物联网AI中台 产品系统

技术栈：HuggingFace Transformers / LangChain / SpringAI Alibaba / PyTorch ｜ DeepSeek / Qwen /Qianfan/ DinoV2 ｜ PostgreSQL / Milvus ｜ Netty
项目背景：
为国内大型电厂构建统一的物联网AI能力中台，旨在通过AI技术实现园区安防、设备巡检、运行优化的智能化升级，解决传统管理方式中人效低、响应慢的痛点。

项目背景：
为国内大型电厂构建统一的物联网AI能力中台，旨在通过AI技术实现园区安防、设备巡检、运行优化的智能化升级，解决传统管理方式中人效低、响应慢的痛点。
项目描述：
参与设计与研发的结合物联网平台、视觉分析、智能体（Agent）、机器学习服务与模型管理于一体的AI中台。平台核心包括：
1）智能体服务中心（基于LangChain/SpringAI），提供工具调用与工作流编排；
2）模型训练与服务中心，支持视觉、普通模型和大模型的微调、评估与部署；
3）多模态知识库，集成向量数据库与图数据库，实现非结构化数据的检索与推理。项目构建了统一的模型库、样本库与配置管理中心，为上层业务提供标准化AI能力。
个人职责：项目核心设计与研发工程师，负责AI能力集成与中台后端架构。
核心技术工作：
系统架构与AI中台设计：主导后端技术选型与架构设计，将物联网实时数据流与大模型推理服务结合。采用 LangChain + SpringAI Alibaba构建智能体框架，实现Agent工作流编排与工具调用。
大模型与智能体研发：基于 DeepSeek及百炼平台，开发RAG问答、任务规划与执行智能体。利用 HuggingFace Transformers完成部分模型的下游任务适配与微调，并集成至服务池。
项目成果：成功交付统一AI能力中台，将分散的AI能力服务化、模块化，为智慧电厂园区管理提供了可扩展的视觉分析、预测性维护与智能决策支持，奠定了业务智能化升级的基础。

算法模型研发与实践：
视觉模型优化：针对电厂设备巡检场景，基于DINOv2架构训练分类头，实现设备状态识别与缺陷检测。通过对比学习、数据增强等技术，在小样本场景下将分类准确率提升至92%。针对安全帽、工服穿戴、危险区域入侵等场景，训练YOLOv8目标检测模型，通过Mosaic数据增强、自适应锚框计算等技术，在边缘设备上实现30FPS实时检测。
时序模型开发：针对设备预测性维护，构建LSTM-Autoencoder异常检测模型。采用滑动窗口技术构建时序特征，通过重构误差计算异常分数，实现对设备振动、温度、电流等多维时序数据的异常检测，故障预警准确率达到87%以上，平均提前预警时间72小时。
自然语言处理：针对工单文本、巡检报告等非结构化数据，基于BERT架构进行领域自适应微调。通过动态掩码、全词掩码、N-gram掩码等技术增强预训练，在命名实体识别、文本分类等任务中F1值达到0.89。构建BERT+BiLSTM+CRF的多任务学习框架，实现设备故障描述的关键信息提取。
知识库系统搭建：主导知识库架构设计，实现非结构化数据的向量化（Embedding）与存储，支撑基于语义的实时检索与多跳推理。同时在检索链路中集成多路召回、打散去重、粗精排等策略，显著提升了智能体应答的准确性与相关性。
模型服务与工程化落地：构建模型训练与服务的完整Pipeline，实现从数据准备、微调训练、评估到服务化部署（API化）的闭环，并通过配置中心实现模型版本与策略的动态管理。针对边缘计算场景，实现模型量化等轻量化技术，将模型大小压缩60%，推理速度提升3倍。