其他行业 · AI应用
使用 Azure OpenAI 服务分析全球电动汽车充电行为
佐治亚理工学院 Omar Asensio 博士的团队使用 Azure OpenAI 服务和 IDEaS Cloud Hub 分析 72 种语言的非结构化电动汽车驾驶员数据，为政策和基础设施决策提供信息。他们使用基于人类反馈的强化学习和微调，实现了超越人类专家的分类性能，能够快速提取定价、可靠性和可用性信号。这些模型支持预测建模，在问题发生前检测问题，并指出联网充电器比非联网充电器更可靠，有助于指导政府干预和投资。
分类速度
5-10分钟内完成全美数据分类
来源披露
成本
每观测0.006美分
来源披露
分类准确率
超越人类专家
来源披露
01
业务背景
佐治亚理工学院 Omar Asensio 博士的团队使用 Azure OpenAI 服务和 IDEaS Cloud Hub 分析 72 种语言的非结构化电动汽车驾驶员数据，为政策和基础设施决策提供信息。他们使用基于人类反馈的强化学习和微调，实现了超越人类专家的分类性能，能够快速提取定价、可靠性和可用性信号。这些模型支持预测建模，在问题发生前检测问题，并指出联网充电器比非联网充电器更可靠，有助于指导政府干预和投资。
02
遇到的问题
电动汽车消费者对公共充电基础设施信心不足是阻碍电动化普及的关键障碍，且从大量非结构化驾驶员数据中获取洞见需要大量人力（人工专家需要99周），无法规模化。
03
AI 解决方案
利用Azure OpenAI服务，通过基于人类反馈的强化学习（RLHF）和微调训练AI模型，自动从72种语言的电动汽车驾驶员评论中提取定价、可靠性和可用性信号，实现超越人类专家的分类性能。随后使用该模型进行大规模数据分析与预测建模，在问题发生前检测问题，并将分析结果用于指导政策和基础设施投资。
- 1收集来自各种应用和平台的全球EV驾驶员评论等非结构化数据，覆盖72种语言。
- 2使用Azure OpenAI服务进行初始分类，性能仅略高于随机水平（50%）。
- 3通过提供上下文提示和具体示例，利用人类反馈的强化学习微调模型。
- 4微调后的模型达到“超人类分类”水平，性能超越人类专家。
- 5利用微调模型自动提取定价机制、可靠性、可用性等信号，成本低至每观测0.006美分。
- 6基于分类结果进行预测建模，识别联网与非联网充电器的可靠性差异，实现问题前检测。
04
实施结果
分类速度：5-10分钟内完成全美数据分类（从99周降至数分钟）
成本：每观测0.006美分（成本低3到4个数量级）
分类准确率：超越人类专家（从随机水平到超人类性能）
发现：联网充电器比非联网充电器更可靠
05
风险与边界
未披露
“We literally hit a button, and within 5-10 minutes, we had classified all the US data.”
Dr. Omar Asensio · Associate Professor and Director, Data Science and Policy Lab, Georgia Institute of Technology
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。