978 lines
81 KiB
JSON
978 lines
81 KiB
JSON
{
|
||
"query": "什么是rag系统",
|
||
"answer": "### 答案：\n\n#### 1. rag系统的确切定义是什么？\n\nrag系统通常指代一系列旨在提升系统稳定性和安全性、通过模拟故障场景来增强应用系统抗压能力的技术或策略，如混沌工程、故障注入、双随机成熟度评估等。此类系统的核心目标在于通过在生产环境中安全地引入故障，以检测和优化系统的响应和恢复机制，从而提高系统的韧性和稳定性。\n\n#### 2. rag系统的工作原理是什么？\n\nrag系统的工作原理主要涉及以下几个步骤：\n- **故障场景随机能力评估**：通过评估应用系统对特定故障场景的时间随机能力，包括任意时间随机、交易日特定时间随机、非交易日随机以及不支持随机的能力。\n- **部署单元双随机成熟度评估**：衡量系统下特定部署单元的双随机能力，即在引入故障时系统能够如何随机地在不同的时间、地点和条件下进行测试。\n- **系统双随机成熟度评估**：综合评估应用系统整体的双随机能力，以评估系统整体的风险防控能力。\n- **双随机能力检验**：通过故障演练验证评估结论，确保系统在遇到预期故障时能够正确响应和恢复。\n\n#### 3. rag系统在实际应用场景中的例子有哪些？\n\nrag系统在实际应用场景中的例子包括：\n- **某商业银行**：部署基于AI的实时风险评估系统，能够实时监测和分析信贷业务数据，自动识别异常交易模式和潜在风险信号，显著提升风险识别准确率、响应时间和减少坏账率。\n- **某大型银行**：引入AI技术，个人贷款审批流程从数天缩短至数小时，大幅提升审批效率和准确率，降低信贷违约率。\n- **某互联网金融公司**：通过AI构建的信用评估模型，成功降低信贷业务的违约率，提升信贷决策的准确性和风险控制能力。\n- **某商业银行**：引入AI反欺诈技术，实时监控客户交易行为，有效减少金融诈骗案件数量和客户资金损失。\n\n#### 总结\n\nrag系统是一个综合了混沌工程、故障注入、双随机成熟度评估等技术的体系，旨在通过在生产环境中安全地引入故障，模拟实际运行中的各种潜在风险，进而评估和优化系统的响应和恢复能力。通过这些技术的实施，企业能够显著提升系统的韧性和稳定性，减少潜在风险，提高业务连续性和客户满意度。在实际应用中，rag系统被广泛应用于金融、互联网等多个领域，通过提升系统抗压能力，为企业带来显著的经济效益和社会价值。",
|
||
"query_complexity": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，因为用户询问了关于RAG系统的详细信息，可能涉及到系统的工作原理、应用场景、组成组件等多个方面。为了全面回答这个问题，可能需要生成多个子查询来收集和整合相关信息。"
|
||
},
|
||
"is_complex_query": true,
|
||
"iterations": 1,
|
||
"total_passages": 47,
|
||
"sub_queries": [
|
||
"rag系统是什么？",
|
||
"rag系统的工作原理是什么？",
|
||
"rag系统的确切定义是什么？",
|
||
"rag系统在实际应用场景中的例子有哪些？"
|
||
],
|
||
"decomposed_sub_queries": [
|
||
"rag系统是什么？",
|
||
"rag系统的工作原理是什么？"
|
||
],
|
||
"sufficiency_check": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容，包括rag系统的概念、工作原理、应用场景以及在金融领域的应用案例。",
|
||
"iteration": 1
|
||
},
|
||
"is_sufficient": true,
|
||
"supporting_facts": [
|
||
[
|
||
"Fact_1",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态"
|
||
],
|
||
[
|
||
"Fact_2",
|
||
"进行测试评估模型验证。"
|
||
],
|
||
[
|
||
"Fact_3",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取"
|
||
],
|
||
[
|
||
"Fact_4",
|
||
"滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用"
|
||
],
|
||
[
|
||
"Fact_5",
|
||
"Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查"
|
||
],
|
||
[
|
||
"Fact_6",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。"
|
||
],
|
||
[
|
||
"Fact_7",
|
||
"进行模型训练。"
|
||
],
|
||
[
|
||
"Fact_8",
|
||
"平台运维功能需求。"
|
||
],
|
||
[
|
||
"Fact_9",
|
||
"完善测试评估方法与规则。"
|
||
],
|
||
[
|
||
"Fact_10",
|
||
"制定分布实施计划"
|
||
]
|
||
],
|
||
"supporting_events": [],
|
||
"debug_info": {
|
||
"total_time": 0,
|
||
"retrieval_calls": 2,
|
||
"llm_calls": 7,
|
||
"token_usage": {
|
||
"has_llm": true,
|
||
"has_generator": true,
|
||
"last_call": {
|
||
"prompt_tokens": 5269,
|
||
"completion_tokens": 528,
|
||
"total_tokens": 5797
|
||
},
|
||
"total_usage": {
|
||
"prompt_tokens": 83108,
|
||
"completion_tokens": 4564,
|
||
"total_tokens": 87672,
|
||
"call_count": 30
|
||
},
|
||
"model_name": "qwen2-7b-instruct",
