從機械化、電氣化，到自動(dòng)化、智能化，核心是工具做的事越來(lái)越多，人參與越來(lái)越少，把精力聚焦到更創(chuàng )造性的工作中。隨著(zhù)技術(shù)的發(fā)展，人類(lèi)把精力越來(lái)越聚焦到創(chuàng )造性的工作中，而把重復的工作交給工具或者機器去做。經(jīng)過(guò)了機械化、電氣化、自動(dòng)化的三次工業(yè)革命，現在正面臨著(zhù)智能化的挑戰。

　　以交通出行為例，機械化時(shí)代，人類(lèi)發(fā)明自行車(chē)，出行速度從5KM提升至20KM，效率大幅提升。

　　電氣化時(shí)代，蒸汽機車(chē)、內燃機車(chē)、電力機車(chē)，一方面把速度提升到100KM，而且通過(guò)電力能源，可以實(shí)現多天不間斷的運行。

　　自動(dòng)化時(shí)代，自動(dòng)擋使操控更簡(jiǎn)單、地圖導航更準確。

　　接下來(lái)的智能化時(shí)代，一方面，自動(dòng)駕駛加強人車(chē)協(xié)同，部分或大部分替代人的操作，即提升駕駛效率，而且能夠大幅降低交通事故，把很多馬路殺手變成吃瓜群眾。另一方面，新能源和智能制造會(huì )大幅降低環(huán)境和大氣污染，提供一個(gè)更加美好和諧的生存環(huán)境。

　　ICT領(lǐng)域也在面臨智能化的第四次工業(yè)革命挑戰，主要在三個(gè)方面：

　　互助階段的主要目標是解決“聽(tīng)得懂”，即提供具有“搜索+問(wèn)答管理”能力的QABot代替坐席，解決大部分的咨詢(xún)類(lèi)問(wèn)題，復雜咨詢(xún)問(wèn)題和故障問(wèn)題轉人工。

　　自助階段的主要目標是解決“說(shuō)的出”，即提供具有“知識云+知識圖譜”能力的KGBot代替領(lǐng)域專(zhuān)家，解決復雜咨詢(xún)問(wèn)題和簡(jiǎn)單故障問(wèn)題，復雜故障問(wèn)題轉人工。

　　自主階段的主要目標是解決“做得到”，即提供具有“設備探針+智能運維”的TaskBot替代操作腳本，支持復雜故障的半自動(dòng)解決。

　　基于搜索(IR，InformationRetrieval)的QAbot，對用戶(hù)問(wèn)題（query）進(jìn)行分詞，通過(guò)TF-IDF等權重排序，獲取200或者更多候選結果；對候選結果進(jìn)行字面、熱度、語(yǔ)義等深度學(xué)習多維度重排；如果第一個(gè)結果得分ok，返回用戶(hù)，否則轉人工。

　　問(wèn)答管理平臺，一方面管理問(wèn)答類(lèi)別和知識點(diǎn)，另一方面進(jìn)行用戶(hù)問(wèn)題大數據分析，對于無(wú)結果的問(wèn)題，及時(shí)進(jìn)行答案補充。

　　QABot，通過(guò)構建知識庫和問(wèn)答匹配引擎，7*24小時(shí)響應客戶(hù)問(wèn)題，對于重復問(wèn)題或者知識庫已有問(wèn)題，問(wèn)答準確。

　　實(shí)際ICT業(yè)務(wù)上，主要是IKnow和人工客服（工程師）一起服務(wù)客戶(hù)，機器人主要解決簡(jiǎn)單且重復性較高的咨詢(xún)類(lèi)問(wèn)題，保證答準率，提升用戶(hù)滿(mǎn)意度。而復雜咨詢(xún)問(wèn)題或故障問(wèn)題，客戶(hù)或者伙伴，還是通過(guò)聯(lián)系人工客服和華為工程師解決，必要的情況下，人工客服和華為工程師接入客戶(hù)網(wǎng)絡(luò )，進(jìn)行互助決策解決問(wèn)題。

