L3Harris
制造与供应链预测决策
Palantir
国防/工业
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
L3Harris：制造与供应链预测决策
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1 / 2
量化结果1 / 2
来源定位1 / 2
仍可补强：业务背景、改造流程、人机与治理、量化结果、来源可定位性
业务问题
管理者不缺“发生了什么”的看板，而缺能提前预测风险并给出可执行方案的系统。
解决方案
将制造、供应、成本和交付数据映射到Ontology，用预测/优化/AIP把风险转成行动建议。
技术架构与生产工作流
Step 01
设备/质量/工艺/维护/供应链/历史事件
→
Step 02
Foundry整合实时与历史工业数据
→
Step 03
Ontology建立设备、零部件、订单、工艺与约束
→
Step 04
AIP/预测/优化发现风险与推荐动作
→
Step 05
工程师/现场人员确认并操作
→
Step 06
执行结果和故障反馈沉淀为后续模型与规则上下文
关键技术与基础设施组件
FoundryOntologyAIP预测/优化制造与供应链数据
人机分工与责任边界
业务与工程负责人负责高风险决策和资源调配。
FDE 动作拆解
- 和制造与供应链一线团队共同走完整流程，找出真正需要决策而不是展示数据的节点
- 把分散数据源、权限和业务术语整理成统一可操作的Ontology
- 将业务规则、优化模型、LLM和传统软件按可靠性边界组合，而不是让LLM包办
- 把建议直接嵌入现有操作工作台，并设计批准、驳回、升级和写回Action
- 用业务KPI验收并根据真实反馈继续改Ontology、规则和自动化
可迁移复用的落地方法论
- 先把业务对象、关系、状态和Action建模清楚，再谈Agent
- 建议必须进入可执行工作流，否则只是另一张仪表盘
- 高价值部署往往是数据整合 + 规则/优化 + AI + Human-in-the-loop的组合
- 持续把执行结果写回，才能形成可积累的运营记忆
业务成效与交付成果
官方客户引述强调从事后看板转向预测和决策敏捷性，公开材料未给统一量化ROI。
证据边界与核验记录
- Palantir官网明确披露客户目标与部署方向；未披露单一财务指标与具体模型。
- 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。