從機械化、電氣化，到自動化、智能化，核心是工具做的事越來越多，人參與越來越少，把精力聚焦到更創(chuàng)造性的工作中。隨著技術(shù)的發(fā)展，人類把精力越來越聚焦到創(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)過了機械化、電氣化、自動化的三次工業(yè)革命，現(xiàn)在正面臨著智能化的挑戰(zhàn)。

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

　　電氣化時代，蒸汽機車、內(nèi)燃機車、電力機車，一方面把速度提升到100KM，而且通過電力能源，可以實現(xiàn)多天不間斷的運行。

　　自動化時代，自動擋使操控更簡單、地圖導航更準確。

　　接下來的智能化時代，一方面，自動駕駛加強人車協(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大幅降低環(huán)境和大氣污染，提供一個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(zhàn)，主要在三個方面：

　　互助階段的主要目標是解決“聽得懂”，即提供具有“搜索+問答管理”能力的QABot代替坐席，解決大部分的咨詢類問題，復雜咨詢問題和故障問題轉(zhuǎn)人工。

　　自助階段的主要目標是解決“說的出”，即提供具有“知識云+知識圖譜”能力的KGBot代替領(lǐng)域?qū)＜遥�解決復雜咨詢問題和簡單故障問題，復雜故障問題轉(zhuǎn)人工。

　　自主階段的主要目標是解決“做得到”，即提供具有“設(shè)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解決。

　　基于搜索(IR，InformationRetrieval)的QAbot，對用戶問題（query）進行分詞，通過TF-IDF等權(quán)重排序，獲取200或者更多候選結(jié)果；對候選結(jié)果進行字面、熱度、語義等深度學習多維度重排；如果第一個結(jié)果得分ok，返回用戶，否則轉(zhuǎn)人工。

　　問答管理平臺，一方面管理問答類別和知識點，另一方面進行用戶問題大數(shù)據(jù)分析，對于無結(jié)果的問題，及時進行答案補充。

　　QABot，通過構(gòu)建知識庫和問答匹配引擎，7*24小時響應(yīng)客戶問題，對于重復問題或者知識庫已有問題，問答準確。

　　實際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，機器人主要解決簡單且重復性較高的咨詢類問題，保證答準率，提升用戶滿意度。而復雜咨詢問題或故障問題，客戶或者伙伴，還是通過聯(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網(wǎng)絡(luò)，進行互助決策解決問題。

　　但很顯然有兩個問題：

　　如果碰上復雜問題，比如問題A=問題B+問題C，人是很容易推理，但QABot沒有知識推理能力，很容易答錯或者答不出來。

　　如果問題A在客戶和專家的描述方式不一樣，但QABot沒有提供客戶和專家的溝通橋梁，專家以為解決的問題，其實用戶問了還是不會。

　　因為沒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智障的感覺，見“為什么現(xiàn)在的人工智能助理都像人工智障？”

　　知識圖譜（Knowledge Graph），是結(jié)構(gòu)化的語義知識庫，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‘實體-關(guān)系-實體’三元組，以及實體及其相關(guān)屬性-值對，實體之間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)。通過知識圖譜，可以實現(xiàn)Web從網(wǎng)頁鏈接向概念鏈接轉(zhuǎn)變，支持用戶按主題而不是字符串檢索，從而實現(xiàn)真正的語義檢索，基于知識圖譜的搜索引擎，能夠以圖形方式向用戶反饋結(jié)構(gòu)化的知識，用戶不必瀏覽大量網(wǎng)頁，就可以準確定位和深度獲取知識。比如“C羅是不是最優(yōu)秀的足球運動員之一？”，根據(jù)C羅獲得過“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(jié)構(gòu)化進行知識推理，通過提供多輪問答的產(chǎn)品形態(tài)，明確用戶上下文，解決客戶的復雜咨詢問題。

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

　　有標準問和標準答案，不需要推理即可給出答案。例如用戶查詢密碼的場景，能夠支持“S5720SI的密碼是什么”等問題。

　　無法直接通過標準問和標準答案的匹配輸出的答案，需要進行一定推理的。例如同樣的用戶查詢密碼場景，用戶問產(chǎn)品簇“S5700的密碼是什么”，可結(jié)合PBI和密碼工具進行推理，自動進行“S5700”包含S5720，包含S5720Si，最終回答S5720Si的密碼。

　　綜合多條知識結(jié)果，提供多輪問答，明確用戶意圖。類似于你進入一個商店，要一罐可樂，服務(wù)員問你，你是要可口可樂還是百事可樂，我們的機器人也會問你是要高端的S5720HI結(jié)果，還是中端S5720LI結(jié)果，還是低端S5720Si結(jié)果，從而得到用戶真正需要的結(jié)果。