　　但很顯然有兩個(gè)問(wèn)題：

　　如果碰上復雜問(wèn)題，比如問(wèn)題A=問(wèn)題B+問(wèn)題C，人是很容易推理，但QABot沒(méi)有知識推理能力，很容易答錯或者答不出來(lái)。

　　如果問(wèn)題A在客戶(hù)和專(zhuān)家的描述方式不一樣，但QABot沒(méi)有提供客戶(hù)和專(zhuān)家的溝通橋梁，專(zhuān)家以為解決的問(wèn)題，其實(shí)用戶(hù)問(wèn)了還是不會(huì )。

　　因為沒(méi)有有效的知識推理能力和知識泛化能力，QABot的機器人給人還是有點(diǎn)智障的感覺(jué)，見(jiàn)“為什么現在的人工智能助理都像人工智障？”

　　知識圖譜（Knowledge Graph），是結構化的語(yǔ)義知識庫，用于以符號形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是‘實(shí)體-關(guān)系-實(shí)體’三元組，以及實(shí)體及其相關(guān)屬性-值對，實(shí)體之間通過(guò)關(guān)系相互聯(lián)結，構成網(wǎng)狀的知識結構。通過(guò)知識圖譜，可以實(shí)現Web從網(wǎng)頁(yè)鏈接向概念鏈接轉變，支持用戶(hù)按主題而不是字符串檢索，從而實(shí)現真正的語(yǔ)義檢索，基于知識圖譜的搜索引擎，能夠以圖形方式向用戶(hù)反饋結構化的知識，用戶(hù)不必瀏覽大量網(wǎng)頁(yè)，就可以準確定位和深度獲取知識。比如“C羅是不是最優(yōu)秀的足球運動(dòng)員之一？”，根據C羅獲得過(guò)“金球獎”，而“金球獎是影響力最大的足球獎項之一”，因此可以推斷“C羅是最優(yōu)秀的足球運動(dòng)員之一”

(from”肖仰華–知識圖譜和認知智能，2018”)

　　KGBot，知識圖譜機器人，可以利用知識結構化進(jìn)行知識推理，通過(guò)提供多輪問(wèn)答的產(chǎn)品形態(tài)，明確用戶(hù)上下文，解決客戶(hù)的復雜咨詢(xún)問(wèn)題。

　　ICT的知識圖譜平臺，包括產(chǎn)品、MiB，Password，Alarm等節點(diǎn)和關(guān)系，相對于傳統的QA搜索模式，KG支持：

　　有標準問(wèn)和標準答案，不需要推理即可給出答案。例如用戶(hù)查詢(xún)密碼的場(chǎng)景，能夠支持“S5720SI的密碼是什么”等問(wèn)題。

　　無(wú)法直接通過(guò)標準問(wèn)和標準答案的匹配輸出的答案，需要進(jìn)行一定推理的。例如同樣的用戶(hù)查詢(xún)密碼場(chǎng)景，用戶(hù)問(wèn)產(chǎn)品簇“S5700的密碼是什么”，可結合PBI和密碼工具進(jìn)行推理，自動(dòng)進(jìn)行“S5700”包含S5720，包含S5720Si，最終回答S5720Si的密碼。

　　綜合多條知識結果，提供多輪問(wèn)答，明確用戶(hù)意圖。類(lèi)似于你進(jìn)入一個(gè)商店，要一罐可樂(lè )，服務(wù)員問(wèn)你，你是要可口可樂(lè )還是百事可樂(lè )，我們的機器人也會(huì )問(wèn)你是要高端的S5720HI結果，還是中端S5720LI結果，還是低端S5720Si結果，從而得到用戶(hù)真正需要的結果。

