算法模型 软件定制 案例

通过引入知识图谱，我们的菜谱搜索系统将具备： - 结构化知识表达：以图的形式显式编码实体间的语义关系 - 增强推理能力：支持多跳推理和复杂关系查询 - 智能查询路由：根据查询复杂度自动选择最适合的检索策略 - 事实性与可解释性：基于图结构的推理路径提供可追溯的答案 极大的拓展大语言模型的能力，用较小的模型+知识图谱就可以实现超大参数模型的推荐能力。而且通过对大语言模型的量化和部署，可实现本地快速的推理，而不依赖云端网络。

立项背景是课程挂科率达18%，需提前识别风险学生提供辅导，目标是预测学生课程成绩并定位薄弱环节。核心功能包括成绩影响因素分析、回归模型训练、风险学生预警；业务流程为采集学生“考勤/作业完成度/前置课程成绩”等数据，建模后输出成绩预测值，对预测低于60分的学生推送辅导建议。

立项背景是配送员日均路线耗时超8小时，需优化路径以提升配送效率，目标是减少单均配送时间15%。核心功能包括车辆路径规划（VRP）建模、约束条件求解、路径可视化；业务流程为导入订单地址数据，设置“车辆载重/配送时效”约束，模型输出最优配送路线，同步生成可视化路径图。

立项背景是品牌复购率仅12%，需精准识别高复购潜力用户以降低营销成本，目标是预测用户30天内复购概率。核心功能包括用户行为特征工程、复购预测模型训练、高价值用户分群；业务流程为从数据库提取用户消费、浏览、互动数据，清洗后构建特征，输入模型输出复购概率，按概率分群推送差异化营销活动。

软件功能、核心功能模块的介绍： 系统核心功能包括用户交互接口、自然语言理解（NLU）、对话管理和响应生成。用户交互模块负责接收和展示信息，支持文本和语音输入；自然语言理解模块使用深度学习模型（如BERT）解析用户意图和实体；对话管理模块维护会话状态和上下文，确保连贯性；响应生成模块基于Seq2Seq或GPT模型产生自然语言回复。此外，系统还集成日志记录和数据分析模块，用于监控性能和优化模型。 业务流程、功能路径描述： 用户通过网站或APP发起对话，输入查询内容。系统首先进行预处理（如分词和去噪），然后自然语言理解模块识别用户意图和关键信息。对话管理模块根据历史会话更新上下文，并调用响应生成模块产生回复。最后，结果返回给用户界面。如果遇到复杂问题，系统可转接人工客服或提供知识库链接。整个流程强调低延迟和高准确性，支持多轮对话和实时反馈。

轮式移动机器人自主导航模组 我们致力于研发一套高性能、一体化的轮式移动机器人自主导航模组。本模组旨在为各类室内商用及轻工业场景下的移动机器人，提供稳定、智能的“自动驾驶”核心能力，彻底解决其在平坦路面上的行动难题。 在功能层面，本模组实现了自主导航的全流程闭环。首先，依托先进的激光雷达（LiDAR）与SLAM（即时定位与地图构建）技术，机器人能够快速、精准地构建厘米级精度的环境地图，并实现开机即用的快速部署。其次，在已知地图的基础上，我们的智能路径规划引擎不仅能计算出从A点到B点的最优全局路径，更能结合实时传感器数据进行局部动态避障，灵活绕开临时出现的行人、障碍物，确保行进过程顺畅安全。最后，通过多传感器融合定位算法，机器人能够在复杂环境中维持高精度的自身定位，消除运行过程中的里程累积误差，从而实现稳定、可靠的定点巡航与循迹导航。 本模组作为即插即用的标准化解决方案，可广泛应用于无人搬运、物料配送、安防巡检、商用服务及科研教育等多个领域，极大地降低了机器人厂商的研发门槛与周期，是赋能移动机器人智能化升级的核心驱动力。