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

　　顯性知識是以書面文字、圖表和數(shù)學公式表述的知識，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、觀念。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(gòu)建知識圖譜進行知識結(jié)構(gòu)化和推理，另一方面，對于水面下更大量的隱性知識，需要構(gòu)建平臺進行管理，逐步顯性。比如外部客戶的某次反饋，可能就是下次另一個客戶問題的根因；而某次巡檢發(fā)現(xiàn)的問題，下次就是KPI異常檢測的重要來源。

　　同時因為安全等問題，客戶的網(wǎng)絡(luò)和數(shù)據(jù)不能同步到云端進行分析處理，但是不利用外部數(shù)據(jù)和特征，客戶問題可能沒法定位，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、專家論壇知識和運維知識，訓練根因定位、硬盤檢測和KPI分析等的機器學習/深度學習模型，當客戶現(xiàn)場定位時，可以拉去或者提前拉去云端判別模型到端測，輔助端測進行問題定位。而且端測定位效果好，一方面可以對知識脫敏，經(jīng)過客戶確認后，同步到云端；另一方面可以對模型進行微調(diào)和脫敏，經(jīng)客戶確認，同步云端，便于后續(xù)的故障定位。

　　TaskBot，即任務(wù)機器人，是指像做任務(wù)一樣，結(jié)合用戶網(wǎng)絡(luò)環(huán)境和設(shè)備狀態(tài)，進行智能運維操作的客服機器人形態(tài)，也是解決客戶故障問題，特別是復雜故障的半自動工具。類似于自動駕駛中的L3和L4，通過客戶將故障進行分級，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的故障問題自愈是自主的客服服務(wù)必由之路。

　　故障問題，特別是多設(shè)備關(guān)聯(lián)的故障問題，不同于咨詢問題，和客戶網(wǎng)絡(luò)環(huán)境和設(shè)備運行狀態(tài)強相關(guān)。而且不同的故障類型，分析方法和診斷模型也各不相同。為了解決客戶的故障問題，(1)探知客戶的網(wǎng)絡(luò)環(huán)境和設(shè)備運行的上下文狀態(tài)的堡壘機/網(wǎng)絡(luò)探針，(2)不同運維場景的智能運維算法和決策，是智能客服TaskBot的兩個重要特性。而類似于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(shè)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，類似于你在咖啡店，系統(tǒng)不太可能給你推薦豆?jié){。而設(shè)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，是客戶自主服務(wù)的另一個重要核心組件。TaskBot的運維決策總的來說可以分為四類，（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。時空分解是日志壓縮的常用算法，KPI分類/聚類是KPI異常檢測的常用算法，ARMIA等時序預測算法是硬盤容量預測和預警的核心算法，而協(xié)同過濾和關(guān)聯(lián)分析是故障定界定位的核心算法，針對4大類場景，TaskBot將提供典型的20+機器學習/深度學習算法，賦能客戶進行自主的問題分析和故障自愈。

　　在Gartner2017安全與風險管理峰會《State of Security Governance，2017-Where Do We Go Next?》上，分析師Marc-AntoineMeunier發(fā)表演講，提及“數(shù)據(jù)安全治理（Data Security Governance）”，Marc將其比喻為“風暴之眼”，以此來形容數(shù)據(jù)安全治理（DSG）在數(shù)據(jù)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(shù)字雙生需求。如何定義，智能客服中的“數(shù)據(jù)安全治理”，如何建設(shè)數(shù)據(jù)安全和提供可信的服務(wù)，以及如何融入整個網(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(zhàn)。

　　首先，我們需要了解的是，數(shù)據(jù)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，自上而下貫穿整個組織架構(gòu)的完整鏈條。行業(yè)專家，第三方服務(wù)商和伙伴，客戶，各個組織各個層級之間需要對數(shù)據(jù)安全治理的目標和宗旨取得共識，確保采取合理和適當?shù)拇胧�，以最有效的方式保護信息資源，這也是Gartner對“安全和風險管理”的基本定義。

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

　　良好的治理&不好的治理，如何判斷？確立數(shù)據(jù)安全治理流程目標后，決策者需要關(guān)注幾個關(guān)鍵性指標，以作為評判數(shù)據(jù)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評判標準。

　　數(shù)據(jù)安全治理也是互助、自助、自主的智能服務(wù)所面臨的長期挑戰(zhàn)。