达观动态

达观愿与业内同行分享 助力各企业在大数据浪潮来临之际一起破浪前行

达观推出汽车维修智能问答智库系统,知识图谱助力汽车维修更快、更精、更高效

汽车是一个结构较复杂的设备,无论是对于传统的燃油车还是新能源汽车都包含大量零部件和电路,发生故障时往往会涉及到多个系统和零部件。汽车维修是对出现故障的汽车通过技术手段排查,找出故障原因,并采取一定措施使其排除故障并恢复达到一定的性能和安全标准。

图谱

汽车维修过程中,由于涉及的知识和经验领域多,主要面临如下的三大问题。

涉及学科多,维修知识覆盖广

汽车维修过程会涉及物理、化学、电子电气、材料多个领域知识,且不同车型、不同部件的构造、工作原理、诊断方法、维修方法等都不同。一次维修可能需要翻阅若干工具书和资料,而且耗时费力

处理问题速度慢,影响口碑和销量

汽车出现故障送到4S店或整车厂维修通常会涉及进出厂检验员、服务顾问、维修工(机修,钣金,电工,喷漆)等。一个故障往往涉及多个系统和零部件,对于某些故障,对接人员无法直接找到故障原因,导致客户等待时间长、体验差、满意度低。甚至会投诉4S店和厂家,质疑该车型的质量,进而影响该车型的口碑和销量。

人员流动性大,新人培养时间长

由于企业的扩张或者员工的流失,导致每年都有大量的新员工需要培养。在汽车维修相关岗位,新员工从入职到能够胜任工作的培养周期往往需要2-3年之长。新员工面对新的难点问题时若一直依赖高级技师的口口相传,工作效率将极其低下

达观智能制造维修问答助手是以维修知识图谱为知识库底座,结合自然语言处理技术构建问答引擎,实现基于知识库的问答系统。用户可询问故障原因、故障解决方案、故障详情等信息。

一、维修知识图谱

构建维修图谱首先需要设计图谱模式,该模式需要汽车维修领域专家和图谱专家共同完成,通过抽象、总结维修领域的专业知识进行建模,比如,事件、失效模式、设备、措施等概念及之间的语义关系。

其次对维修工单、故障记录、流程审批等数据进行解析、抽取和结构化,结合设备属性和关联关系,构建出汽车维修知识图谱。

图谱1
二、维修知识智能问答

智能问答是基于语义解析的方法,将用户给出的自然语言问题转化成逻辑形式在知识图谱上查询。相对于基于字符匹配的传统搜索引擎,知识图谱的问答搜索,可进一步理解用户输入的语义信息,并推荐与搜索结果相关联的知识

比如,维修工程师搜索“发动机发生故障会有什么显示”,能理解用户搜索意图实际为发动机故障指示灯的图例,进而优先返回文档中截图和相关维修案例,而不仅仅返回包含“发动机”、“故障”、“显示”等关键词的文档信息。对于部分问题的答案会直接以图谱的方式展示提供可解释性,并且可选择图谱上的答案追溯到相关历史文档上。此外,知识图谱可推荐“发动机故障指示灯”相关的其他图例和维修案例,帮助工程师做知识拓展。

图谱2
实践表明,“维修问答助手”对维修技师在日常维修、外出救援、个人技能提升的场景中都有很大帮助。具体表现为:

⚫️ 信息获取更加便捷,且在遇到疑难故障时,能及时获得参考维修方法。维修技术也在该应用的加持下逐步提高。维修效率和一次性修复率显著提升,客户等待时间缩短

⚫️ 通过维修知识问答的方式新员工可以实现自学习,迈向熟练工的成长速度从过去的2-3年缩短到6个月的时间,同时对于维修高级技师的依赖也逐渐减轻。

⚫️ 对厂家的技术专家而言,“维修问答助手”让他们从繁琐的故障咨询中解放出来,专注于疑难问题攻关,新问题的解决方案可以反哺维修知识库,经验和知识转化为知识资本,从而构建或保持企业的核心竞争力。

图谱4