1.省交通运输应急指挥中心平台工程旨在解决现有系统运行监测和应急指挥管理未实现一体化的问题，通过深化调研沟通，明确系统对接方式、主要对接内容及建设运维职责，确保工程顺利实施并发挥实效。项目基于"云上贵州"平台构建，充分利用其提供的各类中台服务，避免重复建设，节约投资。 2.系统已实现应急值守接报、应急资源管理、应急辅助决策、应急指挥调度、应急信息服务、应急评估、应急统计分析、数据维护等功能。核心功能模块包括运行监测与预警、应急资源管理、应急指挥调度、应急决策支持、应急信息管理等。通过数据采集方案和数据交换共享方案，系统整合了服务区卡口、重点运输车辆动态等关键数据，实现了对交通运输运行的全面监测。 3.业务流程采用"监测-预警-响应-处置-评估"的闭环模式：实时获取交通运行数据进行监测分析并预警；发生突发事件时，系统自动启动应急响应机制，进行资源调度和指挥决策；处置完成后，系统进行效果评估和总结，为后续应急工作提供经验。

独立搭建多跳问答系统，结合稀疏检索和稠密检索提升召回率，微调HuggingFaceTransformers模型，提升上下文理解能力与推理精度，集成 LangChain流程，实现跨文档的多步推理 实现批量推理和增量知识库更新，优化响应时间至<1s。项目已开源至github，展示了完整的代码、模型和部署效果。可以上传医疗文件解析，并通过专有的文档进行私有化问答 。 还可以选择是否连网和多跳推理。

基于RAG的企业级AI应用 1.数字员工：搭建知识库，回答相关问题，通过工作流编排，实现不同场景的AI对话的分类。 2.行政制度场景：提供一站式制度问答/办事服务。对于大企业，规章制度会分子公司、部门有所不同、需要有权限隔离。支持对接客户的权限系统对权限进行隔离。规章制度通常有较多跟规则相关的复杂表格，对复杂的表格的解析有专项优化。针对规章制度相关问答专项优化（例如问一个具体案例，差旅标准）。从文档中自动提取及配置办事入口，为用户推荐。 3.智能审批：AI助力企业审批工作流优化革新。自动纠错，提升审批通过率，用户提交审批后AI第一时间分析并反馈不合规事项，基于预审结果用户可快速进行调整，提高填写质量。重复工作自动化、提高审批效率，自动处理和审核审批流程中的文件和数据，减少人工审核成本，大大提高审批速度和效率。决策支持，降低经营风险，避免人工审核中的遗漏错判风险，提高审批的准确性和可靠性，帮助审批者做出更明智的决策。 4.产品顾问场景： 让每一个销售都成为“产品专家”。构建企业产品库，产品知识图谱，对产品名称、产品编号识别专项忧化；构建产品分英、产品特性、竞品关系相关的产品知识图谱，在产品关系推理上增强。产品特性，型号对比，竞品对比，对于产品特性的提取《阴如在复杂表格中)提取更精准；对于型号对比，竞品对比等高频问圆专项优化。销售建议生成，优秀案例自学习，基于产品手册推荐销售话术，优秀的人工回复可以沉淀自学习。 5.数据分析场景：每位客户都配备一个智能BI分析师。经营数据分析，快速问数：财务同学可自由问询各商品的收入情况，无需等待报表开发。业绩预测：通过对历史数据及增长曲线的分析，可预测企业未来的收入情况。经营建议：通过对销售数据进行多维度的分析，帮助企业寻找新的业务增长点。 6.商机挖掘。通过AI分析服务内容，从问题中挖掘新的商机，让售后变先机。

该项目致力于在提高现有医学图像分割模型的实时高效性、适应不同数据的能力，在提高现有医学图像分割模型性能的同时降低其计算量和参数量。并完成相关文档撰写，论文及专利转化。在 Intel 酷睿i5 CPU、1000×1000分辨率图像上不做任何推理加速处理的模型推理时间为168ms左右，分割准确性相对于现有模型进一步提高。自研的上采样与下采样策略在其它模型上均能达到约1%以上的性能提升，具备很好的即插即用能力

项目需求包括判断文件图像属于什么类型的文件（标题识别），以及判断文件是否需要签字，如果需要签字则还需要判断是否签字，以及判断是否盖章，从而实现文件信息自动化核查。以接口的形式部署为服务器接口供网站端以及app端调用，模型输入为图像的base64编码，结果以json形式返回

