运营商业务运营向智能化转型

近年，运营商业务产品拓展覆盖了基础通信、云计算、大数据、物联网、产业互联网等多个领域，业务模式已从传统连接业务向“连接+算力+能力”的“生态化融合”的产品运营新模式转变。现有的业务系统虽然已能满足大多数业务的加载和运营，但在客户体验、运营效率等方面仍存在以下不足：

• 系统学习成本增加：随着业务的发展，受理系统业务流程增多，一线营销人员对产品知识学习、用户界面操作、业务规则处理等知识的学习成本线性增加，对一线操作人员提出了更高的要求。

• 业务复杂度增高：随着产品线丰富和业务增长，战新业务与传统业务的组合增加，为了覆盖更多的业务场景，适应不同客户的需求，业务的复杂度逐步增高，对系统的业务处理能力提出了挑战。

• 系统智能化能力不足：目前系统运营在大数据加持下，带来了一定程度的智能化提升，但是各模块各环节注智的水平参差不齐、呈现散点注智的情况，难以体系化提升系统的智能化水平。

这些问题随着大模型时代的到来，带来了问题解决的可能性。

首先，大模型时代业务系统的交付载体，将从传统的 GUI 模式，向 LUI 模式转变，突破了以往的交互形态，更强语义理解，提升交互的自然性，使得人机交互更加智能化和个性化，简化了系统操作，降低了学习成本。

其次，大模型整合了多种形态数据进行联合建模，可以实现文本、语音、文档、视频等各种模式的信息输入和理解，从而可以实现更复杂、更丰富的应用场景，从单模态走向了多模态交互，实现了更强的业务处理能力。

最后，通过大模型来聚合多领域知识，辅以大模型强大的逻辑推理能力和泛化能力，将散落的规则引擎、推荐引擎、流程引擎进行聚合，大模型成为数字化大脑，统一驱动各域生产，从而带动业务系统智能水平的整体性提升。

AI 大模型在业务受理智能化方向的探索

在业务受理智能化方向的探索上，为了实现受理模式更快更智能，受理体验更灵活更友好的目标，我们做了不少尝试：

首先，大小模型结合，多模态受理。基于大模型自然语言理解能力，以及多模态、多轮对话等技术理解客户意图，结合 OCR、语音识别、文档识别、内容比对纠错等小模型技术，实现业务信息智能提取。通过大小模型与业务场景的结合，从而可以处理复杂的业务受理场景，帮助营销人员高效完成受理单的交互式受理。

其次，结合 RAG 技术，缓解问答准确率和实时性问题。通过构建 RAG 的加强架构，在检索前、检索中和检索后进行多轮优化，有效解决纯参数化模型的局限，将非参数化的语料库数据库与参数化模型相结合，应对复杂问答，知识即时更新，大幅提升系统问答的准确率。实践过程中，通过规则、商品、订单、客户等 AI 知识问答赋能，结合划词解释、交互式问答两大能力的构建，降低业务人员学习成本，减少系统操作咨询的消耗，精确识别客户意图，提升业务处理效率。

智能受理业务流程

大模型驱动的交互式受理

通过应用大模型和传统深度学习的模型的能力，包括 OCR、语音识别、自然语言识别、意图分析、内容比对纠错等大小模型技术与业务的深度结合，识别受理内容，自动生成业务受理表单，完成表单内容补录，降低业务受理复杂度，实现智能化的一键订购，提高受理的效率。

视觉识别技术提升合同甩单识别效率

整合了高分辨率图像识别、OCR 视觉识别技术和精细的结构化数据提取算法，提升合同文件智能解析效率。受理人员通过拍照或图片上传的方式，上传合同图像，经由 AI 模型的深度分析，识别并抓取核心信息要素，如合同编号、双方主体名称、合同属性关键信息等，自动生成和填充至对应的业务表单，大幅度压缩表单录入周期。

