一、電信網(wǎng)絡(luò)運(yùn)營(yíng)場(chǎng)景

首先向大家介紹下電信網(wǎng)絡(luò)運(yùn)營(yíng)的背景：

• 電信網(wǎng)絡(luò)運(yùn)營(yíng)場(chǎng)景介紹
• 網(wǎng)絡(luò)運(yùn)營(yíng)知識(shí)來(lái)源
• 基于知識(shí)圖譜的智能網(wǎng)絡(luò)運(yùn)營(yíng)技術(shù)方案

1、電信網(wǎng)絡(luò)運(yùn)營(yíng)場(chǎng)景介紹

電信網(wǎng)絡(luò)運(yùn)營(yíng)主要是處理網(wǎng)絡(luò)的故障和問(wèn)題，這些故障和問(wèn)題是記錄在工單中的，其中包含著很多的專業(yè)術(shù)語(yǔ)，同時(shí)具有數(shù)據(jù)量大、結(jié)構(gòu)多樣、缺乏規(guī)范等特點(diǎn)。此類數(shù)據(jù)是非常有價(jià)值的，需要通過(guò)較好的分析和應(yīng)用來(lái)體現(xiàn)。以往都是依靠專家經(jīng)驗(yàn)來(lái)處理工單中對(duì)應(yīng)的實(shí)時(shí)發(fā)生的網(wǎng)絡(luò)問(wèn)題，這種處理方式面臨以下多種問(wèn)題：

• 運(yùn)行工作量逐年增長(zhǎng)：比如集團(tuán)云網(wǎng)運(yùn)營(yíng)部維護(hù)網(wǎng)元數(shù)同比增加10%，甚至更多；故障單同比增加5%以上。
• 運(yùn)維模式陳舊：當(dāng)前運(yùn)維模式主要依賴于專家經(jīng)驗(yàn)和規(guī)則來(lái)維護(hù)網(wǎng)絡(luò)的穩(wěn)定，自動(dòng)化流程占比還比較少。
• 業(yè)務(wù)數(shù)據(jù)利用率低：業(yè)務(wù)中所產(chǎn)生的工單數(shù)據(jù)、案例數(shù)據(jù)以及專家手冊(cè)等還沒(méi)有得到很好的利用，缺乏結(jié)構(gòu)化的知識(shí)沉淀。
• 智能化程度低：當(dāng)前結(jié)構(gòu)化數(shù)據(jù)資源匱乏，深度學(xué)習(xí)技術(shù)還未較好利用，無(wú)法提供足夠的智能化應(yīng)用。

針對(duì)上述問(wèn)題，AI 研發(fā)中心希望基于知識(shí)圖譜來(lái)探索輔助電信網(wǎng)絡(luò)運(yùn)營(yíng)、提高運(yùn)維效率的途徑。知識(shí)圖譜的關(guān)系表達(dá)能力強(qiáng)，基于圖的方式可以處理多樣的關(guān)聯(lián)分析，在一定程度上能夠像人類一樣進(jìn)行知識(shí)推理，而且相較于傳統(tǒng)的存儲(chǔ)方式，在查詢時(shí)具有更高的結(jié)果反饋速度。

此外圖數(shù)據(jù)庫(kù)呈現(xiàn)數(shù)據(jù)的方式更加直觀、靈活，具備高性能的深度關(guān)系查詢、分析、推理能力。在網(wǎng)絡(luò)領(lǐng)域可以支持完成網(wǎng)絡(luò)安全、網(wǎng)絡(luò)優(yōu)化、故障診斷、智能問(wèn)答等智能化應(yīng)用。