|
||
"has_last_usage": true,
|
||
"has_total_usage": true
|
||
}
|
||
},
|
||
"all_documents": [
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 1.078856637985766e-06,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行测试评估模型验证。",
|
||
"metadata": {
|
||
"node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"graph_node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"node_type": "event",
|
||
"ppr_score": 6.400781511681461e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 4.3418035922489897e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"metadata": {
|
||
"node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"graph_node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"node_type": "event",
|
||
"ppr_score": 4.1870812039794013e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"metadata": {
|
||
"node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"graph_node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"node_type": "event",
|
||
"ppr_score": 3.7074606527733825e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 3.694064809279057e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行模型训练。",
|
||
"metadata": {
|
||
"node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"graph_node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "平台运维功能需求。",
|
||
"metadata": {
|
||
"node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"graph_node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "完善测试评估方法与规则。",
|
||
"metadata": {
|
||
"node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"graph_node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "制定分布实施计划",
|
||
"metadata": {
|
||
"node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"graph_node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"node_type": "event",
|
||
"ppr_score": 2.887736961847779e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"metadata": {
|
||
"node_id": "dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05115368551857923,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.075703535,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"metadata": {
|
||
"node_id": "7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05038403920080944,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07456233500000001,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "同时，理论联系实际，提出包含支撑能力、评价体系、团 队文化的混沌工程落地模型，用于体系地提升行内稳定性保障技术能 力和IT运营能力。 ## （一）实践原则 Netflix 和社区于2015 年提出了混沌工程的基本原则，也即我们 常讨论的5 大原则：生产环境运行实验、真实事件、建立稳态假说、 自动化运营实验、最小化爆炸半径。该原则通用性很强，但落地门槛 较高。在遵从“5 大原则”的基础上，农行基于前期调研情况以及我 国金融业业务连续性高、监管要求高、资金敏感度高、声誉风险大的 特点，从研发管理流程、实验成本和风险控制等因素，扩展为“8 大 原则”，供金融企业落地实践参考。  ## （二）战略规划 混沌工程并不是简单地工具和手段的应用，而是包含了工具、人、 流程的综合体系。这需要将混沌工程应用的战略顶层设计与实际底层 实践相结合，有组织、有规划地制定混沌工程发展战略、落地规划与 评价机制。农行将技术风险管理的诉求归纳为三有诉求：有能力、有 评价、有文化，基于这3 点核心诉求，推导出混沌工程落地的“三有 模型”，以混沌工程这一工具为抓手，体系性提升技术风险管理水平。  ## （三）能力体系 ### 1.",
|
||
"metadata": {
|
||
