Lockheed Martin
统一数据底座与安全AI Factory
IBM
航空航天/国防
伴随式部署
深度案例｜关键链路较完整
A级证据
平台规模化/应用扩展
A
证据等级
A new era of AI takes off for Lockheed Martin
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
12 / 12
业务背景2 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理2 / 2
量化结果2 / 2
来源定位2 / 2
六个维度均达到当前完整度标准。
业务问题
Lockheed Martin的数据分散在多个数据湖以及46套数据管理、分析和商业智能系统中，工程人员难以快速找到高质量数据，也无法在安全约束下规模构建和治理AI应用。
解决方案
公司与IBM先将46套分散系统收敛为单一连接的数据环境，再建设安全AI Factory，让工程师基于受治理数据和开放模型开发大型AI应用；面向员工的自然语言问数、研究和HR助手在统一数据及治理框架上运行，并通过提示与查询优化持续改进答案。
技术架构与生产工作流
Step 01
46套数据与分析系统及多个数据湖
→
Step 02
数据整合、质量和目录定义
→
Step 03
统一受治理的数据平台
→
Step 04
安全AI Factory与开放模型
→
Step 05
自然语言问数、研究与HR助手
→
Step 06
评测、提示优化和查询优化反馈
关键技术与基础设施组件
统一数据平台数据目录IBM Granitewatsonx.governancewatsonx OrchestrateAgent框架
人机分工与责任边界
AI提供数据查询、研究和员工服务回答；数据负责人维护定义和质量，工程师选择模型并验证结果，安全与治理团队控制敏感环境中的访问和上线。
FDE 动作拆解
- 先整合数据系统再扩展AI应用
- 与工程和安全团队定义可访问数据边界
- 自动化数据目录定义降低使用门槛
- 用样例问题测量问答准确率
- 分别实验提示和查询优化的增益
可迁移复用的落地方法论
- 数据割裂会直接限制企业AI规模化
- 安全AI Factory需要把开发速度与治理放在同一平台
- 问答系统应有固定样例集和分阶段优化数据
- 平台结果和单个Agent结果需要分别度量
业务成效与交付成果
IBM客户案例称，数据与AI工具数量减少50%，46套系统被一个集成平台替代，自动化216个数据目录定义；问答试点准确率从45.45%提升至提示优化后的56.8%，查询优化后达到66.0%。
证据边界与核验记录
- 页面明确披露46套系统、216个目录定义及准确率变化。
- 准确率为早期样例问题试点，不代表所有生产查询。