用户个性化推荐画像算法开发用户个性化推荐画像算法开发用户个性化推荐画像算法开发用户个性化推荐画像算法开发用户个性化推荐画像算法开发用户个性化推荐画像算法开发用户个性化推荐画像算法开发

立项原因： 问题：通用多模态大模型在特定领域（如工业场景、医疗影像）的细粒度视觉定位任务上精度不足，且直接调用云端API存在数据隐私和响应延迟问题。 解决方案：本项目探索使用参数高效微调技术，在有限的算力资源下，让多模态模型适应特定领域的开放域视觉定位需求。 行业场景： 智能安防监控：本地化部署模型，实时定位监控画面中的异常行为或特定目标。 工业自动化质检：在工厂产线上，快速定位产品缺陷部位，无需为每种新缺陷重新训练专用模型。 内容审核与分析：对图像内容进行细粒度的元素定位和分析，为后续处理提供结构化数据。 功能介绍： 开放域视觉定位：支持通过自然语言指令，在图像中定位任意指定的物体、人物或场景元素。 思维链增强推理：利用大模型的内在推理能力，通过多步思考提升复杂场景下的定位准确性。 参数高效微调：采用LoRA技术对Qwen2.5-VL-7B模型进行微调，仅训练少量参数即可显著提升在目标领域的效果。 完整训练流水线：实现了从数据准备、模型训练到性能评估的全流程。 结果可视化：将模型的定位输出以边界框形式在图像上直观展示。

阶段一：预处理与编码 用户输入 用户在前端界面（如网页、App）输入一段文本：“Explain quantum computing in simple terms.” 文本预处理 分词：将输入的句子分解成模型能理解的更小单元（Token）。例如，“Explain” -> “Explain”， “quantum” -> “ quant”， “computing” -> “uting”。分词器（Tokenizer）的词汇表是在预训练阶段就确定好的。 格式化：为当前对话添加上下文标识符。例如，可能会在输入前加上“User: ”这样的角色标识，以帮助模型区分对话中的不同角色。 格式化后的输入可能看起来像：[系统消息] User: Explain quantum computing in simple terms. Assistant: 输入编码 将分词后的Token转换为对应的数字ID（因为模型只处理数字）。 将这些ID转换为词向量，即高维空间中的向量表示，这些向量捕获了单词的语义信息。 阶段二：核心推理与生成 上下文管理 模型并非只看到当前这一句话。为了维持连贯的对话，系统会将当前输入与之前几轮的对话历史（存储在对话记忆库中）拼接在一起。 这形成了一个完整的“上下文窗口”，模型基于这个完整的上下文来生成回复，从而“记住”之前聊过什么。 核心LLM推理 这是最核心的步骤，预训练好的Transformer模型在此被激活。 前向传播：编码后的输入向量流经模型的数十亿甚至数百亿个参数。 自注意力机制：模型分析输入序列中所有单词之间的关系，理解“simple terms”是修饰“explain”的关键。 下一个词预测：模型输出一个所有可能词汇表上单词的概率分布。它计算在给定上下文的情况下，下一个词最可能是什么（例如，“Sure”的概率最高，“Okay”次之，“Quantum”也有可能）。 采样与策略：模型不会总是选择概率最高的词（否则回复会非常机械）。它会根据“温度”等参数进行抽样，引入一定的随机性，使回复更具创造性和多样性。 这个过程是自回归的，即模型生成第一个词“Sure”后，会将“Sure”也加入上下文，再生成下一个词“,”，如此循环，直到生成一个完整的回复序列或遇到停止符。 输出解码 将模型输出的词ID序列转换回人类可读的文本。例如，[“Sure”, “,”, “let”, “’s”, “break”, …] -> “Sure, let's break it down...” 阶段三：后处理与交付 回复后处理 对生成的文本进行最后的润色，比如调整标点符号、确保格式正确。 在某些场景下，可能还会进行二次检查，例如确保没有生成不安全的、虽然概率高但不符合事实的内容。 返回最终回复 将处理好的最终文本发送回前端界面，展示给

