翁先正 鄭棉鑫 李才俊 吳濤 張彩萍

摘要：隨著網(wǎng)絡(luò)業(yè)務(wù)的快速發(fā)展和網(wǎng)絡(luò)技術(shù)的快速演進(jìn)，人們對(duì)網(wǎng)絡(luò)運(yùn)維的要求也隨之提高。當(dāng)下的網(wǎng)絡(luò)運(yùn)維存在技術(shù)門檻高、閉環(huán)效率低、運(yùn)維一致性差等問(wèn)題。AI運(yùn)維機(jī)器人基于NLP（Natural Language Processing，自然語(yǔ)言處理）技術(shù)，為運(yùn)維人員提供極簡(jiǎn)的“對(duì)話式”運(yùn)維操作，智能識(shí)別運(yùn)維意圖和操作對(duì)象，高效自動(dòng)化執(zhí)行任務(wù)，有效降低了運(yùn)維人員的技術(shù)門檻，替代煩瑣人工操作，有效提升了運(yùn)維效率，實(shí)現(xiàn)了網(wǎng)絡(luò)運(yùn)維的提質(zhì)增效。

關(guān)鍵詞：NLP；網(wǎng)絡(luò)運(yùn)維；對(duì)話式；機(jī)器人

doi：10.3969/J.ISSN.1672-7274.2024.03.010

中圖分類號(hào)：TP 242? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ?文章編碼：1672-7274（2024）03-00-04

近年來(lái)，數(shù)字業(yè)務(wù)迅猛發(fā)展，網(wǎng)絡(luò)直播、在線教育、遠(yuǎn)程會(huì)議等網(wǎng)絡(luò)數(shù)字業(yè)務(wù)迅速壯大，成為國(guó)民經(jīng)濟(jì)的重要推力。在數(shù)字經(jīng)濟(jì)發(fā)展的新時(shí)代，作為數(shù)字經(jīng)濟(jì)基礎(chǔ)的網(wǎng)絡(luò)質(zhì)量至關(guān)重要。網(wǎng)絡(luò)問(wèn)題的快速閉環(huán)是衡量網(wǎng)絡(luò)服務(wù)質(zhì)量的重要標(biāo)準(zhǔn)，而隨著網(wǎng)絡(luò)日趨復(fù)雜，網(wǎng)絡(luò)運(yùn)維壓力日益增大，如何將最新的技術(shù)融入生產(chǎn)流程，提升問(wèn)題處理效率，是一個(gè)迫在眉睫的課題。貴州移動(dòng)聯(lián)合華為成立聯(lián)合攻關(guān)項(xiàng)目組，結(jié)合OMC網(wǎng)管維護(hù)操作特點(diǎn)，基于NLP技術(shù)，智能識(shí)別運(yùn)維意圖和實(shí)體，將分散在多個(gè)菜單界面的信息進(jìn)行編排組合并自動(dòng)化執(zhí)行任務(wù)，構(gòu)建全新的“對(duì)話式”極簡(jiǎn)運(yùn)維[1]。

1? ?網(wǎng)絡(luò)運(yùn)維現(xiàn)狀與問(wèn)題

1.1 現(xiàn)狀

隨著網(wǎng)絡(luò)業(yè)務(wù)的快速發(fā)展和網(wǎng)絡(luò)技術(shù)的快速演進(jìn)，基礎(chǔ)設(shè)施虛擬化和網(wǎng)絡(luò)設(shè)備軟件化在實(shí)現(xiàn)資源彈性分配、動(dòng)態(tài)調(diào)度等新特性的同時(shí)，也給分層解耦的轉(zhuǎn)型網(wǎng)絡(luò)帶來(lái)了更多的異廠商設(shè)備組合和管理層次，網(wǎng)絡(luò)協(xié)同復(fù)雜度陡增，進(jìn)一步加劇了網(wǎng)絡(luò)運(yùn)維的管理難度。