"node_id": "da431fcfc058ce10697b2ccc8eb898f51b3dbeba1466496878efc64cde12a1aa",
|
||
"node_type": "text",
|
||
"ppr_score": 0.0502831282610885,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07441404,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"metadata": {
|
||
"node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"graph_node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"node_type": "event",
|
||
"ppr_score": 1.0564743243185571e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "按计划部署",
|
||
"metadata": {
|
||
"node_id": "597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"graph_node_id": "597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"node_type": "event",
|
||
"ppr_score": 5.833311202196603e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "1998年，组建信产部。",
|
||
"metadata": {
|
||
"node_id": "006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"graph_node_id": "006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"node_type": "event",
|
||
"ppr_score": 5.813227407106867e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "贵州省人民政府办公厅于2023年6月发布《贵州省政务数据资源管理办法》。",
|
||
"metadata": {
|
||
"node_id": "71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"graph_node_id": "71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"node_type": "event",
|
||
"ppr_score": 5.355534664475652e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "1994年，邮电部实行邮电分营。",
|
||
"metadata": {
|
||
"node_id": "a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"graph_node_id": "a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"node_type": "event",
|
||
"ppr_score": 4.82914480107628e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "2022年5月，黑龙江省人大常委会发布《黑龙江省促进大数据发展应用条例》。",
|
||
"metadata": {
|
||
"node_id": "0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"graph_node_id": "0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"node_type": "event",
|
||
"ppr_score": 4.714749078577141e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['fa5dd0b6f3b57d07d08ba0730a4540c59b6d99d05153b35f1f3cd5227ea07907']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "2008年，组建工信部。",
|
||
"metadata": {
|
||
"node_id": "4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"graph_node_id": "4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"node_type": "event",
|
||
"ppr_score": 4.668835571500824e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "rag系统的工作原理是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "jpg) 包括：DNS服务器、负载均衡器、交换机等 该平台具有以下几个特点： （1）适配全栈式异构金融云基础设施 完成了跨平台及“一体多芯”式的混编架构中故障注入体系的建 设，提供云上资源自助、自动构建、自动发布、自动运维、快速扩容、 多环境一致等场景，实现流程自动化，使开发人员能够更多地专注在 业务功能的实现和创新上，大幅提高了应用的交付效率，提升了业务 产品推出效率和竞争力。（2）引入“一隔离，两最小化”，实现权限隔离和管控 通过 RBAC 实现不同应用系统间沙箱容器的混沌故障隔离；引入 k8s Operator 机制，根据演练需求为沙箱容器进行权限控制，实现 权限最小化，同时通过集群调度限制混沌环境的范围，实现爆炸半径 最小化。分布式系统及微服务架构下，实现更细粒度的权限控制，有 效避免了不同应用系统同时实施混沌工程造成“环境污染”的风险， 同时也保障了不同应用系统间故障注入的原子能力。 (3) 混淆工具链与异构环境相融合 将四类主流混沌工具引入到异构金融云环境中，全栈式适配底层 复杂基础设施，解决了工具集合的离线部署、内核及版本不兼容、混 淀工具与多种操作系统及容器云运行时适配等疑难问题。同时将混沌 工具链融合在异构环境中，提供更多样化的故障类型，能够针对不同 的故障类型，推荐使用适配的注入工具，使故障注入更加精准化。",