2、網(wǎng)絡(luò)運(yùn)營(yíng)知識(shí)來(lái)源

這部分介紹網(wǎng)絡(luò)運(yùn)營(yíng)知識(shí)的一些數(shù)據(jù)特點(diǎn)，表中列出的是能夠從業(yè)務(wù)中獲取到的數(shù)據(jù)。比如對(duì)于工單來(lái)講，在判斷所發(fā)生的網(wǎng)絡(luò)故障問(wèn)題之后，會(huì)進(jìn)行相應(yīng)的告警，同時(shí)會(huì)派出網(wǎng)絡(luò)運(yùn)維工單，之后運(yùn)維工人再根據(jù)運(yùn)維工單跟進(jìn)處理，這一故障解決的過(guò)程都會(huì)記錄在原始的故障問(wèn)題工單中。其中包含的大部分?jǐn)?shù)據(jù)其實(shí)是屬于半結(jié)構(gòu)化的數(shù)據(jù)，反饋不分則主要是大量的非機(jī)構(gòu)化文本。工單數(shù)據(jù)的優(yōu)點(diǎn)是數(shù)據(jù)量大、來(lái)源穩(wěn)定；缺點(diǎn)是工人在問(wèn)題分析和處理過(guò)程中可能會(huì)因?yàn)橹碧幚韱?wèn)題而簡(jiǎn)化記錄和反饋的內(nèi)容，導(dǎo)致信息的缺失。

此外還有一部分是案例數(shù)據(jù)。這部分?jǐn)?shù)據(jù)是專家、運(yùn)維人員在處理大量的網(wǎng)絡(luò)故障問(wèn)題過(guò)程中所積累的經(jīng)驗(yàn)，寫成案例文檔幫助解決后續(xù)再遇到的類似問(wèn)題。案例數(shù)據(jù)雖然記錄全面，包含了故障問(wèn)題發(fā)現(xiàn)、分析、處理的全過(guò)程，但是案例數(shù)據(jù)量比較少，而且不同的專家有自己的文檔撰寫風(fēng)格，導(dǎo)致案例數(shù)據(jù)有很多種樣式，來(lái)源也不穩(wěn)定。

第三種是業(yè)務(wù)規(guī)則數(shù)據(jù)，主要是運(yùn)維人員在實(shí)際處理網(wǎng)絡(luò)故障問(wèn)題時(shí)所編寫和使用的業(yè)務(wù)規(guī)則邏輯。這些業(yè)務(wù)邏輯規(guī)則在實(shí)際使用中非常有效，是很重要的知識(shí)信息，但是同樣具有格式多樣、來(lái)源不一等問(wèn)題，實(shí)際使用時(shí)可能是從多個(gè)不同的系統(tǒng)中導(dǎo)出的，需要有專家解讀才能準(zhǔn)確理解所表達(dá)的含義。

最后一種是專家經(jīng)驗(yàn)，是沉淀在專家腦海中的專業(yè)性強(qiáng)、價(jià)值較高的實(shí)際處置經(jīng)驗(yàn)。需要通過(guò)與專家溝通、言傳身教才能夠體系地了解這部分內(nèi)容。由于主要依賴于專家的撰寫輸出，所以時(shí)效性也是比較低的。

3、基于知識(shí)圖譜的智能網(wǎng)絡(luò)運(yùn)營(yíng)技術(shù)方案

基于上面所總結(jié)的不同種類數(shù)據(jù)特點(diǎn)，通過(guò)對(duì)案例數(shù)據(jù)、工單數(shù)據(jù)、運(yùn)維手冊(cè)等進(jìn)行多元異構(gòu)數(shù)據(jù)的知識(shí)抽取，構(gòu)建網(wǎng)路運(yùn)營(yíng)結(jié)構(gòu)化知識(shí)庫(kù)。基于構(gòu)建的知識(shí)庫(kù)來(lái)打造檢索平臺(tái)、推理平臺(tái)，進(jìn)而實(shí)現(xiàn)業(yè)務(wù)場(chǎng)景下的網(wǎng)絡(luò)故障知識(shí)檢索、處置措施智能決策等應(yīng)用。面向現(xiàn)場(chǎng)運(yùn)維人員構(gòu)建一個(gè)數(shù)據(jù)加知識(shí)驅(qū)動(dòng)的智能運(yùn)維體系。圖中是該系統(tǒng)的基礎(chǔ)技術(shù)架構(gòu)。

二、網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜構(gòu)建

第二部分主要介紹網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜的構(gòu)建過(guò)程，包括：

• 網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜構(gòu)建流程
• 網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜本體構(gòu)建
• 網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜知識(shí)抽取
• 網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜構(gòu)建結(jié)果

