近年（nián），運營商業務產品拓展覆蓋了基礎通信、雲計算、大數（shù）據、物聯（lián）網、產業互聯網等多個領（lǐng）域，業務模式已從傳統連接業務向“連接+算力+能力”的“生態化融合”的產品運（yùn）營新（xīn）模式轉（zhuǎn）變。現有的業務係統雖然已能滿足大多（duō）數（shù）業務（wù）的加載和運營，但在客戶體驗、運營效率等方麵（miàn）仍存（cún）在（zài）以（yǐ）下不足：
係統學習成本增加：隨著業務的發展，受理係統業（yè）務流程增多，一線營（yíng）銷人員對產品知識學習、用戶界麵操（cāo）作（zuò）、業務規則處理等知識的學習成本線性增加，對一（yī）線操作人員提出了更高的要求。
業務複雜度增高：隨著產品線豐富和業務（wù）增長，戰新（xīn）業務（wù）與傳統業務的組（zǔ）合增加，為了覆蓋更多的業務場景，適應不同客（kè）戶的需求，業務（wù）的複（fù）雜度逐步增高，對係統的業務處理（lǐ）能力提出（chū）了挑戰。
係統智能化能力不足：目前係統運營在大數據加持（chí）下，帶來了一定（dìng）程度（dù）的智能化提升，但是（shì）各模塊各環（huán）節注智的水平參差不齊、呈現散點注智的情（qíng）況，難以（yǐ）體係化提升係統的（de）智能化水平。
這些問題隨（suí）著大模型時代的到（dào）來，帶來了問題解（jiě）決的可能性。
首先，大模型時（shí）代（dài）業務係統的交付載體，將從傳統的GUI模式，向LUI模式轉變，突破（pò）了以往的交互形（xíng）態，更強語義理解，提升交互的自然（rán）性，使得人機交互更加智能化和個性化，簡化了係統操作，降低了學習（xí）成（chéng）本。
其次，大模型整合了多種形態數據進行聯合建模（mó），可以實現文本、語音、文檔、視頻等各種模式的信息（xī）輸入和理解，從而可（kě）以實現更複雜（zá）、更豐富的應用場景，從單模態走向了多模態交互，實現了更強的業務處理能力。
最後，通過大模型來聚合（hé）多領域知識，輔以大（dà）模型強大的邏（luó）輯推理能力和泛（fàn）化能力，將散落的規則（zé）引擎、推薦引擎、流程引擎進行聚合，大模型成為數字化大腦，統一驅動各域生產，從而帶動業務係統智能水平的整體性提升。
在業務受理智能化方向的探索上，為了實現受（shòu）理模（mó）式更快更智（zhì）能，受理體驗更靈活更友好的目標，我們做了不少嚐試：
首先，大小模型結合，多模態受理。基於大模型自然語言理解（jiě）能力，以及多模態、多輪對話等技術理（lǐ）解客戶意圖，結合OCR、語音識別、文檔識別、內容比對糾錯等小模型（xíng）技術，實現業務信息智能提取。通過大小（xiǎo）模型與業務場景的結合，從而可以處理複雜的業務受理場景，幫助營銷人員高效完成受理單的交互式受理。
其次，結合RAG技術，緩解問答準確率和實時性問題。通過構建RAG的加強架構，在檢索前、檢索中和檢索（suǒ）後進行多輪優化，有效解決純參數化模型的局限，將非參數化的語料庫數據庫與參數化模型相結合，應對複雜問答，知識即時（shí）更新，大幅（fú）提升係統問答的準確（què）率。實踐（jiàn）過程中，通過規則、商品、訂單、客戶（hù）等AI知識問（wèn）答賦能，結（jié）合劃詞解釋、交互式問答兩大能力的構建，降低業務人員學習成本，減少係（xì）統操作谘詢的消耗，精確識別客戶意圖，提升業務處理（lǐ）效率（lǜ）。
智能受理（lǐ）業務流程
通過應用大模型和傳（chuán）統深度學習的模型的能力，包括OCR、語音識別、自然語言識別、意圖分析、內（nèi）容比對糾錯等大小模型（xíng）技術與業務的深度結合，識別受理內容，自動生成業務受理表單，完成表單內容補錄，降低業務受理複雜度，實現（xiàn）智能化的一（yī）鍵訂購，提高受理的效率。
視覺（jiào）識別技（jì）術提升合同甩單識別效率
整合了高分辨率圖像識別、OCR視覺識別技術和精細的結構化數據提（tí）取算法，提升合同文（wén）件智（zhì）能解析（xī）效率（lǜ）。受理人員通過（guò）拍照或圖片上傳的方式，上傳合同圖像，經由AI模型的深度分析，識別並（bìng）抓取核心信息要素，如合同編號、雙方（fāng）主體名稱、合同屬性關鍵信息等，自動生成和填充至對應的業務表（biǎo）單，大幅度（dù）壓縮表單（dān）錄入周期。
智能受理－合同甩單
針對一句話甩單業務受理場景，通（tōng）過高度優化的（de）文本識別和意圖識別方案，借力深度學習驅動的文本分析算法（fǎ）和業務受理模板，精確識別受（shòu）理人員輸入的一句話甩單內容，確保（bǎo）用戶每條文本輸入（rù）、每個關鍵詞匯均能被（bèi）迅速解碼，轉換為可（kě）執行的業務操作指令，結（jié）合受理（lǐ）模板引（yǐn）導（dǎo）受（shòu）理人（rén）員補充錄入受理所需的關鍵信息。