　　同時(shí)，一個(gè)支持端云協(xié)同的企業(yè)知識云，是智能客服有點(diǎn)智能的必經(jīng)之路。

　　顯性知識是以書(shū)面文字、圖表和數學(xué)公式表述的知識，比如文檔、PPT，彷佛在冰上以上外露的部分。隱性知識指的是存在于大腦中的知識，如優(yōu)秀員工的技能、秘訣、直覺(jué)、觀(guān)念。這些知識猶如在水面底下沉潛的冰山，非常龐大但不容易彰顯。

　　一方面，我們對顯性知識構建知識圖譜進(jìn)行知識結構化和推理，另一方面，對于水面下更大量的隱性知識，需要構建平臺進(jìn)行管理，逐步顯性。比如外部客戶(hù)的某次反饋，可能就是下次另一個(gè)客戶(hù)問(wèn)題的根因；而某次巡檢發(fā)現的問(wèn)題，下次就是KPI異常檢測的重要來(lái)源。

　　同時(shí)因為安全等問(wèn)題，客戶(hù)的網(wǎng)絡(luò )和數據不能同步到云端進(jìn)行分析處理，但是不利用外部數據和特征，客戶(hù)問(wèn)題可能沒(méi)法定位，端云協(xié)同的知識云也就成了下一步的解決方案。云端基于海量的資料包知識、專(zhuān)家論壇知識和運維知識，訓練根因定位、硬盤(pán)檢測和KPI分析等的機器學(xué)習/深度學(xué)習模型，當客戶(hù)現場(chǎng)定位時(shí)，可以拉去或者提前拉去云端判別模型到端測，輔助端測進(jìn)行問(wèn)題定位。而且端測定位效果好，一方面可以對知識脫敏，經(jīng)過(guò)客戶(hù)確認后，同步到云端；另一方面可以對模型進(jìn)行微調和脫敏，經(jīng)客戶(hù)確認，同步云端，便于后續的故障定位。

　　TaskBot，即任務(wù)機器人，是指像做任務(wù)一樣，結合用戶(hù)網(wǎng)絡(luò )環(huán)境和設備狀態(tài)，進(jìn)行智能運維操作的客服機器人形態(tài)，也是解決客戶(hù)故障問(wèn)題，特別是復雜故障的半自動(dòng)工具。類(lèi)似于自動(dòng)駕駛中的L3和L4，通過(guò)客戶(hù)將故障進(jìn)行分級，業(yè)務(wù)可用型故障，可以嘗試先修復后匯報；而業(yè)務(wù)安全型故障，則先確認再修復。按“Gartner智能運維分析報告（2018）”，到2020年，智能運維（AIOps）的企業(yè)普及率達到60%，而故障的自修復比例占50%，基于TaskBot的故障問(wèn)題自愈是自主的客服服務(wù)必由之路。

　　故障問(wèn)題，特別是多設備關(guān)聯(lián)的故障問(wèn)題，不同于咨詢(xún)問(wèn)題，和客戶(hù)網(wǎng)絡(luò )環(huán)境和設備運行狀態(tài)強相關(guān)。而且不同的故障類(lèi)型，分析方法和診斷模型也各不相同。為了解決客戶(hù)的故障問(wèn)題，(1)探知客戶(hù)的網(wǎng)絡(luò )環(huán)境和設備運行的上下文狀態(tài)的堡壘機/網(wǎng)絡(luò )探針，(2)不同運維場(chǎng)景的智能運維算法和決策，是智能客服TaskBot的兩個(gè)重要特性。而類(lèi)似于KGBot的端云協(xié)同模式，TaskBot也需要端云同步，相比于KGBot只返回解決方案不同，TaskBot能夠支持端上運行，自主服務(wù)，也就是業(yè)界定義的智能助手或者智能助理。

