工伤预防大模型：智能化治理的实践应用

以易训大数据仓库为基础，搭建AI中台，拥有统一数据存储系统、异构多维计算平台，能够支撑机器学习、模型训练部署与运行监控，实现灵活的模型扩展与组装，研发易训工伤保险大模型，通过单模型、多模型的组合运用，聚焦于工伤预防、参保扩面、提高基金使用效率。

易训工伤保险大数据项目，通过多源数据采集、数据清洗、去噪、规范化等一系列流程，构建了多维数据指标库。这为工伤预防大模型的训练提供了坚实的基础。

考虑到工伤预防领域的特殊性与敏感性，数据处理中需要做到以下几点：

工伤数据脱敏：

综合采用替换法\加密\掩码\数据混淆\匿名化等操作，对数据进行深度脱敏，避免敏感信息泄露。

易训团队秉持高标准、严要求构建工伤自有垂直领域预训练语料，为将工伤领域知识有效融入大模型，以更好地适配工伤领域的特有任务，定制了一套标准化数据处理流程。

通用大模型在应用于工伤垂直领域时，往往会因为缺乏领域知识和数据，对各个行业的特殊性了解有限，其表现通常也不尽人意。

易训大模型基于自建工伤领域知识库，结合工伤问答中常见应用场景，同时基于积累的百万工伤数据，整理出高质量问答对，通过SFT(有监督微调)训练，全面强化其对7大特定任务的处理能力。

传统工伤预防项目常因费用比例限制导致企业选取覆盖面小；而工伤事故的随机性与企业信息滞后导致预防企业选取精准度低与预防后置性，最终导致降数据成果不显著，基金使用效率低下。

易训基于重点企业漏斗模型与企业智能分级模型，精准定位治理重点并为其进行分级，提高资源利用效率；同时，基于动态精准触发模型与智能调度模型，达成动态监管、快速响应的效果；在治理过程中运用隐患与事故关联模型、企业隐患推荐模型、检查清单推荐模型、隐患描述与检测清单自动匹配算法，提高治理效率，达成精准施策的效果。

传统企业筛选模型往往基于提取到企业历史工伤数据，其缺点在于：

重点企业漏斗模型通过多阶段、多维度的筛选，逐步缩小重点关注的企业范围，提高筛选的准确性和有效性。

基于重点企业漏斗模型，可以实现：

通过重点企业漏斗模型，可以更有效地筛选出高风险企业，提高工伤预防的效果，保障员工的安全和健康。

基于大数据技术构建的企业工伤管理平台

根据风险指标的权重和量化评分，采用AI算法对工伤风险进行预估。

按行业、地区对企业进行划分，根据企业的实际情况和风险承受能力，分别设定不同级别的预警阈值。

通过数据采集系统实时监测企业的各项风险指标，当指标值超过预警阈值时，触发相应级别的预警。