|
||
"metadata": {
|
||
"node_id": "5f593c4a4c8b89a95644375ee4952d1a4acc08146262cb3a56d5376db5ee1713",
|
||
"node_type": "text",
|
||
"ppr_score": 0.04457818584077626,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.073382085,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 1.078856637985766e-06,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行测试评估模型验证。",
|
||
"metadata": {
|
||
"node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"graph_node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"node_type": "event",
|
||
"ppr_score": 6.400781511681461e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 4.3418035922489897e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"metadata": {
|
||
"node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"graph_node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"node_type": "event",
|
||
"ppr_score": 4.1870812039794013e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"metadata": {
|
||
"node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"graph_node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"node_type": "event",
|
||
"ppr_score": 3.7074606527733825e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 3.694064809279057e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行模型训练。",
|
||
"metadata": {
|
||
"node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"graph_node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "平台运维功能需求。",
|
||
"metadata": {
|
||
"node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"graph_node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "完善测试评估方法与规则。",
|
||
"metadata": {
|
||
"node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"graph_node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "制定分布实施计划",
|
||
"metadata": {
|
||
"node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"graph_node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"node_type": "event",
|
||
"ppr_score": 2.887736961847779e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"metadata": {
|
||
"node_id": "dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05119153210278731,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07534715,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"metadata": {
|
||
"node_id": "7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"node_type": "text",
|
||
"ppr_score": 0.050449322212096345,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.074252545,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "同时，理论联系实际，提出包含支撑能力、评价体系、团 队文化的混沌工程落地模型，用于体系地提升行内稳定性保障技术能 力和IT运营能力。 ## （一）实践原则 Netflix 和社区于2015 年提出了混沌工程的基本原则，也即我们 常讨论的5 大原则：生产环境运行实验、真实事件、建立稳态假说、 自动化运营实验、最小化爆炸半径。该原则通用性很强，但落地门槛 较高。在遵从“5 大原则”的基础上，农行基于前期调研情况以及我 国金融业业务连续性高、监管要求高、资金敏感度高、声誉风险大的 特点，从研发管理流程、实验成本和风险控制等因素，扩展为“8 大 原则”，供金融企业落地实践参考。  ## （二）战略规划 混沌工程并不是简单地工具和手段的应用，而是包含了工具、人、 流程的综合体系。这需要将混沌工程应用的战略顶层设计与实际底层 实践相结合，有组织、有规划地制定混沌工程发展战略、落地规划与 评价机制。农行将技术风险管理的诉求归纳为三有诉求：有能力、有 评价、有文化，基于这3 点核心诉求，推导出混沌工程落地的“三有 模型”，以混沌工程这一工具为抓手，体系性提升技术风险管理水平。  ## （三）能力体系 ### 1.",
