驗證碼
所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)