人工智能相關文章

一種基于混合專家模型的多模態(tài)工單數(shù)據(jù)智能處理方法

智能工單系統(tǒng)是企業(yè)數(shù)字化轉(zhuǎn)型的核心支撐平臺。當前，智能工單系統(tǒng)面臨多源異構(gòu)數(shù)據(jù)的跨模態(tài)冗余及語義沖突問題，傳統(tǒng)基于單模態(tài)處理架構(gòu)的大語言模型（Large Language Model，LLM）存在關鍵信息漏檢率高、數(shù)據(jù)清洗效果差的缺陷，嚴重制約了工單系統(tǒng)智能化發(fā)展。針對該問題，混合專家模型（Mixture of Experts，MoE）可通過動態(tài)路由機制自適應分配多模態(tài)數(shù)據(jù)至特定專家網(wǎng)絡，在提升跨模態(tài)特征融合精度的同時顯著優(yōu)化計算效率?；诖?，提出一種基于混合專家模型的多模態(tài)工單數(shù)據(jù)智能處理方法。首先基于DeepSeekMoE架構(gòu)設計了一種語義分析模型，以實現(xiàn)跨模態(tài)數(shù)據(jù)的特征解耦與關鍵內(nèi)容提取。其次提出基于Thinker-Talker的多模態(tài)特征融合架構(gòu)，有效提升冗余數(shù)據(jù)利用率與語義一致性。最后設計非結(jié)構(gòu)化數(shù)據(jù)清洗與結(jié)構(gòu)化表單生成算法，完成原始數(shù)據(jù)的降噪清洗與語義增強，輸出符合規(guī)范的結(jié)構(gòu)化工單。消融實驗表明，該方法在私有化數(shù)據(jù)集上的信息提取精度達92.7%，較傳統(tǒng)工單處理方式的標準符合度提升36.2%，為智能工單系統(tǒng)多模態(tài)數(shù)據(jù)處理提供了可擴展的技術(shù)范式。

發(fā)表于：9/16/2025