Medtronic
工程图纸原材料与零件号智能提取
IBM
医疗器械制造
伴随式部署
⚙ 技术方案
深度案例｜关键链路较完整
A级证据
生产验证/扩展
A
证据等级
Material ID search revolutionized with Microsoft GenAI + IBM Consulting
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
医疗器械产品工程图纸数量大且结构复杂，关键原材料和零件号识别依赖人工阅读与核对，既拖慢产品开发和供应链分析，也容易因为格式和图面差异产生遗漏。
解决方案
Medtronic全球运营与供应链分析团队、供应商管理团队和IBM共同构建定制方案：Azure Document Intelligence先做OCR和版面提取，Azure OpenAI支持的RAG结合工程上下文验证材料信息，关键属性写入数据库并通过简单搜索应用供业务人员检索。
技术架构与生产工作流
Step 01
复杂工程图纸与设计文档
→
Step 02
Azure Document Intelligence OCR与版面解析
→
Step 03
RAG检索工程上下文
→
Step 04
Azure OpenAI生成并验证候选属性
→
Step 05
关键材料与零件号写入数据库
→
Step 06
搜索应用与专家异常复核
关键技术与基础设施组件
Azure Document IntelligenceAzure OpenAIRAGAzure Blob Storage属性数据库专家复核
人机分工与责任边界
AI完成图纸识别、信息抽取和候选结果生成；供应链与工程专家验证关键属性、处理低置信度例外，并对材料和设计决策负责。
FDE 动作拆解
- 与供应链和工程团队定义关键提取字段
- 组合OCR确定性解析与RAG语义理解
- 分别测量材料和零件号准确率
- 设计数据库和搜索入口进入业务流程
- 把低置信度结果交由专家处理
可迁移复用的落地方法论
- 复杂文档AI应拆分OCR、语义理解和人工复核
- 不同字段应分别评测而不是只报总准确率
- 抽取结果必须进入可查询的数据结构
- 高风险工程信息需要置信度和例外处理机制
业务成效与交付成果
IBM案例披露，关键材料信息提取准确率最高达到90%，零件号提取准确率超过85%，显著减少人工核验并节省数小时处理工作；未公开总体成本节省口径。
证据边界与核验记录
- 90%和85%分别对应材料信息与零件号提取。
- 公开页面未给样本量、误差分布和外部评测。