大模型（大规模语言模型，即Large Language Model）的应用已经成为千行百业发展的必然。特定领域或行业中经过训练和优化的企业级垂直大模型则成为大模型走下神坛、真正深入场景的关键之路。
但是，企业级垂直大模型在正式落地应用前，必须克服事实性与可解释性等难题。尤其是在工业化场景中，大模型有限的推理能力常常无法满足企业对高确定性答案的需求，“胡乱生成”的答案将给业务带来极大的风险。
而知识图谱（Knowledge Graph），利用多模态信息补充符号语义表达的不足，能够进一步支撑多模态理解、推理和元认知等能力，通过和大模型协同工作，实现互补、互动和相互增强。当大模型和知识图谱结合时，能够通过数据及知识增强双向推理，进而弥合文本和结构信息之间的差距，并提升推理可解释性，共同⾯对多重挑战。
首发尝试，让知识注入大模型
基于对大模型和知识图谱融合的前沿认知，创邻科技率先在金融领域展开研究，研发了一款智能问答类应用平台——“创邻天问平台”。
一方面，在线问答系统是企业和用户沟通互动的“第一窗口”，能够第一时间触达客户的需求，通过提升回应的及时率和准确度，帮助企业提高客户满意度。而当下的问答产品大多聚焦通用或者垂直领域，难以做到知识广度和深度兼具。因此，在线问答系统升级是企业减少客服成本，提升客服效率的关键路径。
另一方面，考虑到信用卡场景往往涉及许多复杂的金融概念、术语和条款，并且受到法律和监管机构在用户权益、费用结构、欺诈防范等方面的严格监管，当进行具体回答时，不仅需要满足不同用户的需求和偏好，保证用户能够直观理解相关概念，还需要确保提供的信息和建议符合适用法律法规。
针对金融信用卡场景，创邻结合大模型与知识图谱的能力，打造了“天问”智能问答系统。
话不多说，先一起围观一下实测结果！
Q1：18岁以下无法作为信用卡的申请人和持卡人吗
Q2：当且仅当年满18岁，具有完全民事行为能力可以申请信用卡主卡吗？
*后续，小编还针对“创邻天问平台”进行了多轮问答测试，感兴趣的小伙伴可以添加小助手了解更多测试详情。
不难发现，“创邻天问平台”的回答相比单独的大模型问答或者知识图谱的问答，会保留更多概念细节与引用来解释内容，提升回答的可信度，减少事实性错误。同时，为了方便用户进行理解，“创邻天问平台”对相关上下文也进行了优化，让回答的语句之间更加有逻辑。
利用图技术和通用大模型的协同工作，“创邻天问平台”不仅做到了对垂直大模型的推理框架的优化升级，赋予其优秀的逻辑推理能力，还拓展了⼤模型的原始知识边界，让生成式回答的灵活开放性与精确性并存，提升了垂直业务领域问答系统的知识专业性和回答准确性。
此外，“创邻天问平台”以自研分布式高性能图数据库Galaxybase作为核心技术支撑。相较于传统的知识图谱技术，它能够实时处理数据，优化信息处理效率，加速内部推理过程，让智能问答系统加倍升级。
总结
现阶段，人工智能或许仍只能依靠数据实现浅层推理。我们致力于实现符号主义的知识图谱与连接主义的大模型有机结合，实现推理能力的升级。大模型和图技术的结合有望改变当前“百模大战”的格局，“创邻天问”让智能问答系统迈进下一阶段。