網(wǎng)管系統(tǒng)是基于微服務(wù)框架搭建的Web系統(tǒng)，隨著網(wǎng)絡(luò)業(yè)務(wù)復(fù)雜度的提高，網(wǎng)管系統(tǒng)的復(fù)雜度也不斷提高，業(yè)務(wù)模塊與業(yè)務(wù)功能持續(xù)增加。在日常網(wǎng)絡(luò)運(yùn)維工作中，傳輸網(wǎng)絡(luò)要負(fù)責(zé)無(wú)線、家寬、政企及新型業(yè)務(wù)承載的安全運(yùn)行保障，面向的維護(hù)對(duì)象龐大且故障較多，大量業(yè)務(wù)故障協(xié)查、資源統(tǒng)計(jì)及隱患排查等高頻操作都需要維護(hù)人員操作網(wǎng)管系統(tǒng)來(lái)完成。在傳統(tǒng)運(yùn)維模式下，凸顯出維護(hù)人員的捉襟見(jiàn)肘和疲于應(yīng)付[2]。

1.2 問(wèn)題

1.2.1 技術(shù)門檻高

網(wǎng)管系統(tǒng)隨著業(yè)務(wù)演進(jìn)帶來(lái)的系統(tǒng)復(fù)雜性，對(duì)維護(hù)人員的技術(shù)門檻有較高要求，維護(hù)人員需要不斷適應(yīng)業(yè)務(wù)演進(jìn)帶來(lái)的系統(tǒng)變化與操作變更，在此過(guò)程中需要投入大量的培養(yǎng)成本。同時(shí)，系統(tǒng)復(fù)雜性還給維護(hù)人員帶來(lái)了較高的記憶負(fù)擔(dān)，運(yùn)維人員需要通過(guò)日常不斷的操作來(lái)慢慢記住每個(gè)運(yùn)維場(chǎng)景對(duì)應(yīng)的頁(yè)面、菜單與功能項(xiàng)入口以及對(duì)結(jié)果信息的甄別。對(duì)于復(fù)雜的網(wǎng)絡(luò)問(wèn)題處理，運(yùn)維人員往往會(huì)遇到查什么、如何查、在哪里查等問(wèn)題，每一步都需要花費(fèi)一定的時(shí)間，影響網(wǎng)絡(luò)問(wèn)題處理效率[3]。

1.2.2 閉環(huán)效率低

網(wǎng)絡(luò)運(yùn)維除了對(duì)運(yùn)維人員高技術(shù)門檻要求，在運(yùn)維場(chǎng)景的閉環(huán)效率上也存在較大的提升空間。網(wǎng)管系統(tǒng)是當(dāng)下流行的Web實(shí)現(xiàn)，運(yùn)維人員在客戶端的圖形化界面層通過(guò)點(diǎn)擊、選擇等動(dòng)作觸發(fā)業(yè)務(wù)接口調(diào)用，服務(wù)端響應(yīng)處理返回?cái)?shù)據(jù)，再由前端渲染為可視化結(jié)果。

在日常網(wǎng)絡(luò)運(yùn)維場(chǎng)景中，往往需要運(yùn)維人員在多個(gè)菜單界面上進(jìn)行相關(guān)操作來(lái)完成，在此過(guò)程中會(huì)觸發(fā)運(yùn)維人員與客戶端的交互以及多次客戶端與服務(wù)端的數(shù)據(jù)交互，運(yùn)維場(chǎng)景閉環(huán)效率強(qiáng)依賴于運(yùn)維人員的操作效率、操作步驟以及系統(tǒng)的響應(yīng)效率，這種串行的多步驟人機(jī)交互方式無(wú)法滿足日益增長(zhǎng)的閉環(huán)效率要求[4]。

1.2.3 運(yùn)維一致性差

網(wǎng)絡(luò)運(yùn)維人員的業(yè)務(wù)知識(shí)和技術(shù)水平各不相同，對(duì)同樣的運(yùn)維場(chǎng)景有不一樣的業(yè)務(wù)理解與處理方法，難以保證相同運(yùn)維場(chǎng)景的全面性與結(jié)果一致性，存在信息遺漏或信息甄別的隱患，甚至可能出現(xiàn)某些操作失誤導(dǎo)致的重大網(wǎng)絡(luò)隱患或業(yè)務(wù)故障。

