金讯数智基于Al大模型的ML机器学习与智能标注技术成果落地应用

发布日期：2025-11-14 作者：金讯数智点击：

在AI技术深度渗透政务服务、社会治理、企业客服等领域的当下，政务热线作为政府与民众沟通的“连心桥”，每日需处理海量工单。然而，传统人工分派与分类方式存在效率低、易出错、跨部门协作难等痛点。金讯数智推出基于机器化学习的AI大模型智能分派系统与智能归口分类系统最新研究创新成果，通过突破性技术架构与算法优化，实现了工单处理效率与准确率的双重飞跃——系统准确率高达94.63%，较传统机器学习模型提升超20%，为政务热线、社会治理、企业客服等场景提供了高效、精准的智能化解决方案。

在ML机器学习领域我们启动了与西安交通大学科研团队的合作，完成了机器学习算法在政务热线智能标注领域的学习，并完善了预训练数据筛选、机器预训练、成果自评价、人工标注与模型优化迭代的闭环机制，完成了智能分派、智能标注的算法产品化，并成功应用于陕西、江西等多地热线客户，在一线使用中反馈良好。

与此同时考虑到部分客户GPU资源和AI算力的紧缺的情况，我们创新性的完成了基于传统算力在CPU资源的UIE要素提取、聚类分析、智能分类、智能归口分派等小模型的应用，让创新技术可以低成本应用于实践。以下是公司近期垂直领域AI大模型的研究成果：

1. 智能归口分类：多层级动态分类的“最强大脑”

传统分类系统依赖人工规则与关键词匹配，存在分类维度单一、错误标注难修正、跨领域适应性差等痛点，同时难以应对政策更新快、诉求表述多样化的挑战。金讯数智通过预训练模型微调+动态特征工程，结合数据预处理与分词优化、训练技巧与优化，构建了可自适应业务场景、政策变化的分类体系。实践应用中的性能表现：

实测4级讲求归口分类准确率达94.63%，F1值（兼顾精确率与召回率）达93.2%，较传统机器学习模型（如随机森林）提升超20%；支持实时分类延迟<50ms，满足高并发场景需求。

（Al智能归口分类demo图）

智能分派：向量聚类与动态调度“智慧中枢”

传统分派依赖人工匹配部门职责，存在分派延迟、跨部门协作低效等问题。金讯数智基于Paddle(飞桨)的文本分类训练智能分派模型通过向量空间建模+动态参数调度，结合分布式训练与性能加速、评估与调优，实现工单的精准分派与实时调度。

基于文本分类模型训练智能分类、分派小模型，在陕西、江西等地热线实现90%+的准确率，客户现场反馈推荐结果非常精准，该技术支持轻量化部署，在传统CPU即可运行，可大幅降低算力成果；同时打造了闭环的自动反馈优化机制，模型训练优化迭代周期可以缩短至48小时。该小模型可以用“智能推荐或智能分派”两种机制运行。

（Al智能分派demo图）

【结语】

金讯数智Al大模型创新成果，扎根场景应用，创造看得见的价值。从“最强大脑”的智能归口分类，再到精准智能的工单智能分派—金讯数智聚焦智能交互与数据治理垂直领域，扎根实际应用场景，持续为企业客服、政务热线、社情民意数据治理等垂直领域赋能，相关技术在安徽、河南、湖北、陕西等多地应用落地。受到行业客户的认可和好评。

新闻分类

产品分类

新闻动态

联系我们