1、網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜構(gòu)建流程

知識(shí)圖譜構(gòu)建的流程大家都比較熟悉。首先是要進(jìn)行本體構(gòu)建，該部分由于需要對(duì)業(yè)務(wù)的理解非常強(qiáng)，所以主要依賴于專家協(xié)作完成。在知識(shí)抽取部分借鑒了業(yè)界效果比較好的 UIE 模型來(lái)進(jìn)行實(shí)體抽取和屬性抽取，而關(guān)系抽取則是不太需要的，因?yàn)樵谶M(jìn)行本體構(gòu)建的過(guò)程中已經(jīng)把關(guān)系的映射方式固定下來(lái)了，主要關(guān)心原因、故障、解決方案等內(nèi)容及其之間的固定關(guān)系。在知識(shí)融合部分則主要是基于專業(yè)詞匯的消歧來(lái)實(shí)現(xiàn)實(shí)體層面的消歧。在以上過(guò)程中得到的結(jié)構(gòu)化數(shù)據(jù)主要是存儲(chǔ)在Neo4j圖數(shù)據(jù)庫(kù)中。以上是網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜的整體構(gòu)建流程，下面的部分會(huì)再進(jìn)行詳細(xì)的介紹。

2、網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜本體構(gòu)建 

左邊圖是針對(duì)工單數(shù)據(jù)定義了本體的構(gòu)建。工單記錄了真實(shí)發(fā)生的網(wǎng)絡(luò)運(yùn)營(yíng)事件，包含工單號(hào)、業(yè)務(wù)分級(jí)、大類小類、業(yè)務(wù)類別等信息，同時(shí)也重點(diǎn)提取了故障原因、故障處置方法、處置結(jié)果等內(nèi)容，在處置過(guò)程所發(fā)生的交互也會(huì)被記錄下來(lái)，在交互的過(guò)程中抽取一系列的處置動(dòng)作，將處理的處置事件關(guān)聯(lián)起來(lái)。

比如最開(kāi)始進(jìn)行了指標(biāo)原因的排查分析，然后去查看設(shè)備的狀態(tài)以及業(yè)務(wù)的指標(biāo)，檢查完一系列內(nèi)容之后去進(jìn)行相關(guān)的操作，如果所面對(duì)的疑難是比較耗時(shí)的或者由于自然災(zāi)害、需要更換設(shè)備等不可抗因素需要長(zhǎng)時(shí)間等待的，運(yùn)維人員就可以申請(qǐng)掛起來(lái)避免超出時(shí)效，這是一個(gè)比較重要的網(wǎng)絡(luò)運(yùn)營(yíng)事件。另外告警信息也比較重要，因?yàn)楦婢畔⒃敿?xì)記錄了發(fā)生的故障，包含告警名稱、設(shè)備號(hào)、網(wǎng)聯(lián)號(hào)、網(wǎng)聯(lián)相關(guān)地址、機(jī)房和類別。

案例的本體構(gòu)建主要利用經(jīng)驗(yàn)總結(jié)數(shù)據(jù)。數(shù)據(jù)中包含基本的關(guān)聯(lián)設(shè)備、關(guān)聯(lián)工單、所屬網(wǎng)絡(luò)層等信息，重點(diǎn)是需要抽取其中的故障發(fā)生現(xiàn)象、故障原因、故障處置方式、處置效果信息，這個(gè)處置過(guò)程會(huì)記錄的特別詳細(xì)，分析過(guò)程也會(huì)比較清楚，所以應(yīng)用價(jià)值也是比工單數(shù)據(jù)要高的。

3、網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜知識(shí)抽取

這部分會(huì)跟大家介紹在做知識(shí)抽取時(shí)所進(jìn)行的操作步驟。首先會(huì)用標(biāo)注工具對(duì)工單數(shù)據(jù)進(jìn)行實(shí)體信息的標(biāo)注，因?yàn)橹饕褂玫氖?UIE 模型，所以需要的標(biāo)注數(shù)據(jù)量并不大，不會(huì)像之前使用 BERT 模型等需要大量的標(biāo)注數(shù)據(jù)，進(jìn)行大概1000份左右的工單數(shù)據(jù)標(biāo)注就能夠滿足要求；標(biāo)注時(shí)主要針對(duì)故障原因、解決方案、網(wǎng)聯(lián)告警設(shè)備、地址、時(shí)間等信息。