在使用 CNN-LSTM-Attention 模型处理数据时，数据分析是构建有效模型的基础，而结合时序特性与注意力机制的设计则是模型性能的关键。以下从 “数据分析” 和 “基于时序与注意力机制的模型设计” 两方面展开说明： 一、数据分析（针对 CNN-LSTM-Attention 适用场景） CNN-LSTM-Attention 模型通常用于处理带时序特性的结构化 / 非结构化数据（如时间序列、视频帧、文本序列等），数据分析需重点关注以下维度： 数据类型与结构 明确数据是否为时序数据（如传感器时序信号、股票价格、视频帧序列、文本句子等），是否包含空间 / 局部特征（如图像的局部纹理、文本的 n-gram 特征）。 示例：若处理视频帧，每帧是图像（含空间局部特征），帧序列构成时序关系；若处理文本，每个词是向量（局部语义），词序列构成时序依赖。 时序特性分析 时序长度：统计序列长度分布（如文本句子的词数、时间序列的采样点数），判断是否需要截断 / 补全，避免序列过长导致模型效率低下。 时序相关性：通过自相关函数（ACF）、偏自相关函数（PACF）分析序列中前后时刻的依赖关系（如滞后几步的特征影响当前时刻），指导 LSTM 的层数 / 隐藏单元数设计。 周期性与趋势：若数据含周期性（如日 / 周规律），需确认周期长度，避免 CNN 卷积核大小或 LSTM 窗口设置与周期不匹配。 特征分布与质量 特征维度：若为高维数据（如图像序列），需分析局部特征的重要性（如通过方差、互信息筛选关键区域），辅助 CNN 卷积核尺寸 / 通道数的设计。 缺失值与异常值：时序数据中缺失值需按时序插值（如线性插值、前向填充），异常值需检测（如基于 3σ 准则、孤立森林）并处理，避免影响 LSTM 的时序学习。 特征尺度：不同特征维度的数值范围可能差异大（如传感器数据的单位不同），需标准化（Z-score）或归一化（Min-Max），确保 CNN 和 LSTM 的梯度稳定。 标签与任务匹配 明确任务类型：是时序预测（如未来温度）、序列分类（如视频行为识别）、还是序列标注（如文本命名实体识别）。 标签分布：若为分类任务，需检查类别是否平衡；若为预测任务，需分析标签与输入特征的时序滞后关系（如输入 t 时刻特征预测 t+1 时刻标签）。

1、对于产线上产品包装箱在进行喷码过程中会出现漏喷或者字符残缺的情况，造成产品后期追溯过程出现问题，为了解决该问题确保包装箱不会出现大批量报废，减少人工检测强度，设计了该软件算法。 2、主要流程包括模板制作，模板匹配，字符分割比对，最终得到检测结果

某段高速路需要对车辆是否按照规定车道行驶进行监测（非应急车辆不能占用应急道，不能逆行，特殊车辆不能上高速），同时对司机进行行为监测（是否系安全带，是否打电话，是否疲劳驾驶），并对异常情况进行报警

1、通过该系统可实时的对施工现场的吊钩及时的进行安全检测 2、功能方面可选不同模型对目标进行检测，也可以定制化模型实习一个系统检测多类别模型系统 3、可通过图片，视频，摄像头等对其进行检测，并且将检测结果保存

所属小组为5g核心网中通讯模块，提供类似 istio 一样转发控制功能，包含路由策略下发、数据交换（控制面以及5g数据面）。 负责5g业务数据提供流控功能，保证业务不死的情况下最大化使用物理资源。在5g大流量各场景下，在 golang gc 影响下，提供多种算法保证业务成功率。

人口老龄化的加剧已是不能忽视的问题，银发经济的需求也随之增长。随着智 慧医疗智慧养老等模式兴起，本项目提出一种基于深度学习的人体行为姿态识别和 预测系统，通过摄像头实时捕捉人体姿态并进行分析预测，以到达实时并迅速准确 地检测人体的动作姿态及动作规范性的目的；同时，可以预测未来短时间内的人体 行为，可与其他防摔倒设备或者穿戴式摔倒缓冲设备结合，为提前避免损伤创造了 可能，更好的满足了老年人的健康需求。 开发一个高效的人体姿态识别系统：利用深度学习技术，实现对人体姿态的 准确检测和识别。