|
||
"metadata": {
|
||
"node_id": "da431fcfc058ce10697b2ccc8eb898f51b3dbeba1466496878efc64cde12a1aa",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05028630855790128,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07401365,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "rag系统的确切定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统。",
|
||
"metadata": {
|
||
"node_id": "3333f6f4339f890fb7018a03ec5c2b6441b0115bd264d9da3cd4eea8c19c9acf",
|
||
"graph_node_id": "3333f6f4339f890fb7018a03ec5c2b6441b0115bd264d9da3cd4eea8c19c9acf",
|
||
"node_type": "event",
|
||
"ppr_score": 0.18126914001307756,
|
||
"edge_score": 1.5812813,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "该系统能够实时监测和分析信贷业务数据，包括借款人的交易记录、行为特征、社交数据等多维度信息。",
|
||
"metadata": {
|
||
"node_id": "a7881a242d2f4d76b1c41f8e9db6dc969de3d1fd7635baf8c6e2db769ef80ef5",
|
||
"graph_node_id": "a7881a242d2f4d76b1c41f8e9db6dc969de3d1fd7635baf8c6e2db769ef80ef5",
|
||
"node_type": "event",
|
||
"ppr_score": 0.02569475819861939,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['5bd501b303a0f90a8e08f07b0c8fc9cd5fe27db39b3da0bd1c5f4e322840d95b']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "通过机器学习算法，该系统能够自动识别异常交易模式和潜在风险信号，并实时预警。",
|
||
"metadata": {
|
||
"node_id": "f3f7c1897df142c8715f150c8f7d5aae111b30c6ec1f4705e4f4deadebfc2baa",
|
||
"graph_node_id": "f3f7c1897df142c8715f150c8f7d5aae111b30c6ec1f4705e4f4deadebfc2baa",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0029414635360017326,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['5bd501b303a0f90a8e08f07b0c8fc9cd5fe27db39b3da0bd1c5f4e322840d95b']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "自部署该系统以来，该商业银行的信贷业务风险识别准确率提高了约30%。",
|
||
"metadata": {
|
||
"node_id": "ae2ce63358251033c32471ba5aeec5c6e4f0802d1041e58669654dc38cbdd950",
|
||
"graph_node_id": "ae2ce63358251033c32471ba5aeec5c6e4f0802d1041e58669654dc38cbdd950",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00032170412589507493,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "潜在风险预警的响应时间缩短了50%以上。",
|
||
"metadata": {
|
||
"node_id": "05e62ac29726c4d815cc9e65b47d29cf492bbb9f09c9d42251cefa2a6c40b972",
|
||
"graph_node_id": "05e62ac29726c4d815cc9e65b47d29cf492bbb9f09c9d42251cefa2a6c40b972",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00032170412589507493,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "该系统帮助银行减少了约20%的坏账率。",
|
||
"metadata": {
|
||
"node_id": "291a5c89e63142c63838b5fad1ff16e788a3438d97d83916980cb27b16a5be04",
|
||