在進(jìn)行數(shù)據(jù)標(biāo)注之后，第二步則是基于 UIE 強(qiáng)大的統(tǒng)一抽取模型基座去訓(xùn)練抽取模型，再用訓(xùn)練好的抽取模型來(lái)進(jìn)行結(jié)果抽取和抽取結(jié)果校驗(yàn)。最后設(shè)置不同的 prompt 策略，用 UIE 進(jìn)行事件抽取，事件主要是故障分析解決、設(shè)備處置狀態(tài)等。

以上則是進(jìn)行知識(shí)抽取時(shí)的主要步驟，下面會(huì)再詳細(xì)介紹其中的事件抽取任務(wù)。

事件抽取任務(wù)主要是檢測(cè)文本中一個(gè)事件的存在，并將事件結(jié)構(gòu)、事件內(nèi)容以結(jié)構(gòu)化的形式輸出。比如將工單中的一個(gè)完整告警處置過(guò)程理解為以下事件：出現(xiàn)、處理過(guò)程、是否有掛起。針對(duì)出現(xiàn)事件主要會(huì)有指標(biāo)異常、設(shè)備故障、網(wǎng)元鏈路異常等。對(duì)于不同的事件，對(duì)應(yīng)的參數(shù)角色等也不相同，比如指標(biāo)異常會(huì)有一些指標(biāo)的告警值、期限值等信息；網(wǎng)元鏈路異常則主要會(huì)關(guān)注告警部位、告警單元、異?，F(xiàn)象信息。

在處理過(guò)程中會(huì)有加派工位、回單確認(rèn)、告警恢復(fù)確認(rèn)、設(shè)備維護(hù)以及其他相關(guān)設(shè)備指標(biāo)排查和問(wèn)題分析：

• 加派工位是指當(dāng)前的網(wǎng)絡(luò)故障問(wèn)題需要增加運(yùn)維人員或者派給更專業(yè)的運(yùn)維人員來(lái)進(jìn)行處置，需要確定派給誰(shuí)、預(yù)計(jì)需要多長(zhǎng)時(shí)間。
• 回單確認(rèn)是指運(yùn)維人員完成處置過(guò)程之后給一個(gè)回單的確認(rèn)。
• 告警恢復(fù)確認(rèn)是指進(jìn)行相關(guān)操作接觸告警之后，需要給出的告警恢復(fù)的確認(rèn)反饋信息，比如確認(rèn)單位、是否影響業(yè)務(wù)、恢復(fù)時(shí)長(zhǎng)、時(shí)間戳等信息。
• 設(shè)備維護(hù)主要是指故障設(shè)備、故障點(diǎn)位、操作類型、時(shí)間記錄等，操作類型比如有更換板卡、割接或者升級(jí)等。

最后針對(duì)掛起事件，掛起主要是因?yàn)橐恍┮呻y的網(wǎng)絡(luò)故障需要較長(zhǎng)時(shí)間去處置。在掛起事件中需要填寫掛起的原因、掛起的時(shí)長(zhǎng)，跟進(jìn)故障事件以便快速解決；其次還有觀察階段，主要是在故障處理完并且告警恢復(fù)之后進(jìn)行一段時(shí)間的觀察，如果一段時(shí)間內(nèi)沒(méi)有再出現(xiàn)同樣的問(wèn)題就表明問(wèn)題已經(jīng)解決了。觀察之后還有調(diào)測(cè)的步驟，調(diào)測(cè)是在問(wèn)題解決之后調(diào)測(cè)一些相關(guān)的電路，驗(yàn)證確保相關(guān)的業(yè)務(wù)也已經(jīng)恢復(fù)。

4、網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜構(gòu)建結(jié)果 

事件知識(shí)圖譜構(gòu)建整體上主要是將原始工單、案例等非結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)整理成實(shí)體-關(guān)系結(jié)構(gòu)化數(shù)據(jù)，使得信息利用更加高效、方便。其次結(jié)構(gòu)化的運(yùn)維知識(shí)庫(kù)可以將告警、工單、案例等信息進(jìn)行關(guān)聯(lián)，只要說(shuō)的是同樣的網(wǎng)絡(luò)故障，那么就能夠?qū)⑺邢嚓P(guān)的知識(shí)都獲取到，可以更全面地了解相關(guān)問(wèn)題如何處置，以便給出更精準(zhǔn)的問(wèn)題處理建議。

