行业新闻

大家好！我是来自飞科电器的曹广红。AI 从 2023 年开始火爆，尤其是 DeepSeek 兴起后，虽然没有直接让我们企业爆火，却激发了众多民营企业老板对 AI 的关注。我们老板也提出了相关需求。其实，身处这个行业的我们，对 AI 已经研究了很长时间。今天，我很荣幸向大家汇报飞科电器目前在大模型领域的落地实践成果。而之所以能够落地，得益于 DeepSeek 的开源特性、可独立部署的优势，以及相对合理的成本，这些都为我们创造了机会。

我们作为制造业企业，核心业务是销售产品，像小家电、剃须刀等。在企业运营中，大家普遍更重视营销和销售端的业务应用，所以关于制造业生产环节的 AI 应用，我今天就不详细展开了，稍后简单分享一下。

一、大模型应用基础与挑战

知识库的应用大家应该都很熟悉了，它部署简单，答案输出也不复杂，相信大家的使用效果都差不多，所以具体实现过程我就不赘述了。我们主要是将知识库与基本业务系统进行了集成。这里重点说一下 ChatBI，现在很多公司都部署了成熟的 BI 系统，我们也有庞大的指标库和数据仓库。不过我们的情况相对简单，过去没有搭建复杂的数据仓库，前端展示用的也是常见的带图表的简易系统，即使是开发能力一般的人员，也能进行报表和图表开发。

对于我们这样的技术企业而言，在当前环境下应用 ChatBI，具有效率高、成本低、客户接受度高的优势，因此实施起来相对轻松。不过，我们也面临一些挑战：一方面，由于企业发展十几年甚至几十年，积累的数据量巨大，数据质量参差不齐，整理数据需要耗费大量时间；另一方面，在数据分析方面，以往主要依赖 IT 报表编制人员，且独立的经营分析部门较少，业务人员和老板的分析口径不同，分析角度和维度存在差异，导致分析能力存在短板，这对 IT 人员的要求极高；此外，多源数据、异构数据的关联性解读，尤其是归因分析难度很大，同时还面临报表缺乏标准化、数据冗余、可视化呈现复杂、数据治理困难，以及 IT 部门需求多、要求高但预算少的矛盾等问题。

二、独立部署决策与原因

至于为什么选择独立部署大模型，是因为前段时间有一家大公司使用开源大模型时出现了数据泄露问题，该公司 CTO 因此被撤职。出于数据安全考虑，我们老板和大多数民营企业老板一样，决定采用独立部署的方式。这里展示的数据是测试环境录屏中的模拟数据，并非真实数据。

三、大模型核心功能应用

在报表查询方面，传统的菜单式报表显然无法满足需求，语音交互（NLP）是大模型应用的重要基础。但目前所有大模型在语音交互时生成的 SQL 语句，往往存在结果不精确的问题。因此，企业内部需要专人对其进行优化和训练。我们设置了精准模式和自由模式，自由模式适用于知识库查询，精准模式则用于数据查询。同时，针对 NLP 进行前端训练和标注。

既然已经独立部署了大模型，我们还实现了智能报告生成和自然语言交互功能。通过中间的翻译或小模型，将自然语言转化为关键字，进而生成标准数据，以满足老板快速获取报告、业务人员高效使用的需求。不过，随之而来的是权限控制难题，我们在后台针对大模型基础数据维度设置了严格的权限控制。视频中展示的图表都是基于这些功能实现的，实际运行速度较快，并且视频是原生录制，未进行加速处理。

四、数据处理与自动化功能

在数据处理方面，我们建立了标准的数据仓库和清洗机制，实现了智能报告生成、PPT 生成与发送功能。目前，我们还在尝试为每天推送的图表或报告添加标注，解析工作流并标注原因，每月将这些内容反馈给大模型，形成数据闭环。

自动化报告工厂可以自动生成 PPT 并发送邮件；智能 PPT 汇报功能生成的页面类似 PPT，支持点击查看，方便在经营分析会上使用；风险预警体系能快速生成各业务板块的风险预警；监控中心展示公司经营销售、财务、供应链等关键数据；智能体可自动运行数据处理和报告生成任务；拖拉拽式驾驶舱实现了所见即所得。

五、移动端应用与智能客服

在移动端应用上，我们放弃了 APP，全面采用小程序。因为过去 APP 团队 7 人的运营成本太高，而小程序基于 H5 技术，便于集成，并且我们对数据的每个维度进行人工标注来实现权限控制。

智能客服的实现难度较大。对于大型设备、家电企业，基于大模型构建自动化客服机器人相对容易，但对于零售电商渠道（如天猫、抖音、京东等）则较难。老板曾提出将客服人数从 200 人缩减至 100 人的需求，为此，我们先对各渠道客服数据进行分析，包括接客数、问题转化率、接客时间、销售额、退货率等，找出可标准化的环节，将优质客服聊天记录、产品知识、促销信息导入模型进行训练。训练后的智能客服能够识别 80% 左右的客户情绪和上下文，根据客户生气原因，推荐三条标准化、高转化率的回复答案，客服人员只需简单修改即可发送。在售前阶段，智能客服也能自动、标准化地回答产品参数、应用环境等咨询问题。

六、内容管理创新应用

在内容管理方面，我们利用大模型实现了文生图、文生视频功能，以及视频分拣。为提高短视频制作效率，我们借助工具分析抖音热门视频的场景、结构、受众心理和故事线，指导视频拍摄，并进行混剪。以往需要大量内容和剪辑人员的工作，现在仅需三五名剪辑人员就能完成数倍工作量，且能精准捕捉当前用户喜欢的视频爆点。此外，在产品视频介绍中，通过 3D 技术自动生成小视频，相比传统拍摄方式，既节省成本又提升效果。

七、生产场景应用探索

在生产场景中，大模型也有两个应用方向：一是一物一码溯源，通过视频识别产品标签或码时，利用大模型补充识别错误信息，提高准确率；二是结合光伏项目进行碳规划，通过摄像头读取水表、电表数据，并利用 AI 辅助识别。同时，在质检环节，利用大模型进行产品销量、原材料的归因分析，有助于提升销售业绩、产品质量和研发效率。

以上就是我关于大模型在企业内部落地应用的分享，感谢大家的聆听！