"graph_node_id": "291a5c89e63142c63838b5fad1ff16e788a3438d97d83916980cb27b16a5be04",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00032170412589507493,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 1.3924205044200936e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"metadata": {
|
||
"node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"graph_node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"node_type": "event",
|
||
"ppr_score": 1.0564743243185571e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 9.10248791126777e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 7.678002157579536e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。自部署该系统以来，该商业银 行的信贷业务风险识别准确率提高了约30%，潜在风险预警的 响应时间缩短了50%以上。同时，该系统帮助银行减少了约20% 的坏账率。 # 人工智能在信贷风险管理的前沿实践 # 1.数据挖掘与特征工程 在信贷风险管理中，数据挖掘和特征工程是构建有效风险 评估模型的基础。AI 技术能够从海量数据中识别出与信贷风险 高度相关的特征，这些特征可能包括客户的交易行为、社交媒 体活动、甚至是地理位置信息。通过机器学习算法，如随机森 林和梯度提升机（GBM），可以从这些特征中学习到复杂的风险 模式，从而提高风险评估的准确性。 # 2.深度学习与模式识别 深度学习技术，尤其是卷积神经网络（CNN）和循环神经网 络（RNN），在处理非结构化数据方面展现出了强大的能力。在 信贷风险管理中，这些技术可以用于分析客户的文本信息，如 贷款申请书和信用报告，以识别潜在的风险信号。此外，深度 学习模型能够通过自我学习不断优化，以适应金融市场的变 化。 # 3.实时风险监控与预警系统 AI 技术能够实现对信贷业务数据的实时监控，通过设置预 警阈值和触发条件，及时发现并识别出异常行为或潜在风险 点。",
|
||
"metadata": {
|
||
"node_id": "453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716",
|
||
"node_type": "text",
|
||
"ppr_score": 0.04166780282174702,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.075512145,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "以某大型银行为例，在引入AI 技术后， 其个人贷款审批流程从原来的数天缩短至数小时甚至几分钟内 完成，显著提升了审批效率。同时，AI 技术的自动化处理还大 大减少了人为错误，使得信贷审批的准确率提高了20%以上， 为金融机构的信贷业务提供了更加高效、准确的支撑。 2.夯实精准评估基础，提升决策质量 AI算法凭借其先进的数据分析能力，能够深入挖掘数据中 的潜在风险特征，并对历史数据进行深度学习和模式识别。这 种能力使得 AI 能够更准确地预测借款人的还款能力和违约概率。据统计，采用 AI 技术进行风险评估的金融机构，其信贷违约率普遍降低了 25%至 40%。在某互联网金融公司的实践中，通过 AI 技术构建的信用评估模型，成功将信贷业务的违约率降低了 35%，显著提升了信贷决策的准确性和对风险的控制能力。 3.防患于未然，提升应对能力 AI 模型在实时监测和分析信贷业务数据方面展现出了卓越 的能力。通过设置预警阈值和触发条件，AI 能够在风险发生前 自动发出预警信号，及时发现并识别出异常行为或潜在风险 点。据行业数据显示，采用 AI 风险预警系统的金融机构，能够 提前数周甚至数月发现潜在风险，为金融机构提供了充足的时间 来采取干预措施。在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。",
|
||
"metadata": {
|
||
"node_id": "5bd501b303a0f90a8e08f07b0c8fc9cd5fe27db39b3da0bd1c5f4e322840d95b",
|
||
"node_type": "text",
|
||
"ppr_score": 0.031187013365110317,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.074842375,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "并且“白条”服务的逾期率和 坏账率均保持在较低水平。 同时，人工智能还能够在过程中通过深度学习手段，将海 量的用户信息和还款信息进行深度的分析，不断完善自身的评 估模型，现有的自然语言处理手段也能够在对用户信息抓取的 过程中不断丰富抓取模型，提高风险预警能力。随着算法的不断优化和数据处理能力的飞跃提升，AI 在服务基本面上的完善将步入一个全新的阶段。实时监控技术，未来 AI 将更加智能化、精细化，能够实时捕捉市场动态，精准识别异常交易，为金融机构提供即时、全面的风险监控。某商业银行引入 AI 反欺诈技术，对客户的交易行为进行实时监控和风险评估。该系统能够自动识别异常交易模式，如大额资金转移、频繁跨行转账等，并及时通知客户进行核实。据统计，引入 AI 反欺诈技术后，该机构的金融诈骗案件数量减少了 60%，客户资金损失降低了 70%。",
|
||
"metadata": {
|
||
"node_id": "3d2da8647f0f21e497af89cae061465f0d15b6066566f1b1e267bdca90ae6b2c",
|
||
"node_type": "text",
|
||
"ppr_score": 0.010807272513414859,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.074909805,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "rag系统在实际应用场景中的例子有哪些？",
|
||
"pagerank_available": true