數(shù)據(jù)庫(kù)存儲(chǔ)方面選擇的是 Neo4j 圖數(shù)據(jù)庫(kù)，在數(shù)據(jù)量級(jí)上不及互聯(lián)網(wǎng)大廠的知識(shí)圖譜，主要是在電信網(wǎng)絡(luò)運(yùn)營(yíng)領(lǐng)域內(nèi)的知識(shí)庫(kù)。構(gòu)建的道德知識(shí)庫(kù)主要應(yīng)用于運(yùn)維知識(shí)檢索、運(yùn)維知識(shí)管理，比如針對(duì)工單案例的專業(yè)知識(shí)問(wèn)答、針對(duì)專業(yè)名詞的知識(shí)檢索，在知識(shí)抽取的應(yīng)用上主要是進(jìn)行圖譜實(shí)體關(guān)系的抽取、關(guān)系列表的管理等操作。

三、網(wǎng)絡(luò)運(yùn)營(yíng)知識(shí)圖譜應(yīng)用

接下來(lái)介紹如何將已經(jīng)構(gòu)建好的事件知識(shí)圖譜應(yīng)用于網(wǎng)絡(luò)運(yùn)營(yíng)場(chǎng)景中去，主要包括以下應(yīng)用：

• 智行云網(wǎng)大腦知識(shí)庫(kù)平臺(tái)
• 智行云網(wǎng)大腦智能助手
• 網(wǎng)絡(luò)運(yùn)維工單處置動(dòng)態(tài)推薦

1、智行云網(wǎng)大腦知識(shí)庫(kù)平臺(tái)

基于工單和案例數(shù)據(jù)構(gòu)建的知識(shí)圖譜，打造智行云網(wǎng)大腦知識(shí)庫(kù)平臺(tái)，通過(guò)這個(gè)平臺(tái)可以對(duì)工單、案例進(jìn)行高效的圖譜式智能檢索，也支持運(yùn)維知識(shí)的高效快速查找、知識(shí)關(guān)聯(lián)、案例查重以及輔助案例撰寫和修改。右側(cè)是已經(jīng)在集團(tuán)內(nèi)上線的智行云網(wǎng)大腦知識(shí)庫(kù)平臺(tái)。在系統(tǒng)圖中可以看到主要有工單、案例、專業(yè)詞匯輔助撰寫以及問(wèn)答等功能，下面的結(jié)構(gòu)圖中也詳細(xì)列出了系統(tǒng)中所具備的功能模塊。

2、智行云網(wǎng)大腦智能助手

第二部分的應(yīng)用是在智行云網(wǎng)大腦上建設(shè)智能運(yùn)維助手。早在2022年時(shí)就已經(jīng)在業(yè)務(wù)流程中設(shè)置了數(shù)字工位，這個(gè)數(shù)字工位不包括前端機(jī)器人形象的展現(xiàn)，他可以針對(duì)用戶交互過(guò)程中出現(xiàn)的問(wèn)題給出相應(yīng)的回答和指導(dǎo)推薦。后續(xù)基于運(yùn)維知識(shí)庫(kù)，采用自然語(yǔ)言處理相關(guān)技術(shù)來(lái)進(jìn)行工單案例的推薦，打造具有豐富運(yùn)維知識(shí)的智能助手，助力集團(tuán)和公司解決運(yùn)維過(guò)程中的繁雜工作。在實(shí)際應(yīng)用中智能運(yùn)維助手不會(huì)影響原本的線網(wǎng)系統(tǒng)的內(nèi)容，是一個(gè)比較輕量好用的工具。