　　TaskBot之網(wǎng)絡(luò )Agent，包括堡壘機/探針，能夠在滿(mǎn)足安全要求的情況下，一方面獲取網(wǎng)絡(luò )組網(wǎng)狀態(tài)，另一方面獲取設備運行狀態(tài)。而網(wǎng)絡(luò )的組網(wǎng)狀態(tài)也就是故障的環(huán)境知識，網(wǎng)絡(luò )的級聯(lián)狀態(tài)，交換機的堆疊情況等等對于故障定界和根因定位及其重要，類(lèi)似于你在咖啡店，系統不太可能給你推薦豆漿。而設備的運行狀態(tài)，則是運行知識或者上下文知識，在流量預測或者亞健康檢測時(shí)尤為重要，上一刻突發(fā)的流量暴增可能是這一刻斷網(wǎng)的根因。

　　TaskBot的運維決策，是客戶(hù)自主服務(wù)的另一個(gè)重要核心組件。TaskBot的運維決策總的來(lái)說(shuō)可以分為四類(lèi)，（1）日常維護，包括日志挖掘，告警壓縮和日志分析（2）異常檢測，主要包括硬盤(pán)檢測、KPI異常檢測、網(wǎng)絡(luò )亞健康檢測等（3）預測預防，主要包括硬盤(pán)容量預測，性能預測，容量預警等（4）根因故障，主要包括故障定界定位，故障診斷，告警根因定位等。時(shí)空分解是日志壓縮的常用算法，KPI分類(lèi)/聚類(lèi)是KPI異常檢測的常用算法，ARMIA等時(shí)序預測算法是硬盤(pán)容量預測和預警的核心算法，而協(xié)同過(guò)濾和關(guān)聯(lián)分析是故障定界定位的核心算法，針對4大類(lèi)場(chǎng)景，TaskBot將提供典型的20+機器學(xué)習/深度學(xué)習算法，賦能客戶(hù)進(jìn)行自主的問(wèn)題分析和故障自愈。

　　在Gartner2017安全與風(fēng)險管理峰會(huì )《State of Security Governance，2017-Where Do We Go Next?》上，分析師Marc-AntoineMeunier發(fā)表演講，提及“數據安全治理（Data Security Governance）”，Marc將其比喻為“風(fēng)暴之眼”，以此來(lái)形容數據安全治理（DSG）在數據安全領(lǐng)域中的重要地位及作用。

　　安全可信的智能產(chǎn)品和服務(wù)，也是伴隨智能化的數字雙生需求。如何定義，智能客服中的“數據安全治理”，如何建設數據安全和提供可信的服務(wù)，以及如何融入整個(gè)網(wǎng)絡(luò )大安全和大可信的生態(tài)，是自主自助服務(wù)的新挑戰。

　　首先，我們需要了解的是，數據安全治理絕不僅僅是一套用工具組合的產(chǎn)品級解決方案，而是從決策層到技術(shù)層，從管理制度到工具支撐，自上而下貫穿整個(gè)組織架構的完整鏈條。行業(yè)專(zhuān)家，第三方服務(wù)商和伙伴，客戶(hù)，各個(gè)組織各個(gè)層級之間需要對數據安全治理的目標和宗旨取得共識，確保采取合理和適當的措施，以最有效的方式保護信息資源，這也是Gartner對“安全和風(fēng)險管理”的基本定義。

　　而如何定制數據安全治理流程，包括建立管理問(wèn)責制和決策權，決定可接受的安全風(fēng)險，安全風(fēng)險控制和風(fēng)險控制有效性，是數據安全治理的四個(gè)重要步驟。數據安全治理必須是一個(gè)完整的閉環(huán)，通過(guò)安全評估及具體指標衡量，以確保風(fēng)險得到了有效管理，否則，需要回到第一個(gè)步驟重新糾偏。

　　良好的治理&不好的治理，如何判斷？確立數據安全治理流程目標后，決策者需要關(guān)注幾個(gè)關(guān)鍵性指標，以作為評判數據安全治理工作是否是良性的，減輕企業(yè)負擔，Gartner也為我們提供了幾個(gè)評判標準。

　　數據安全治理也是互助、自助、自主的智能服務(wù)所面臨的長(cháng)期挑戰。