外部公开案例，非衍谷交付
Medtronic · 工程图纸原材料与零件号智能提取
来源披露≠独立审计；编辑分析不等于客户确认。A级仅表示可定位到案例级来源，详细度不是成功评分。请先阅读下方字段分析边界；未公开细节不可当作已实施事实。
字段分析边界
- 业务问题依据
- 厂商客户案例披露
- 解决方案
- 厂商客户案例披露
- 技术工作流
- 依据公开组件和流程整理
- FDE 行动（请结合分析边界）
- 依据公开协作过程归纳
- 结果（来源方披露）
- IBM与客户披露
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。技术工作流
- 复杂工程图纸与设计文档
- Azure Document Intelligence OCR与版面解析
- RAG检索工程上下文
- Azure OpenAI生成并验证候选属性
- 关键材料与零件号写入数据库
- 搜索应用与专家异常复核
技术组件
- Azure Document Intelligence
- Azure OpenAI
- RAG
- Azure Blob Storage
- 属性数据库
- 专家复核
人工责任与复核
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 行动（请结合分析边界）
- 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
结果（来源方披露）
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。核验说明
- 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。
未公开 / 仍有缺口
未补充记录可迁移方法
- 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
来源账本
- 标题
- Material ID search revolutionized with Microsoft GenAI + IBM Consulting
- 发布方
- IBM
- 来源类型
- 厂商官方客户案例
- 可定位性
- 案例级直接来源
- 结论披露方
- IBM与客户披露
- 已记录独立核验
- 否
- 源库查阅日期
- 2026-09-19
补充来源
未补充记录证据说明
IBM逐案例页面公开技术组件、协作团队和两项准确率；没有披露样本规模及独立评测报告。编辑摘要
Medtronic把工程图纸处理拆为OCR、RAG验证、结构化入库和专家复核，使AI不只“读图”，而是进入材料识别与供应链决策流程。详细度六维评分（各 0–2）
- 业务背景
- 2
- 改造流程
- 2
- 技术工作流
- 2
- 人机与治理
- 2
- 量化结果
- 2
- 来源可定位性
- 2
原始案例 ID
ibm-medtronic-001技术方案参考
是来源分类
IBM企业 / 组织
Medtronic行业
医疗器械制造一级行业
医疗与生命科学业务场景
工程图纸原材料与零件号智能提取FDE 标记
伴随式部署FDE 关系
联合业务流程改造成熟度说明
生产验证/扩展成熟度阶段
已上线主来源
https://www.ibm.com/case-studies/medtronic ↗证据等级
A证据等级说明
A级｜厂商逐案例来源详细度评分（满分 12）
12详细度分组
deep详细度说明
深度案例｜关键链路较完整编辑数据：guminghao-avi contributors，MIT。导入 2026-10-02；源版本 ef550123。版权与许可证 · 原案例库。以上保留来源与证据限定，不构成衍谷效果承诺。