行业新闻

大家好，我是金赛药业的王梅亭。金赛药业自上而下总结为两句话：Data for AI 和 AI for Data，今天我将围绕这两部分展开分享。

大数据平台建设历程

在早期，我们开展了大数据平台建设。从总体的数据总线，到数据计算平台 OneFlow；从处理无价值与高价值数据关系以实现数据资产沉淀，到通过 OneAuth 处理数据与人的关系、OneBI 处理高价值数据与业务的关系。最终实现从数据接入到报表展示，报表开发可在一天内完成，大致就是这样的逻辑。

主数据治理难题与解决

尽管有了这样较高的效率，但我们在过程中仍遇到一些问题。其中最突出的是，在对接的 140 个系统中，主数据存在严重不一致的情况。例如，同一个机构主数据，在不同系统中的名称却不相同。这就需要花费大量时间进行治理。而最终的责任应落实到每个销售代表或使用主数据的人员身上，因为只有一线销售代表最清楚主数据的实际情况，比如有些医院是多中心的，名称、地址发生变更等。

数字化建设推进策略

完成主数据治理后，我们以顶层推动的逻辑推进数字化建设。在顶层，集团高层设有总看板，主要展示财经指标和项目情况。为达成特定财经指标，会有多个项目同步推进。但在指标拆解过程中，存在如何将财经指标拆解为业务指标，以及项目如何与指标、OKR、KPI 挂钩等问题。

我们致力于让每个人都拥有自己的数据看板。通过飞书，数据看板不仅可以随时在手机上查看，还能每日推送，告知指标达成情况，提醒跟进相关项目。这样自下而上的管理方式，能让各级管理者清晰了解管理逻辑和日常工作重点。

目标统一化管理与策略执行

这是目标的统一化管理。金赛药业发展迅速，新业务单元（BU）不断涌现，目标也随之频繁调整。例如，今天可能重点关注销售代表拜访情况，明天则聚焦准入工作，不同月份侧重点也因药品销售季节（我们主要做儿科药品）而有所不同。在实现人人都有数据看板后，一旦目标调整，全公司的目标也能同步更新。

在策略执行方面，我们建立了标准化流程，能够快速调整策略。如图所示，起初我们面临数据不可见的问题，后来看板数量大幅增加，一年新增了一千八百多张。面对如此多的看板，大家开始质疑：为什么要看这些看板，直接告知问题不就好了？由此引出指标巡检的需求，即查看看板中异常指标并上报。这与 AI for Data 密切相关，因为随着需求升级，人们不仅满足于查看看板，还希望能拆解任务。目前，我们通过与管理岗沟通，确定任务按人员、产品或区域进行派发。未来，我们期望借助 Agent 实现自动决策和任务拆解，这也是后续 AI Agent 应用的基础。

业财一体化与数据资产沉淀

数据采集及通路建设完成后，业财一体化成为重点。我们基于数据中台，贯通各类数据，实现成本和 ROI（投资回报率）的精细化核算，确保每个业务颗粒度的成本与收益达到平衡

最终，我们实现了集团整体的精细化管控。如图所示，此前我们在大数据领域做了诸多工作。进入 2.0 时代，从技术层面来看，我们将从主要处理结构化数据，转向处理大量非结构化数据，如员工本地存储的文档，这些文档构成了个人知识库，包含工作多年沉淀的法律法规、销售经验等信息。如今，借助 AI 技术，如知识图谱，我们能够更好地管理这些知识。尽管过去知识图谱存在线条和路径不清晰的问题，但对于 AI 而言，它仍是非常实用的工具。因此，我们在进行很多工作时，不仅要考虑人的使用需求，更要着眼于未来 AI 的应用。通过知识沉淀，最终形成数据资产，这将成为企业未来最有价值的财富，目前已经出现数据交易的现象，这也充分说明了数据资产建设的重要性。

AI 基础设施建设

从 AI 基础设施建设来看，主要包括四个方面：工程化能力、模型能力、数据能力、应用能力。数据能力正如前文所述；工程化能力是企业和供应商都能够开展的工作；模型能力主要体现在模型微调，预训练成本极高，通常只有大型企业有能力开展；应用能力是我们最为关注的，因为没有应用场景，AI 建设就失去了意义。