2? ?AI運(yùn)維機(jī)器人方案介紹

通過(guò)對(duì)網(wǎng)絡(luò)業(yè)務(wù)演進(jìn)需求和網(wǎng)絡(luò)運(yùn)維現(xiàn)狀進(jìn)行分析可知，當(dāng)下網(wǎng)絡(luò)運(yùn)維在自動(dòng)化執(zhí)行、流程協(xié)同、信息甄別的效率提升和準(zhǔn)確性上存在較大的需求與提升空間。

聚焦傳統(tǒng)運(yùn)維人機(jī)交互存在的技術(shù)門檻高、閉環(huán)效率低和運(yùn)維一致性差的問(wèn)題，AI運(yùn)維機(jī)器人基于NLP技術(shù)在網(wǎng)絡(luò)運(yùn)維領(lǐng)域提供了一種全新的“對(duì)話式”運(yùn)維方案。運(yùn)維人員只需要輸入一句話跟運(yùn)維機(jī)器人描述日常運(yùn)維意圖，機(jī)器人便可以從輸入文字中智能識(shí)別出運(yùn)維人員的運(yùn)維意圖和操作對(duì)象，通過(guò)預(yù)制的專家經(jīng)驗(yàn)、業(yè)務(wù)知識(shí)和業(yè)務(wù)關(guān)系，智能識(shí)別出需要查詢的信息，自動(dòng)執(zhí)行任務(wù)，實(shí)時(shí)查詢分散在網(wǎng)管系統(tǒng)多個(gè)界面的信息，并組合匯總成表格，信息全面準(zhǔn)確，秒級(jí)完成任務(wù)。

通過(guò)AI運(yùn)維機(jī)器人極簡(jiǎn)的對(duì)話式運(yùn)維方式，運(yùn)維人員不再需要去記憶每個(gè)運(yùn)維場(chǎng)景對(duì)應(yīng)的界面與操作入口，大幅降低了運(yùn)維人員的技術(shù)門檻與記憶負(fù)擔(dān)。同時(shí)，AI運(yùn)維機(jī)器人可自動(dòng)完成復(fù)雜的業(yè)務(wù)查詢，簡(jiǎn)化了運(yùn)維人員在網(wǎng)管系統(tǒng)上煩瑣的操作，大幅降低了操作成本。AI運(yùn)維機(jī)器人將串行的多步驟人機(jī)交互變成一步交互，減少了運(yùn)維人員與客戶端、客戶端與服務(wù)器的交互次數(shù)，自動(dòng)并行執(zhí)行任務(wù)，極大地提升了端到端的業(yè)務(wù)閉環(huán)效率。在運(yùn)維一致性上，AI運(yùn)維機(jī)器人基于同源一致性的業(yè)務(wù)知識(shí)執(zhí)行任務(wù)，運(yùn)維人員之間只需要對(duì)齊運(yùn)維意圖，機(jī)器人就可以保證相同運(yùn)維場(chǎng)景下的一致性運(yùn)維，消除了信息遺漏和信息甄別出錯(cuò)的隱患[5]。

3? ?AI運(yùn)維機(jī)器人方案實(shí)現(xiàn)

3.1 系統(tǒng)架構(gòu)

（1）前端用戶界面層：提供7×24常駐的統(tǒng)一對(duì)話框界面入口。運(yùn)維人員在對(duì)話框輸入問(wèn)題，AI運(yùn)維機(jī)器人匹配對(duì)應(yīng)的對(duì)象和意圖并在對(duì)話框內(nèi)渲染結(jié)果。

（2）對(duì)話框架層：提供對(duì)話處理和用戶交互的整體框架，包括用戶追問(wèn)（用戶輸入信息不全）、多輪交互（對(duì)話確認(rèn)）、系統(tǒng)上下文（對(duì)象或意圖的關(guān)聯(lián)推薦）等；提供對(duì)話編排的整體框架，用于業(yè)務(wù)邏輯（比如專家經(jīng)驗(yàn)、業(yè)務(wù)知識(shí)、業(yè)務(wù)關(guān)系）的組合調(diào)用與注入。