|
||
}
|
||
}
|
||
],
|
||
"all_passages": [
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"进行测试评估模型验证。",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"进行模型训练。",
|
||
"平台运维功能需求。",
|
||
"完善测试评估方法与规则。",
|
||
"制定分布实施计划",
|
||
"故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"同时，理论联系实际，提出包含支撑能力、评价体系、团 队文化的混沌工程落地模型，用于体系地提升行内稳定性保障技术能 力和IT运营能力。 ## （一）实践原则 Netflix 和社区于2015 年提出了混沌工程的基本原则，也即我们 常讨论的5 大原则：生产环境运行实验、真实事件、建立稳态假说、 自动化运营实验、最小化爆炸半径。该原则通用性很强，但落地门槛 较高。在遵从“5 大原则”的基础上，农行基于前期调研情况以及我 国金融业业务连续性高、监管要求高、资金敏感度高、声誉风险大的 特点，从研发管理流程、实验成本和风险控制等因素，扩展为“8 大 原则”，供金融企业落地实践参考。  ## （二）战略规划 混沌工程并不是简单地工具和手段的应用，而是包含了工具、人、 流程的综合体系。这需要将混沌工程应用的战略顶层设计与实际底层 实践相结合，有组织、有规划地制定混沌工程发展战略、落地规划与 评价机制。农行将技术风险管理的诉求归纳为三有诉求：有能力、有 评价、有文化，基于这3 点核心诉求，推导出混沌工程落地的“三有 模型”，以混沌工程这一工具为抓手，体系性提升技术风险管理水平。  ## （三）能力体系 ### 1.",
|
||
"青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"按计划部署",
|
||
"1998年，组建信产部。",
|
||
"贵州省人民政府办公厅于2023年6月发布《贵州省政务数据资源管理办法》。",
|
||
"1994年，邮电部实行邮电分营。",
|
||
"2022年5月，黑龙江省人大常委会发布《黑龙江省促进大数据发展应用条例》。",
|
||
"2008年，组建工信部。",
|
||
"jpg) 包括：DNS服务器、负载均衡器、交换机等 该平台具有以下几个特点： （1）适配全栈式异构金融云基础设施 完成了跨平台及“一体多芯”式的混编架构中故障注入体系的建 设，提供云上资源自助、自动构建、自动发布、自动运维、快速扩容、 多环境一致等场景，实现流程自动化，使开发人员能够更多地专注在 业务功能的实现和创新上，大幅提高了应用的交付效率，提升了业务 产品推出效率和竞争力。（2）引入“一隔离，两最小化”，实现权限隔离和管控 通过 RBAC 实现不同应用系统间沙箱容器的混沌故障隔离；引入 k8s Operator 机制，根据演练需求为沙箱容器进行权限控制，实现 权限最小化，同时通过集群调度限制混沌环境的范围，实现爆炸半径 最小化。分布式系统及微服务架构下，实现更细粒度的权限控制，有 效避免了不同应用系统同时实施混沌工程造成“环境污染”的风险， 同时也保障了不同应用系统间故障注入的原子能力。 (3) 混淆工具链与异构环境相融合 将四类主流混沌工具引入到异构金融云环境中，全栈式适配底层 复杂基础设施，解决了工具集合的离线部署、内核及版本不兼容、混 淀工具与多种操作系统及容器云运行时适配等疑难问题。同时将混沌 工具链融合在异构环境中，提供更多样化的故障类型，能够针对不同 的故障类型，推荐使用适配的注入工具，使故障注入更加精准化。",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"进行测试评估模型验证。",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"进行模型训练。",
|
||
"平台运维功能需求。",
|
||
"完善测试评估方法与规则。",
|
||
"制定分布实施计划",
|
||
"故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"同时，理论联系实际，提出包含支撑能力、评价体系、团 队文化的混沌工程落地模型，用于体系地提升行内稳定性保障技术能 力和IT运营能力。 ## （一）实践原则 Netflix 和社区于2015 年提出了混沌工程的基本原则，也即我们 常讨论的5 大原则：生产环境运行实验、真实事件、建立稳态假说、 自动化运营实验、最小化爆炸半径。该原则通用性很强，但落地门槛 较高。在遵从“5 大原则”的基础上，农行基于前期调研情况以及我 国金融业业务连续性高、监管要求高、资金敏感度高、声誉风险大的 特点，从研发管理流程、实验成本和风险控制等因素，扩展为“8 大 原则”，供金融企业落地实践参考。  ## （二）战略规划 混沌工程并不是简单地工具和手段的应用，而是包含了工具、人、 流程的综合体系。这需要将混沌工程应用的战略顶层设计与实际底层 实践相结合，有组织、有规划地制定混沌工程发展战略、落地规划与 评价机制。农行将技术风险管理的诉求归纳为三有诉求：有能力、有 评价、有文化，基于这3 点核心诉求，推导出混沌工程落地的“三有 模型”，以混沌工程这一工具为抓手，体系性提升技术风险管理水平。  ## （三）能力体系 ### 1.",
|
||
"在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统。",
|
||
"该系统能够实时监测和分析信贷业务数据，包括借款人的交易记录、行为特征、社交数据等多维度信息。",
|
||
"通过机器学习算法，该系统能够自动识别异常交易模式和潜在风险信号，并实时预警。",
|
||
"自部署该系统以来，该商业银行的信贷业务风险识别准确率提高了约30%。",
|
||
"潜在风险预警的响应时间缩短了50%以上。",
|
||