智能受理－對話式甩單
精準（zhǔn）語（yǔ）音交互受（shòu）理的智（zhì）能演（yǎn）進
構建語音對話受理模（mó）塊，深度融合自然語（yǔ）言（yán）處理（NLP）與語音識別技術，實現從客戶口頭需求的直觀表述到業務訂單自動化生成（chéng）的（de）無（wú）間隙過（guò）渡（dù）。用戶僅需通過自然語言與智能（néng）化係（xì）統（tǒng）進行語音交互，智能（néng）語音識別（bié）小（xiǎo）模型即精準解碼語音內容，借助大模型意圖識別能力，確（què）保了對話交互的自然流暢與意圖理解的高準確（què）度，並實時執（zhí）行信息抽取與表單填充任務（wù），大幅度減輕（qīng）人（rén）工負擔，顯著提升受理（lǐ）效能。
智能受理-語音識別
打造互動式AI知識問答係統，以生動的（de）卡通形象常駐用戶界麵，為一線業務受理人員（yuán）提供無間（jiān）斷的谘詢解答服務。用戶輸入文本、劃詞頁麵內容進行交互形式提問，AI助手均（jun1）能即（jí）刻反饋，基於（yú）其不斷擴充與（yǔ）更新的知識圖譜，依（yī）托語義解析算法，提供高度貼合用戶查詢（xún）需求的答案。持續迭代學習的知識圖譜和高級語義理解技術的深度融（róng）合，確保了問（wèn）題解答的時效性與精確度，同時降低了用戶對於專業知識的學習成本。
知識文（wén）檔－劃詞解（jiě）釋（shì）
知識收集和輸入：收集（jí）產品（pǐn）的（de）操作手冊、FAQ、設（shè）計文檔、業務規則（zé）、數（shù）據模型等，沉澱為產品專業知識語料庫。
知識向量化：基於基礎大模型（xíng）+RAG平（píng）台，將產（chǎn）品的專業語料庫進行投喂，通過向量引擎、分詞引擎、知識圖譜等技術，結合提示（shì）詞工程，為前端提（tí）供知識問答服務。
業（yè）務谘詢：用戶通過自然語言（yán）的方式，詢問助手關於權限、客（kè）情、產品、業務谘詢相關的問題（tí），助手檢索出答案，並組裝成自然語言進行回答。
頁麵劃詞解釋：通過鼠標滑動圈定一個詞語，即可觸發（fā）詢問助手的功能（néng），需要對劃（huá）詞設定觸發動作，並被係統所識（shí）別，識別後（hòu）可調起查詢（xún）應用。
構建受理模（mó）板管理、提（tí）示詞管理等模型輔助運營能力。協助運營人員采集和編寫（xiě）高頻、高價值商（shāng）品的操作過程和業務難點，導入語料訓練業務（wù）知識（shí）。由業務運營人員創建業務受理模板和提示（shì）詞，將（jiāng）複雜業務場景模板（bǎn）化（huà），模型訓練識別並智（zhì）能匹配模板，為業（yè）務加載和業務配置提供輔助手段。
受理（lǐ）模板（bǎn）管理：根（gēn）據業務需要對銷售品進行模（mó）板（bǎn）化配置，實現銷售品部分參數的固化設置形成受理模板，降低受理數據的（de）參數（shù）大（dà）小，簡化受理信（xìn）息（xī）錄入。
提示詞管（guǎn）理：管理（lǐ）交互問答（dá）提示詞的內容、相似度、向量閾值、TOPK等相關信息，控製與大模型交互過程的準確率和泛化能力。
其他輔助運營（yíng）：包括助手管理、模型設置、權限管理等基礎功（gōng）能。
通過AI大模型在業務受理智能化方向的探索和實踐，結合混合大小模型+RAG技術，逐步化解了大模型“確定性不足”“實（shí）時性較差”的問題，有很好的融入了大模型的意圖（tú）理解、多模態識別、LUI的交付（fù）模（mó）式（shì），基本實現了受理模式“更快更智能”，受理體驗“更靈活更友好”的目標。
當然，大模型技術日漸成熟，在企業應用中的落地場景也會越來（lái）越多，未來的技術發展可能還會帶來更（gèng）多的變化，比如“One Copilot，Many Expert”的（de）模式，也（yě）就（jiù）是“一個助手、無數個專家”的超級智能助（zhù）手的智能平台。
One Copilot模式
在這（zhè）種（zhǒng）One Copilot模式下，統（tǒng）一了各種智能助手的入口，使用者隻需關注要完成的任務，不需要關注（zhù）由（yóu）哪個係統的哪個功能（néng）模塊來支撐，由大模型識別用戶意圖（tú）進行各智能助手的調度，從而實現“無係統”感知的效（xiào）果（guǒ）。
另外（wài）多個智能助手也實（shí）現了有機集成，基於（yú）不同的場景，領域專家/智能助手隨時呼出，或自動加載（zǎi），交互體驗保持一致，從而可能帶來一種新的實時交互的（de）場景，也就是提供智能自（zì）助以及在線專家整合多種形態（tài），實時解決企業生產過程遇到的各類問題。
未來怎樣發展，我們將持續探索和思考。