1
引言：知识萃取需要什么原料？
我在知乎看到一位做AI训练的哥们的分享，和我的一段经历很相似，他是这么说的：
最近遇到一个生产轧钢设备的客户，他想做一个设备维修大模型。
起初和负责设备的客户总监谈的很兴奋，但是设备维修是一个挺复杂的事儿，很多老员工不用专业的设备，打开机器，听听声音就知道毛病在哪。新来的员工不学习个几年根本看不出毛病。
他们希望做一个维修大模型，这个设备有啥毛病，手机装上一个APP，用语音往模型里一输，然后大模型就给出一些维修的建议，还能给出参考图纸。
产品的想法很好，但是我们进企业一了解需求，发现根本没办法做。为什么呢？因为它的企业数字化系统不支持。
所有的设备修检完后，维修单上就潦潦草草写几个字“修理完毕”。啥原因不说，啥症状不说，怎么修不说，就这么多年没有积累下来数字化的知识和数据。没有维修知识，根本无法搭建知识库，更不用提训练大模型。最后客户负责人也只好遗憾地作罢。
来源：知乎。链接：https://zhuanlan.zhihu.com/p/691829022
这一个案例，特别有代表意义。
假设这家企业维修单管理很严格，信息记录完整，那会有什么不同呢？
答案是可以进行数据整理和适当知识标注，形成训练数据集，那么，可以训练设备维修的AI小模型。
如果不用AI来做，可不可以用人工来完成设备维修知识的萃取？答案是可以，需要识别典型的维修场景，根据典型的维修单，选择有代表性的维修案例，结合业务专家访谈，可以萃取相对比较完善的知识框架模型和详情内容，形成我们比较容易接受和理解的知识手册 - 设备维修指南。
这就是知识萃取的机器学习方法和人工萃取方法。两者有什么区别？如果你需要了解详细内容，请点击访问：
接下来，我们介绍一个完整体现两种萃取模式的咨询项目案例。
2
模式1：水果选品知识萃取之人工萃取
这是一个真实的知识萃取项目，我们的客户是一家水果分销电商平台。
背景不复杂。客户的客户是小B商家，也就是水果店，水果店从水果分销平台进货，再卖给自己的顾客。
水果不同于普通的商品，不好保存，如果不能快速卖掉，就容易坏掉，完全失去价值。
而快速卖掉的关键要素是进货选品要对。
前几年，客户是不管小B商家是怎么进货的，但随着水果电商平台竞争加剧，小B商家选品不好，不能赚钱，就会直接影响客户的持续盈利。
实践也发现，选品是提高平台和水果店黏性的有效手段，但具体的选品方法和技巧零散琐碎，针对不同的地区、不同的门店位置，都有不同的方法。
在这样的情况下，平台邀请我们知识顾问进行专业的调研和萃取，期望提炼一套标准化的选品方法，赋能客户销售工作。
进场之后，我们发现，客户内部其实已经做了一些经验萃取的事情，内部的学习平台上有业务BD的选品分享、有经验萃取课程学习之后的课件，大体内容是一个水果选品流程，以及在每一个流程环节的要点技巧。
客户反馈，这些课程赋能拓展经理帮助小B商家，效果不太好，原因是不够实操，在落地方面，曾经开发为微课，提供给店老板和BD人员，但效果不是很理想，课程的学习率、完成率很低，更不要说转化应用了。
怎么改善呢？要提高萃取质量，自然是用演绎式知识萃取的解决方案了。