此外專家們也可以利用智行云網(wǎng)知識(shí)庫(kù)查詢歷史網(wǎng)絡(luò)運(yùn)維過(guò)程中發(fā)生的故障數(shù)量、故障原因種類數(shù)、每類故障對(duì)應(yīng)的解決方案以及實(shí)際處理過(guò)程中的問(wèn)題解決方案、最終的處理效果等。除了查詢功能，還能夠幫助專家進(jìn)行知識(shí)沉淀，輔助專家撰寫相關(guān)案例，極大地提升了工作效率。通過(guò)建設(shè)知識(shí)+AI的智能交互運(yùn)維助手，提升了網(wǎng)絡(luò)運(yùn)維中故障問(wèn)題處置的自動(dòng)化率。

3、網(wǎng)絡(luò)運(yùn)維工單處置動(dòng)態(tài)推薦 

第三部分應(yīng)用時(shí)在網(wǎng)絡(luò)運(yùn)維工單處置過(guò)程中的動(dòng)態(tài)推薦。處置過(guò)程主要是工單的流轉(zhuǎn)，針對(duì)圖中的故障工單，通過(guò)自動(dòng)抽取故障描述、故障類別等故障實(shí)體，以及其他相關(guān)告警描述信息，來(lái)實(shí)現(xiàn)故障的精準(zhǔn)定位，并通過(guò)故障知識(shí)圖譜檢索來(lái)得到知識(shí)庫(kù)中的相似故障或者是相似的故障原因，基于這些歷史信息推薦相關(guān)的解決方案。在此過(guò)程中，隨著讀取到的工單信息越來(lái)越多，故障定位也會(huì)越來(lái)越準(zhǔn)確，新的相關(guān)信息也會(huì)進(jìn)行更新并加入到檢索判斷條件中重新生成推薦結(jié)果，通過(guò)動(dòng)態(tài)更新推薦結(jié)果來(lái)賦能一線人員，精準(zhǔn)指導(dǎo)運(yùn)維人員進(jìn)行相關(guān)的業(yè)務(wù)操作。

圖中展示的是上述過(guò)程的邏輯結(jié)構(gòu)。最上邊是在讀的工單，會(huì)有工單號(hào)、故障類別、告警描述以及故障描述等信息。通過(guò)這些信息從歷史圖數(shù)據(jù)庫(kù)中進(jìn)行檢索，比如找到70.5%概率是因?yàn)閱伟鍫顟B(tài)故障導(dǎo)致的問(wèn)題，針對(duì)這個(gè)原因的解決方案有復(fù)位修復(fù)和更換設(shè)備，比如先嘗試復(fù)位修復(fù)，若復(fù)位修復(fù)不成功說(shuō)明設(shè)備老化或者損壞了，則再通過(guò)更換相關(guān)的設(shè)備來(lái)進(jìn)行維修。此外當(dāng)前的故障也有15.5%的概率是有升級(jí)操作時(shí)調(diào)測(cè)造成的，這種情況下是在正常業(yè)務(wù)操作過(guò)程中出現(xiàn)的告警信息，是可以申請(qǐng)進(jìn)行屏蔽的，不需要進(jìn)行相關(guān)的處置。基于以上流程實(shí)現(xiàn)了故障處置過(guò)程中的準(zhǔn)確指導(dǎo)。

四、展望

最后一部分內(nèi)容是因?yàn)槭艿?ChatGPT 的沖擊所帶來(lái)的展望思考。首先針對(duì)知識(shí)圖譜構(gòu)建過(guò)程中的知識(shí)生產(chǎn)環(huán)節(jié)，在 ChatGPT 的輔助下可以進(jìn)一步地簡(jiǎn)化，比如將專業(yè)的非結(jié)構(gòu)化數(shù)據(jù)給到 ChatGPT，實(shí)現(xiàn)零樣本或者100以內(nèi)數(shù)據(jù)標(biāo)注情況下的專業(yè)抽取結(jié)果，甚至能夠自動(dòng)完成領(lǐng)域知識(shí)的融合。

第二點(diǎn)是將已積累建設(shè)的知識(shí)圖譜加入到 ChatGPT 模型中，作為垂直領(lǐng)域的知識(shí)補(bǔ)充。在運(yùn)維交互過(guò)程中可以使得智能助手的水平更上一層，針對(duì)業(yè)務(wù)人員使用過(guò)程中的反饋還可以對(duì)模型進(jìn)行迭代更新，實(shí)現(xiàn)知識(shí)自動(dòng)迭代升級(jí)的閉環(huán)。

