Aramark
产品匹配与餐食数据分类
Palantir
餐饮/服务
典型Forward Deployed
标准案例｜可参考但仍有缺口
B级证据
生产级
B
证据等级
Aramark：产品匹配与餐食数据分类
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。
标准案例｜可参考但仍有缺口
7 / 12
业务背景1 / 2
改造流程1 / 2
技术工作流2 / 2
人机与治理 / 2
量化结果2 / 2
来源定位1 / 2
仍可补强：业务背景、改造流程、人机与治理、来源可定位性
业务问题
产品、配方、供应和销售数据分散，产品匹配与分类依赖大量人工。
解决方案
统一数据模型与Ontology，使用AI做产品匹配和分类，低置信度项目交人工。
技术架构与生产工作流
Step 01
业务数据/文档/系统输入
→
Step 02
数据清洗与业务语义整理
→
Step 03
AI/规则完成理解、匹配或生成
→
Step 04
确定性校验或业务规则检查
→
Step 05
人工处理低置信度/高风险事项
→
Step 06
结果写回原业务流程并持续沉淀反馈
关键技术与基础设施组件
企业数据/文档LLM/语义理解业务规则Human-in-the-loop原有业务系统
人机分工与责任边界
人工处理少数无法自动归类项目。
FDE 动作拆解
- 跟一线人员走完整工作流，确认真实瓶颈而不是只接需求文档
- 盘点可用数据、权限、系统接口和隐性业务规则
- 把任务拆成 AI、规则/传统软件、人三类责任边界
- 先做窄场景 PoC，用真实样本验证准确率与业务价值
- 嵌入原有系统，设计异常升级、反馈和后续迭代机制
可迁移复用的落地方法论
- 先选高频、高成本、可验证的窄流程
- 能用确定性工具验证的步骤，不让模型自评
- 高风险动作保留人工责任
- 把每次人工修正变成后续可检索的上下文/规则
业务成效与交付成果
9个月内约99%的meal data elements实现自动分类。
证据边界与核验记录
- 公开资料确认业务流程；技术组件为基于公开描述的架构抽象
- 当前链接为官方汇总入口，尚需补充可直接定位该案例的深链接或页码。