智能受理－合同甩单

自然语言意图分析精准识别甩单内容

针对一句话甩单业务受理场景，通过高度优化的文本识别和意图识别方案，借力深度学习驱动的文本分析算法和业务受理模板，精确识别受理人员输入的一句话甩单内容，确保用户每条文本输入、每个关键词汇均能被迅速解码，转换为可执行的业务操作指令，结合受理模板引导受理人员补充录入受理所需的关键信息。

智能受理－对话式甩单

精准语音交互受理的智能演进

构建语音对话受理模块，深度融合自然语言处理（NLP）与语音识别技术，实现从客户口头需求的直观表述到业务订单自动化生成的无间隙过渡。用户仅需通过自然语言与智能化系统进行语音交互，智能语音识别小模型即精准解码语音内容，借助大模型意图识别能力，确保了对话交互的自然流畅与意图理解的高准确度，并实时执行信息抽取与表单填充任务，大幅度减轻人工负担，显著提升受理效能。

智能受理-语音识别

AI 精准的知识问答服务

打造互动式 AI 知识问答系统，以生动的卡通形象常驻用户界面，为一线业务受理人员提供无间断的咨询解答服务。用户输入文本、划词页面内容进行交互形式提问，AI 助手均能即刻反馈，基于其不断扩充与更新的知识图谱，依托语义解析算法，提供高度贴合用户查询需求的答案。持续迭代学习的知识图谱和高级语义理解技术的深度融合，确保了问题解答的时效性与精确度，同时降低了用户对于专业知识的学习成本。

知识文档－划词解释

• 知识收集和输入：收集产品的操作手册、FAQ、设计文档、业务规则、数据模型等，沉淀为产品专业知识语料库。

• 知识向量化：基于基础大模型+RAG 平台，将产品的专业语料库进行投喂，通过向量引擎、分词引擎、知识图谱等技术，结合提示词工程，为前端提供知识问答服务。

• 业务咨询：用户通过自然语言的方式，询问助手关于权限、客情、产品、业务咨询相关的问题，助手检索出答案，并组装成自然语言进行回答。

• 页面划词解释：通过鼠标滑动圈定一个词语，即可触发询问助手的功能，需要对划词设定触发动作，并被系统所识别，识别后可调起查询应用。

智能化的模型辅助运营

构建受理模板管理、提示词管理等模型辅助运营能力。协助运营人员采集和编写高频、高价值商品的操作过程和业务难点，导入语料训练业务知识。由业务运营人员创建业务受理模板和提示词，将复杂业务场景模板化，模型训练识别并智能匹配模板，为业务加载和业务配置提供辅助手段。

• 受理模板管理：根据业务需要对销售品进行模板化配置，实现销售品部分参数的固化设置形成受理模板，降低受理数据的参数大小，简化受理信息录入。

• 提示词管理：管理交互问答提示词的内容、相似度、向量阈值、TOPK 等相关信息，控制与大模型交互过程的准确率和泛化能力。

• 其他辅助运营：包括助手管理、模型设置、权限管理等基础功能。

AI 大模型在业务受理方向上的思考

通过 AI 大模型在业务受理智能化方向的探索和实践，结合混合大小模型+RAG 技术，逐步化解了大模型“确定性不足”“实时性较差”的问题，有很好的融入了大模型的意图理解、多模态识别、LUI 的交付模式，基本实现了受理模式“更快更智能”，受理体验“更灵活更友好”的目标。

当然，大模型技术日渐成熟，在企业应用中的落地场景也会越来越多，未来的技术发展可能还会带来更多的变化，比如“One Copilot，Many Expert”的模式，也就是“一个助手、无数个专家”的超级智能助手的智能平台。

One Copilot 模式

在这种 One Copilot 模式下，统一了各种智能助手的入口，使用者只需关注要完成的任务，不需要关注由哪个系统的哪个功能模块来支撑，由大模型识别用户意图进行各智能助手的调度，从而实现“无系统”感知的效果。

另外多个智能助手也实现了有机集成，基于不同的场景，领域专家/智能助手随时呼出，或自动加载，交互体验保持一致，从而可能带来一种新的实时交互的场景，也就是提供智能自助以及在线专家整合多种形态，实时解决企业生产过程遇到的各类问题。

未来怎样发展，我们将持续探索和思考。