新闻中心__极昆仑

Kunlun-X Kunlun-Core ABI 昆仑墟大语言模型智能知识库平台知识图谱平台缺陷智能检测平台

智能问数 HybridRAG 智能洞察智能预测供应链风险预测预测性维护故障诊断智能调度智能风控图探索智能推荐

工业制造方案能源行业方案工业建设方案政府行业方案金融行业方案

首页 / 新闻中心 /

新闻中心

极昆仑助力河北水利数字孪生知识平台建设

极昆仑公司与河北水利合作，共同开启了数字孪生知识平台建设的新篇章。在各级各部门自建的知识管理系统基础上，进一步建立全省统一的知识平台，实现对业务规则、专家经验、预报调度方案、历史场景等方面知识资源的有序汇聚和充分共享，提升河北水利行业的治水管水能力。

知识图谱与大模型融合，重新定义设备故障诊断

智能故障诊断平台结合知识图谱、深度学习和大模型技术，通过实时故障诊断、根因分析、智能问答和知识库更新四大模块，为企业提供高效、精准的故障数据能力。

大模型知识增强生成的难点与对策分析

大模型知识增强生成技术的核心在于高质量知识的获取、组织与应用，而这一过程离不开精细化数据治理和知识图谱融合。通过构建清晰的知识框架，优化数据治理流程，融合大模型与知识图谱等技术手段，可以有效提升知识增强生成的实际应用价值。

GraphRAG 能让大模型落地应用转起来吗？

相比于标准 RAG 使用向量相似度和向量数据库进行检索，GraphRAG 利用知识库进行更全面、系统的信息检索，不仅依赖矢量相似度，还通过动态构建的知识图增强了语义关联与上下文理解，从而提高了检索的完整性和准确性。

检索增强生成(RAG)为何Demo易，落地难？

RAG作为一种结合检索与生成的创新框架，虽然在理论上具有显著的优势，但在实际落地过程中却面临着检索质量、推理效率、知识全局性等多方面的挑战。要真正实现RAG的广泛应用，不仅需要进一步优化检索算法和生成机制，还需要在数据质量、知识库构建和更新等方面进行大量投入。

大模型检索知识增强策略三板斧——预训练、微调、推理

检索知识增强(Retrieval knowledge enhancement)利用从各种知识库中检索到的相关信息来增强语言模型，已被证明能有效提高模型在各种任务上的性能。检索增强按增强参与阶段可分为三种类型：预训练增强、微调增强、推理增强。

信息获取从检索到交互问答演变

IQA系统，跟踪交互状态的能力增强了系统的实用性，标志着机器如何理解和响应人类语言的重大演变：用户期待搜索系统具备更强的自然语言处理能力、知识融合能力、更高级的信息提取能力、强生成能力、即时处理能力、上下文理解能力。

AI引领创新：极昆仑与三峡集团共绘水利智慧应用新蓝图

极昆仑携手三峡集团，共同开启了一场水利智慧应用的新篇章。利用知识图谱、机器学习等先进技术，精心打造业务规则库、历史场景库、知识引擎及策略服务等多库服务能力，全面支撑正向智能推理与反向溯因分析，为水利管理的智能化升级提供了强有力的技术保障。

AI赋能：极昆仑携手国家电网重塑制度标准智能应用

极昆仑携手国家电网，依托前沿的知识图谱、自然语言处理及机器学习技术，共同打造制度标准知识图谱库，并创新性地开发出精准搜索、AI问答、智能推荐及差异比对等一系列智能应用。

<<
1
2
3
4
>>

页面 3/4