Domain Knowledge（自用）

 

Domain Knowledge（领域知识）

1. 定义

Domain Knowledge（领域知识） 指在特定专业领域（如医疗、金融、法律、工程等）中积累的系统性专业知识，包括：

• 术语体系（如医学中的“血小板减少症”）

• 行业规则（如金融监管中的Basel III协议）

• 实践方法（如芯片设计中的EDA工具流程）

• 领域特有的数据分布（如医疗影像的CT/MRI差异）

2. 在AI/LLM中的重要性

当技术方案涉及特定领域时，缺乏领域知识会导致：

• 模型失效：如法律合同分析模型误读“Force Majeure”条款

• 数据偏差：用通用语料训练的模型无法理解石油勘探报告中的“孔隙度”

• 评估错误：在医疗诊断中，准确率（Accuracy）不如敏感性（Sensitivity）重要

3. 领域知识的获取方式

来源	示例	适用阶段
领域专家	医生标注医疗实体	数据标注/验证
行业文献	IEEE论文中的射频参数规范	特征工程
领域数据集	金融领域的SEC财报数据库	模型训练
本体论(Ontology)	生物医学的UMLS知识图谱	知识增强

4. 与大模型（LLM）的结合方法

(1) 领域适应（Domain Adaptation）

• 技术：在通用模型（如GPT-4）上继续训练领域数据（LoRA/P-tuning）

• 案例：BloombergGPT通过金融新闻/财报微调

(2) 知识注入

• 结构化知识：将行业知识图谱嵌入提示词（Prompt）

  检索增强（RAG）：实时查询领域数据库（如药品说明书）

(3) 评估优化

• 领域特有指标：

  • 法律：条款覆盖度（Clause Coverage）

  • 工业：F1-score需区分“安全关键类”（如螺栓松动）

5. 典型应用场景

领域	关键知识需求	AI解决方案难点
医疗	ICD-10编码/药品相互作用	误诊风险控制
金融	巴塞尔协议/衍生品定价模型	合规性约束
制造业	6Sigma标准/设备故障模式	小样本学习
法律	判例法体系/合同条款结构	长文本逻辑推理

6. 挑战与解决方案

• 挑战1：知识动态更新

  • 解法：构建领域知识版本管理（如FDA药品数据库季度更新）

• 挑战2：知识冲突

  • 解法：基于可信源优先级（如临床指南 > 单篇论文）

• 挑战3：知识碎片化

  • 解法：构建领域本体论（如SNOMED CT医学术语系统）

7. 工具与框架

• 知识图谱：Neo4j, Amazon Neptune

• 领域预训练模型：

  • 生物医学：BioBERT, PubMedGPT

  • 法律：LexGPT, CaseLawBERT

• 评估基准：

  • MedQA（医学）、FinQA（金融）