"该系统帮助银行减少了约20%的坏账率。",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。自部署该系统以来，该商业银 行的信贷业务风险识别准确率提高了约30%，潜在风险预警的 响应时间缩短了50%以上。同时，该系统帮助银行减少了约20% 的坏账率。 # 人工智能在信贷风险管理的前沿实践 # 1.数据挖掘与特征工程 在信贷风险管理中，数据挖掘和特征工程是构建有效风险 评估模型的基础。AI 技术能够从海量数据中识别出与信贷风险 高度相关的特征，这些特征可能包括客户的交易行为、社交媒 体活动、甚至是地理位置信息。通过机器学习算法，如随机森 林和梯度提升机（GBM），可以从这些特征中学习到复杂的风险 模式，从而提高风险评估的准确性。 # 2.深度学习与模式识别 深度学习技术，尤其是卷积神经网络（CNN）和循环神经网 络（RNN），在处理非结构化数据方面展现出了强大的能力。在 信贷风险管理中，这些技术可以用于分析客户的文本信息，如 贷款申请书和信用报告，以识别潜在的风险信号。此外，深度 学习模型能够通过自我学习不断优化，以适应金融市场的变 化。 # 3.实时风险监控与预警系统 AI 技术能够实现对信贷业务数据的实时监控，通过设置预 警阈值和触发条件，及时发现并识别出异常行为或潜在风险 点。",
|
||
"以某大型银行为例，在引入AI 技术后， 其个人贷款审批流程从原来的数天缩短至数小时甚至几分钟内 完成，显著提升了审批效率。同时，AI 技术的自动化处理还大 大减少了人为错误，使得信贷审批的准确率提高了20%以上， 为金融机构的信贷业务提供了更加高效、准确的支撑。 2.夯实精准评估基础，提升决策质量 AI算法凭借其先进的数据分析能力，能够深入挖掘数据中 的潜在风险特征，并对历史数据进行深度学习和模式识别。这 种能力使得 AI 能够更准确地预测借款人的还款能力和违约概率。据统计，采用 AI 技术进行风险评估的金融机构，其信贷违约率普遍降低了 25%至 40%。在某互联网金融公司的实践中，通过 AI 技术构建的信用评估模型，成功将信贷业务的违约率降低了 35%，显著提升了信贷决策的准确性和对风险的控制能力。 3.防患于未然，提升应对能力 AI 模型在实时监测和分析信贷业务数据方面展现出了卓越 的能力。通过设置预警阈值和触发条件，AI 能够在风险发生前 自动发出预警信号，及时发现并识别出异常行为或潜在风险 点。据行业数据显示，采用 AI 风险预警系统的金融机构，能够 提前数周甚至数月发现潜在风险，为金融机构提供了充足的时间 来采取干预措施。在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。",
|
||
"并且“白条”服务的逾期率和 坏账率均保持在较低水平。 同时，人工智能还能够在过程中通过深度学习手段，将海 量的用户信息和还款信息进行深度的分析，不断完善自身的评 估模型，现有的自然语言处理手段也能够在对用户信息抓取的 过程中不断丰富抓取模型，提高风险预警能力。随着算法的不断优化和数据处理能力的飞跃提升，AI 在服务基本面上的完善将步入一个全新的阶段。实时监控技术，未来 AI 将更加智能化、精细化，能够实时捕捉市场动态，精准识别异常交易，为金融机构提供即时、全面的风险监控。某商业银行引入 AI 反欺诈技术，对客户的交易行为进行实时监控和风险评估。该系统能够自动识别异常交易模式，如大额资金转移、频繁跨行转账等，并及时通知客户进行核实。据统计，引入 AI 反欺诈技术后，该机构的金融诈骗案件数量减少了 60%，客户资金损失降低了 70%。"
|
||
],
|
||
"passage_sources": [
|
||
"子查询1-event-837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"子查询1-event-fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"子查询1-event-52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"子查询1-event-8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"子查询1-event-ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"子查询1-event-71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"子查询1-event-df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"子查询1-event-3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"子查询1-event-4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"子查询1-event-e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"子查询1-text-dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"子查询1-text-7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"子查询1-text-da431fcfc058ce10697b2ccc8eb898f51b3dbeba1466496878efc64cde12a1aa",
|
||
"子查询2-event-0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"子查询2-event-597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"子查询2-event-006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"子查询2-event-71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"子查询2-event-a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"子查询2-event-0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"子查询2-event-4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"原始查询-text-5f593c4a4c8b89a95644375ee4952d1a4acc08146262cb3a56d5376db5ee1713",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown"
|
||
],
|
||
"retrieval_path": "unknown",
|
||
"initial_retrieval_details": {},
|
||
"current_sub_queries": []
|
||
} |