第三點(diǎn)主要是 ChatGPT 在助力網(wǎng)絡(luò)運(yùn)維智能化的過(guò)程中所體現(xiàn)的智能化、自動(dòng)化處置進(jìn)一步減輕了運(yùn)維的工作量，讓運(yùn)維人員只關(guān)注其中20%的工作，比如設(shè)計(jì)類型的工作或者是針對(duì)系統(tǒng)本身的一些思考性工作。

以上是基于已有歷史工作所做的一些思考，給大家提供一些相關(guān)的思路，希望大家能夠發(fā)揮更多的想象力在這些方向進(jìn)行嘗試和努力。我們對(duì)通信領(lǐng)域的模型合作比較感興趣，希望將模型應(yīng)用到網(wǎng)絡(luò)運(yùn)營(yíng)過(guò)程中，在業(yè)務(wù)過(guò)程中帶來(lái)效率的提升以及識(shí)別的準(zhǔn)確率，減少運(yùn)維人員的工作量。

五、Q&A

Q1：在有了大模型之后，智行云網(wǎng)大腦智能助手通過(guò)知識(shí)圖譜的方式構(gòu)建還合適嗎？因?yàn)镵BQA或者FAQ的問(wèn)答方式在大模型背景下可能會(huì)受到降維打擊。

A1：這一部分需要通過(guò)實(shí)踐來(lái)進(jìn)行探索，不太好說(shuō)大模型能不能完全替代KBQA。但是對(duì)于我們網(wǎng)絡(luò)運(yùn)維場(chǎng)景，維護(hù)網(wǎng)絡(luò)時(shí)知識(shí)的準(zhǔn)確性以及好的交互效果相對(duì)來(lái)說(shuō)更重要一些，所以前期還是會(huì)依賴于解釋起來(lái)更直觀的知識(shí)圖譜的形式，這種形式在我們的實(shí)際應(yīng)用落地中占有更多的優(yōu)勢(shì)。

在大模型這方面我們也會(huì)積極地進(jìn)行相關(guān)的實(shí)踐，主要是利用大模型來(lái)快速地幫助我們構(gòu)建可視化的知識(shí)圖譜，提供知識(shí)支撐來(lái)輔助解決運(yùn)維故障問(wèn)題。我們也就大模型問(wèn)題與一線業(yè)務(wù)人員進(jìn)行過(guò)溝通，業(yè)務(wù)人員覺(jué)得大模型不能夠像知識(shí)圖譜那樣對(duì)于推薦的解決方案給出合理的解釋，不足以對(duì)于推薦的結(jié)論給出有力的依據(jù)，這會(huì)導(dǎo)致信任問(wèn)題，所以大模型的實(shí)際應(yīng)用落地仍需要進(jìn)一步的探索。

Q2：電信網(wǎng)絡(luò)運(yùn)營(yíng)事件知識(shí)圖譜的本體是如何構(gòu)建的呢？

A2：本體部分的構(gòu)建主要是基于對(duì)業(yè)務(wù)的理解。我們的數(shù)據(jù)源是工單這種格式，相當(dāng)于是表單，表單中會(huì)記錄相關(guān)的業(yè)務(wù)設(shè)備、發(fā)生的故障、故障時(shí)間等一系列的信息，我們從中總結(jié)出一套結(jié)構(gòu)來(lái)形成本體部分的內(nèi)容。

在這個(gè)結(jié)構(gòu)中會(huì)有比較詳細(xì)的業(yè)務(wù)內(nèi)容。比如首先會(huì)有工單號(hào)作為唯一標(biāo)識(shí)來(lái)關(guān)聯(lián)相關(guān)的知識(shí)，根據(jù)工單號(hào)可以關(guān)聯(lián)到故障、告警信息、故障原因、問(wèn)題解決方案，此外工單號(hào)也可以與處理該問(wèn)題的人員關(guān)聯(lián)起來(lái)，記錄其處置方式和記錄反饋。針對(duì)業(yè)務(wù)本身，也會(huì)有分級(jí)體系，其中包含著不同的大類和小類，以及其他業(yè)務(wù)方面的分析。