首先，需要精准定义选品的知识解法。这是一个典型的决策、预测场景，如果单纯将知识解法框架选择为流程，那就是不精确的，比较好的解法框架是选品要素模型。接下来，沿着这个方向，从四个维度细化高价值选品场景，开发出10多个场景下的选品模型。停留在选品模型还不够，还需要提供具体的操作标准。我们在每一个选品维度下，收集各种关键决策因子（9个），围绕决策因子，建立了100多个典型消费特征标签，调取销售和BD的客户跟进数据，选用各种要素之间的影响匹配数据，确定最佳组合，获得量化评分数据。借助AI的数据分析功能，收集上千种水果在各个场景下、评价维度下数据，最终得到一个选品组合量化工具。最后，作为知识萃取的落地方式，我们为客户设计了一个软件工具，内嵌到业务系统中。BD人员只要选择场景数据、需求基本数据、选品供应等选项，这个工具就会提供一套选品方案。这套方案就是基于萃取的数据来完成的，可以帮助进货选品的组合大概率盈利，内测显示各个批次选品的实际盈利比例是72%，大大高过普通店主自发选品效率。
3
模式2：水果选品AI专业小模型训练
这种非常强调成果导向的人工知识萃取其实是很费劲的，特别是确认决策因子以及收集各种组合的量化关系时，特别不容易。
但这个过程有一个很让人兴奋的发现。
在萃取水果选品知识经验的过程中，我们最大的收获不是开发选品模型和选品组合量化工具的设计开发，而是发现客户数据的新用途。
客户有一个电商销售平台，平台上有大量的小B客户信息、真实的进货信息，与此同时，客户还有一些BD人员的地推和运营数据，包括小B端的进货记录、销售记录（POS）、库存记录等，这些数据非常详实，数据量也很大，是非常优质的数据。
于是，我们建议客户依托这些大数据，训练水果电商销售的知识模型，也就是建立水果销售相关的专业小模型，这个模型应该可以成为一个很有价值的数字资产，成为电商平台的一个竞争优势。
除此之外，AI的小模型也可以大幅度提高选品决策的精确度。
人工萃取的选品决策模型中，找到、确定影响水果动销的要素，以及要素的评价维度或评价指标依靠的是直觉经验，在最终确定决策因子的量化工具表中的很多数据，实际上也是一种经验的数据，精确性还是存疑。
客户最终采纳了我们的建议，今年开始，通过采集水果销售的数据，并进行清洗优化，经过数据训练，基本建立起了这样的一个专业AI小模型，并设计了阶段性的数据刷新机制。
部署和发布后，内部测试表明，小模型的确提高了批次选品的盈利概率，大部分组合盈利概率可以达到90%。
与此同时，模型覆盖了人工水果选品模型没有覆盖的选品维度和影响因子，让“长尾店铺”也可以科学选品。
我们分析下来，基于大数据训练的AI专业小模型有几个优势：
1、数据量化，知识精确。
比如，水果选品的影响决策因子，在人工选品时只能重点收集和分析7~9个，但小模型可以分析33个，并且可以做到量化（下图是top15），有些量化分析还超出了经验直觉（比如保质期对盈利的影响）。而量化直接决定了选品组合的组合数量计算
2、发现和深度挖掘知识模型
在AI模型中，目前挖掘到的知识模型包括决策要素组合、四步选品评估法、水果量化组合设计等等。如下图示例：
图一：一家深圳社区店的选品评估分析思维链
图2：给定预算的水果推荐组合方案（示意节选）
3、非常适合业务的AI化
这个案例中，训练完成后，成果就是模型的数据权重集合，如下：
这个集合可以由程序解读，经过算法设计和大语言模型调用，就可以产品化，业务流程非常清晰，可解释性强。
4
知识萃取的未来主线：AI专业小模型
从这个案例，可以回应上一篇文章的基本观点：
1、演绎式知识萃取的价值高于普通的经验萃取。主要是解法框架更科学。
2、在演绎式萃取思维的基础上，有优质数据加持训练的AI专业小模型明显优于人工的知识萃取，并且直接软件工具化，很多情况下可以绕开赋能培训的环节
。
经验丰富的、能拿到业务结果的业务专家，在演绎式知识萃取的加持下，准确识别高价值场景，绘制知识图谱，借助大语言模型，可以高质量地完成一次深度的知识萃取
。如果在业务领域积累了大量的业务数据，还可以进一步训练出业务领域的专业AI小模型，service as software，更进一步放大知识的价值。