（3）AI模型層：基于Bert、TextCNN和Elasticsearch實(shí)現(xiàn)模型，實(shí)現(xiàn)從運(yùn)維人員的原始輸入中智能識(shí)別運(yùn)維意圖并模糊匹配到具體的操作對(duì)象。

（4）業(yè)務(wù)邏輯層：網(wǎng)管系統(tǒng)中具體業(yè)務(wù)模塊的軟件實(shí)現(xiàn)層，提供業(yè)務(wù)知識(shí)調(diào)用與組合，作為意圖查詢中的原子調(diào)用。

（5）日志記錄模塊：記錄運(yùn)維人員通過(guò)AI運(yùn)維機(jī)器人下發(fā)的指令，用于管理與統(tǒng)計(jì)。

（6）權(quán)限控制模塊：用戶和角色分權(quán)分域管理，運(yùn)維人員通過(guò)AI運(yùn)維機(jī)器人執(zhí)行相關(guān)運(yùn)維任務(wù)需要具備對(duì)應(yīng)的操作權(quán)限，用戶只能操作用戶個(gè)人管理范圍內(nèi)容的網(wǎng)絡(luò)對(duì)象[6]。

3.2 設(shè)計(jì)實(shí)現(xiàn)

基于系統(tǒng)的架構(gòu)設(shè)計(jì)，各個(gè)模塊進(jìn)行分層分塊，系統(tǒng)整體基于微服務(wù)架構(gòu)實(shí)現(xiàn)各業(yè)務(wù)模塊之間的分離和解耦，各個(gè)模塊層基于業(yè)界主流軟件技術(shù)，通過(guò)自研開(kāi)發(fā)關(guān)鍵設(shè)計(jì)模式和關(guān)鍵算法實(shí)現(xiàn)。

（1）前端UI層?；赗eact框架實(shí)現(xiàn)運(yùn)維數(shù)據(jù)的界面渲染，基于Redux框架實(shí)現(xiàn)界面的動(dòng)態(tài)更新，基于Axios實(shí)現(xiàn)HTTP接口調(diào)用，提供適用網(wǎng)絡(luò)運(yùn)維場(chǎng)景下的可視化組件。

（2）對(duì)話框架層?；贏IML（Artificial Intelligence Markup Language）和SAX（Simple API for XML）實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)維領(lǐng)域的業(yè)務(wù)編排框架，以配置文件的形式自由組合業(yè)務(wù)邏輯和原子接口調(diào)用，提供動(dòng)態(tài)快速更新業(yè)務(wù)的邏輯能力[7]。

（3）AI模型層。基于Bert預(yù)訓(xùn)練模型和TextCNN模型，將網(wǎng)管領(lǐng)域的運(yùn)維操作語(yǔ)料進(jìn)行同義詞泛化、實(shí)體泛化、句法分析泛化，訓(xùn)練得到對(duì)應(yīng)的模型。運(yùn)維人員輸入句子后，模型將句子轉(zhuǎn)為句向量，輸入到卷積層做特征提取，池化后再次過(guò)濾特征，最后到激活層計(jì)算出句子分類的一維向量，獲取用戶原始輸入對(duì)應(yīng)的運(yùn)維意圖和操作對(duì)象部分，再將操作對(duì)象部分與網(wǎng)管系統(tǒng)中的網(wǎng)絡(luò)對(duì)象進(jìn)行基于Elasticsearch的匹配[8]。

（4）業(yè)務(wù)邏輯層。網(wǎng)管系統(tǒng)中已存在的原始數(shù)據(jù)實(shí)現(xiàn)層，AI運(yùn)維機(jī)器人只涉及對(duì)該模塊的調(diào)用。

