近年，運營商業務產品拓展覆蓋了基礎通信、云計算、大數據、物聯網、產業互聯網等多個領域，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”的產品運營新模式轉變?，F有的業務系統雖然已能滿足大多數業務的加載和運營，但在客戶體驗、運營效率等方面仍存在以下不足：
系統學習成本增加：隨著業務的發展，受理系統業務流程增多，一線營銷人員對產品知識學習、用戶界面操作、業務規則處理等知識的學習成本線性增加，對一線操作人員提出了更高的要求。
業務復雜度增高：隨著產品線豐富和業務增長，戰新業務與傳統業務的組合增加，為了覆蓋更多的業務場景，適應不同客戶的需求，業務的復雜度逐步增高，對系統的業務處理能力提出了挑戰。
系統智能化能力不足：目前系統運營在大數據加持下，帶來了一定程度的智能化提升，但是各模塊各環節注智的水平參差不齊、呈現散點注智的情況，難以體系化提升系統的智能化水平。
這些問題隨著大模型時代的到來，帶來了問題解決的可能性。
首先，大模型時代業務系統的交付載體，將從傳統的GUI模式，向LUI模式轉變，突破了以往的交互形態，更強語義理解，提升交互的自然性，使得人機交互更加智能化和個性化，簡化了系統操作，降低了學習成本。
其次，大模型整合了多種形態數據進行聯合建模，可以實現文本、語音、文檔、視頻等各種模式的信息輸入和理解，從而可以實現更復雜、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。
最后，通過大模型來聚合多領域知識，輔以大模型強大的邏輯推理能力和泛化能力，將散落的規則引擎、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，從而帶動業務系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，為了實現受理模式更快更智能，受理體驗更靈活更友好的目標，我們做了不少嘗試：
首先，大小模型結合，多模態受理?；诖竽Ｐ妥匀徽Z言理解能力，以及多模態、多輪對話等技術理解客戶意圖，結合OCR、語音識別、文檔識別、內容比對糾錯等小模型技術，實現業務信息智能提取。通過大小模型與業務場景的結合，從而可以處理復雜的業務受理場景，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、檢索中和檢索后進行多輪優化，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，應對復雜問答，知識即時更新，大幅提升系統問答的準確率。實踐過程中，通過規則、商品、訂單、客戶等AI知識問答賦能，結合劃詞解釋、交互式問答兩大能力的構建，降低業務人員學習成本，減少系統操作咨詢的消耗，精確識別客戶意圖，提升業務處理效率。
智能受理業務流程
通過應用大模型和傳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、內容比對糾錯等大小模型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，降低業務受理復雜度，實現智能化的一鍵訂購，提高受理的效率。
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取算法，提升合同文件智能解析效率。受理人員通過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，識別并抓取核心信息要素，如合同編號、雙方主體名稱、合同屬性關鍵信息等，自動生成和填充至對應的業務表單，大幅度壓縮表單錄入周期。
智能受理－合同甩單
針對一句話甩單業務受理場景，通過高度優化的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和業務受理模板，精確識別受理人員輸入的一句話甩單內容，確保用戶每條文本輸入、每個關鍵詞匯均能被迅速解碼，轉換為可執行的業務操作指令，結合受理模板引導受理人員補充錄入受理所需的關鍵信息。
智能受理－對話式甩單
構建語音對話受理模塊，深度融合自然語言處理（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的無間隙過渡。用戶僅需通過自然語言與智能化系統進行語音交互，智能語音識別小模型即精準解碼語音內容，借助大模型意圖識別能力，確保了對話交互的自然流暢與意圖理解的高準確度，并實時執行信息抽取與表單填充任務，大幅度減輕人工負擔，顯著提升受理效能。
智能受理-語音識別
打造互動式AI知識問答系統，以生動的卡通形象常駐用戶界面，為一線業務受理人員提供無間斷的咨詢解答服務。用戶輸入文本、劃詞頁面內容進行交互形式提問，AI助手均能即刻反饋，基于其不斷擴充與更新的知識圖譜，依托語義解析算法，提供高度貼合用戶查詢需求的答案。持續迭代學習的知識圖譜和高級語義理解技術的深度融合，確保了問題解答的時效性與精確度，同時降低了用戶對于專業知識的學習成本。
知識文檔－劃詞解釋
知識收集和輸入：收集產品的操作手冊、FAQ、設計文檔、業務規則、數據模型等，沉淀為產品專業知識語料庫。
知識向量化：基于基礎大模型+RAG平臺，將產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，結合提示詞工程，為前端提供知識問答服務。
業務咨詢：用戶通過自然語言的方式，詢問助手關于權限、客情、產品、業務咨詢相關的問題，助手檢索出答案，并組裝成自然語言進行回答。
頁面劃詞解釋：通過鼠標滑動圈定一個詞語，即可觸發詢問助手的功能，需要對劃詞設定觸發動作，并被系統所識別，識別后可調起查詢應用。
構建受理模板管理、提示詞管理等模型輔助運營能力。協助運營人員采集和編寫高頻、高價值商品的操作過程和業務難點，導入語料訓練業務知識。由業務運營人員創建業務受理模板和提示詞，將復雜業務場景模板化，模型訓練識別并智能匹配模板，為業務加載和業務配置提供輔助手段。
受理模板管理：根據業務需要對銷售品進行模板化配置，實現銷售品部分參數的固化設置形成受理模板，降低受理數據的參數大小，簡化受理信息錄入。
提示詞管理：管理交互問答提示詞的內容、相似度、向量閾值、TOPK等相關信息，控制與大模型交互過程的準確率和泛化能力。
其他輔助運營：包括助手管理、模型設置、權限管理等基礎功能。
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”“實時性較差”的問題，有很好的融入了大模型的意圖理解、多模態識別、LUI的交付模式，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越多，未來的技術發展可能還會帶來更多的變化，比如“One Copilot，Many Expert”的模式，也就是“一個助手、無數個專家”的超級智能助手的智能平臺。
One Copilot模式
在這種One Copilot模式下，統一了各種智能助手的入口，使用者只需關注要完成的任務，不需要關注由哪個系統的哪個功能模塊來支撐，由大模型識別用戶意圖進行各智能助手的調度，從而實現“無系統”感知的效果。
另外多個智能助手也實現了有機集成，基于不同的場景，領域專家/智能助手隨時呼出，或自動加載，交互體驗保持一致，從而可能帶來一種新的實時交互的場景，也就是提供智能自助以及在線專家整合多種形態，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。