在基础能力建设方面，我们首先搭建了 AI 计算平台。随着 GPU 设备的增加，为了实现算力的高效利用，避免资源浪费（例如夜间闲置），需要对任务进行调度。AI 计算平台主要负责根据任务需求选择合适的 GPU 资源、规划运行方式和时间，同时支持模型微调、蒸馏等操作。一般来说，模型微调可能需要 1 - 2 周时间，而生成预处理模型则可能需要 3 - 4 个月，像阿里、字节、DeepSeek 等大厂在模型训练方面具有显著优势。

在大模型微调后，如何评估其是否满足要求也是关键。使用通用模型进行微调，往往只能强化某个特定方向的能力，其他方向的能力甚至会被削弱。因此，微调必须有明确的方向，例如针对特定适应证场景，通过资料训练微调模型后，还需经过一系列下游评测，只有达到预期标准，才能上线使用。如果使用通用标准进行评测，结果往往不理想，而且从通用模型微调得到的模型，通常仅在某一特定方向超越原通用模型。

AI 技术应用实践

其次是提示词工程管理。在 DeepSeek 推理模型出现之前，提示词工程是非常有效的工具。提示词工程就像编写代码（如 circle、Python），有些提示词长达数千字，能够详细规定输出字符串格式、段落要求以及检测内容等。例如在图片识别中，我们先将一张大图切成 5 张小图，连同原图共 6 张图片输入，通过提示词指令，让模型先逐张识别小图（小图识别精度更高），最后将 5 张小图合并与原图对比，使得图片识别率从 80% 提升至 95%。虽然现在推理模型能够自动生成思维链执行任务，但当模型性能提升遇到瓶颈时，提示词工程仍可通过限定思维链，帮助模型进一步优化。

在 RAG 平台方面，我们采用了 GPT4。从知识库数据入库、配置向量库，到完成 Agent 配置，现场操作仅需 1 分多钟，使用较为便捷，建议药企尝试。但需要注意的是，RAG 平台只是工具，若没有完善的知识库，它无法发挥更大作用，因此企业需要注重自身知识沉淀，才能实现高质量的问答交互。

知识管理规划与应用场景

我们对知识管理进行了规划。在知识库建设方面，企业可根据实际需求，如侧重图像识别（包括 OCR 识别等），针对特定场景对模型进行微调。例如血常规、质量报告等，由于模板相对固定，实现 99% 以上的识别准确率，训练成本并不高，因为这是基于通用模型进行专项训练。

另外，在对检索速度要求高、关联复杂的场景（如 HCO/HCP 场景，需要了解专家文献阅读、关注内容、学会参与情况及专家关系等）中，知识图谱是理想选择。但知识图谱最好与 AI Agent 结合使用，这样 AI Agent 能够通过思维链整合信息，避免用户自行搜索筛选的繁琐过程。

我们的应用场景还包括伴学机器人（培训机器人）。开发伴学机器人的意义在于，通过它可以评估员工工作水平。随着培训机器人资料库的完善，未来有望替代部分低水平岗位工作，因为它既能培训员工，也能作为 Agent 对外提供服务。

AI 能力检验与未来展望

自动化报告生成是检验 AI 能力的重要指标。实现自动化报告生成，需要 AI 阅读大量报告，并将生成的报告反馈优化原有数据。一旦具备自动化报告生成能力，将在众多场景中实现复用。

我们每年制作大量看板，而 ChatBI 的目标是，通过数据中台建设和数据集完善，将数据信息输入专属私人 AI Agent，使其能够回答公司数据范围内的各类问题。这样一来，每个人都能真正拥有个性化的数据看板，无需依赖大量人工制作的看板。

在大模型应用方面，通过 Prompt（提示词）已经能够解决 70% - 80% 的业务场景需求。如果企业有预算或特定细分领域需求，可以进行大模型微调与强化训练，但不建议开展预训练，因为预训练不仅需要大量 GPU 资源，而且训练周期长达数月，成本过高。今天的分享就到这里，谢谢！