3.3 關(guān)鍵能力描述

3.3.1 網(wǎng)絡(luò)運(yùn)維領(lǐng)域的自然語(yǔ)言處理能力

AI運(yùn)維機(jī)器人基于Bert+TextCNN構(gòu)建網(wǎng)絡(luò)運(yùn)維領(lǐng)域的AI模型，對(duì)網(wǎng)絡(luò)運(yùn)維領(lǐng)域常用的語(yǔ)料進(jìn)行擴(kuò)展和泛化，從而具備網(wǎng)絡(luò)運(yùn)維領(lǐng)域的適用性。NLP目標(biāo)是從運(yùn)維人員的原始輸入中得到意圖（即運(yùn)維任務(wù)）和實(shí)體（即操作對(duì)象）兩部分。通過(guò)對(duì)原始輸入進(jìn)行分詞和特征提取，與關(guān)聯(lián)性最高的意圖匹配，再結(jié)合Elasticsearch和模糊匹配算法，與得分最高的網(wǎng)絡(luò)對(duì)象名稱（如業(yè)務(wù)、網(wǎng)元、端口等）匹配。

3.3.2 網(wǎng)絡(luò)運(yùn)維領(lǐng)域的知識(shí)圖譜

AI運(yùn)維機(jī)器人引入知識(shí)圖譜技術(shù)，將網(wǎng)絡(luò)中的業(yè)務(wù)、網(wǎng)元、端口、接口等對(duì)象和日常運(yùn)維意圖作為圖譜的基本圖節(jié)點(diǎn)，構(gòu)建成一張網(wǎng)絡(luò)運(yùn)維領(lǐng)域的知識(shí)圖譜。

在圖譜中的網(wǎng)絡(luò)運(yùn)維對(duì)象之間構(gòu)建對(duì)應(yīng)的網(wǎng)絡(luò)關(guān)聯(lián)關(guān)系（例如網(wǎng)元擁有端口、業(yè)務(wù)使用端口），通過(guò)圖查詢算法可以快速由一個(gè)已知網(wǎng)絡(luò)對(duì)象快速查找到關(guān)聯(lián)的網(wǎng)絡(luò)對(duì)象。例如，已知業(yè)務(wù)，可以根據(jù)不同關(guān)系快速查找到子接口和源宿網(wǎng)元。

圖譜中的運(yùn)維意圖與網(wǎng)絡(luò)對(duì)象存在對(duì)應(yīng)的映射關(guān)系，例如，業(yè)務(wù)支持排障意圖，網(wǎng)元對(duì)象支持查空閑端口意圖，端口支持查光功率意圖等。根據(jù)映射關(guān)系可以實(shí)現(xiàn)意圖和實(shí)體之間的正反向關(guān)聯(lián)，支撐對(duì)話過(guò)程中的輸入聯(lián)想和追問(wèn)[9]。

3.3.3 可視化聊天組件

網(wǎng)絡(luò)運(yùn)維領(lǐng)域的業(yè)務(wù)對(duì)象具備一定的特殊性和復(fù)雜性，AI運(yùn)維機(jī)器人對(duì)查詢結(jié)果的可視化也做了算法優(yōu)化。針對(duì)網(wǎng)絡(luò)運(yùn)維關(guān)注的內(nèi)容，開(kāi)發(fā)對(duì)應(yīng)的拓?fù)鋱D、趨勢(shì)圖、統(tǒng)計(jì)圖、折疊表格、嵌套表格、對(duì)話卡片等前端組件。通過(guò)數(shù)據(jù)匹配度，自動(dòng)選取相似度最高的組件，將查詢結(jié)果清晰、可視化地渲染在助手的聊天框中，使運(yùn)維人員能快速聚焦最有效的信息。例如，關(guān)注業(yè)務(wù)結(jié)構(gòu)和斷點(diǎn)的排障意圖，AI運(yùn)維機(jī)器人會(huì)呈現(xiàn)拓?fù)潢P(guān)系圖和診斷報(bào)表；關(guān)注統(tǒng)計(jì)結(jié)果的重保巡檢意圖，AI運(yùn)維機(jī)器人會(huì)呈現(xiàn)統(tǒng)計(jì)圖表。

