施耐德电气如何利用亚马逊床石识别高潜力商业机会 机器学习博客

施耐德电气如何利用亚马逊床石识别高潜力商业机会

关键要点

本文由施耐德电气的安东尼梅德罗斯北美人工智能解决方案工程和架构经理与阿德里安博埃北美人工智能高级数据科学家共同撰写。

施耐德电气是全球能源管理和自动化数字化转型的领导者，专注于提供能效、安全、可靠与可持续的综合解决方案。该公司服务于多个行业，包括智能制造、韧性基础设施、未来数据中心、智能建筑及直观家居等。施耐德电气的产品涵盖电力分配、工业自动化和能源管理，致力于推动现代世界的智能和绿色解决方案。

随着可再生能源需求的快速增长，施耐德电气在可持续微电网基础设施方面面临较高的需求。这种需求通常以提案请求RFP的形式出现，但每个RFP都需要施耐德电气的微电网领域专家手动审核，给公司带来了高昂的人工成本和难以扩展的困境。为了解决这一问题，施耐德电气凭借亚马逊床石和生成式AI寻求创新解决方案。

问题陈述

微电网基础设施是可再生能源市场中至关重要的组成部分。微电网允许使用现场发电和存储来与主电网断开。施耐德电气提供的多种重要产品可以帮助客户建立可持续的微电网解决方案，满足居住区、学校和制造中心的需求。公共和私营部门对该行业的不断投资，导致微电网系统的RFP数量呈指数增长。

RFP文件包含技术上复杂的文本和视觉信息，如工作范围、零部件清单和电气图，包括几百页长的文件。RFP的规模和复杂性使得其审核变得代价高昂且劳动密集。通常需要有经验的专家来逐个审核RFP，并评估其对商业的适用性及转化潜力。

此外，同一份RFP文件可能被施耐德的多个业务单元评估，每个单元关注的要求可能迥然不同。因此，施耐德团队需要一种快速准确的方法来识别施耐德产品在竞争中具有优势和高转化潜力的机会。

亚马逊床石与生成式AI

为了解决这一问题，施耐德团队转向了生成式AI和亚马逊床石。大型语言模型LLM凭借其识别和总结特定类别信息的能力，使得商业流程变得更为高效。这些RFP文件的数量和复杂性使其非常适合利用生成式AI来处理。

通过亚马逊床石，开发者能够构建和扩展包含多种基础模型的生成式AI应用程序。具体来说，解决方案采用了Anthropic Claude模型，能够高效处理RFP相关工作。

解决方案概述

传统的增强检索生成RAG系统通常无法准确识别RFP文件与给定销售团队的相关性。为此，AWS的GenAIC团队联手施耐德电气，利用多个语义变换视角概念、功能和组件将业务目标包装到LLM中。通过这种方法，工程团队能够将复杂概念分解为具体的功能，从而使LLM能够识别、解释和提取相关数据元素。

针对RFP，LLM将筛选出与特定概念和功能相关的摘要信息，称之为证据。用户可通过该方案进行文档分块、LLM基于引文的检索和检索结果的总结和评估。

最终的结构使得专家团队可以迅速过滤特定的LLM标签，能够更深入理解LLM做出决策过程的引文依据，从而节省审核RFP提案所需的时间，关注最有价值的内容。

结论

通过施耐德电气与AWS GenAIIC团队的合作，这种RFP助手解决方案能够以94的准确率识别微电网机会。根据提示进行微调，解决方案还可以扩展到其他业务线，通过不同业务单元分别挖掘潜在的商业机会，显著提高资源的有效使用。

施耐德电气凭借这些能力，能够无缝地将AI驱动的洞察和建议整合进日常运营中，实现数据驱动的决策过程、优化操作流程、提升客户交互质量，最终提供更佳的客户体验。