3.3.4 網(wǎng)絡(luò)運(yùn)維的三查能力

基于專家經(jīng)驗(yàn)和網(wǎng)管操作分類統(tǒng)計(jì)分析，構(gòu)建網(wǎng)絡(luò)運(yùn)維領(lǐng)域高頻的報(bào)障協(xié)查、隱患排查和資源核查等“三查”關(guān)鍵能力，系統(tǒng)通過(guò)對(duì)話編排框架預(yù)置近30個(gè)運(yùn)維意圖并將其加入到知識(shí)圖譜節(jié)點(diǎn)。

在AI運(yùn)維機(jī)器人中，基于網(wǎng)絡(luò)構(gòu)建并將其領(lǐng)域的知識(shí)圖譜，結(jié)合自然語(yǔ)言處理技術(shù)，將用戶原始輸入的文字轉(zhuǎn)為知識(shí)圖譜中的起始節(jié)點(diǎn)和目的節(jié)點(diǎn)。通過(guò)知識(shí)圖譜的廣度遍歷查找算法得到最短路徑和相關(guān)對(duì)象，并調(diào)用具體的業(yè)務(wù)接口和意圖接口，得到實(shí)時(shí)的業(yè)務(wù)對(duì)象和運(yùn)維意圖查詢結(jié)果，自動(dòng)地秒級(jí)完成相關(guān)查詢?nèi)蝿?wù)，自動(dòng)選擇最匹配的組件，呈現(xiàn)直觀的查詢結(jié)果，并通過(guò)聊天對(duì)話框進(jìn)行推送。

同時(shí)，針對(duì)節(jié)假日及特定重大活動(dòng)保障，利用AI運(yùn)維機(jī)器人可以做定制化巡檢。用戶通過(guò)模板導(dǎo)入?yún)^(qū)域、重要業(yè)務(wù)（黨政軍VIP基站、重保專線）、重要網(wǎng)元（承載網(wǎng)核心節(jié)點(diǎn)設(shè)備），自定義重保期間的巡檢對(duì)象。自定義巡檢項(xiàng)目，如設(shè)備關(guān)鍵告警（鏈路中斷告警、硬件告警、電源告警）、關(guān)鍵性能（光功率、誤碼、溫度、CPU利用率）、環(huán)網(wǎng)或端口峰值帶寬利用率、核心設(shè)備數(shù)據(jù)配置、重要業(yè)務(wù)SLA質(zhì)量（時(shí)延、抖動(dòng)、丟包）等，并自定義巡檢周期（如重復(fù)日期、每日巡檢時(shí)段、每隔X小時(shí)執(zhí)行一次），AI運(yùn)維機(jī)器人定時(shí)執(zhí)行任務(wù)并自動(dòng)推送重保巡檢報(bào)告。

4? ?應(yīng)用效果

貴州移動(dòng)推廣運(yùn)行AI運(yùn)維機(jī)器人近一年來(lái)，累計(jì)使用達(dá)到近3萬(wàn)次（資源核查73%，故障協(xié)查18%，保障巡檢9%），月均使用量超過(guò)2 000+，覆蓋省內(nèi)80%維護(hù)人群。已覆蓋運(yùn)維場(chǎng)景操作效率提升90%以上，其中報(bào)障協(xié)查從平均20分鐘縮短至10秒以內(nèi)、資源核查從平均5分鐘縮短至10秒以內(nèi)，1分鐘完成上千數(shù)量級(jí)的重保對(duì)象關(guān)聯(lián)與整理動(dòng)作，2分鐘完成3人協(xié)作的隱患排查。推廣使用以來(lái)，累計(jì)識(shí)別近1 000隱患問(wèn)題（單鏈、未綁環(huán)、邏輯同路由），支撐維護(hù)人員完成整改，提升網(wǎng)絡(luò)運(yùn)行質(zhì)量。

同時(shí)，AI運(yùn)維機(jī)器人的能力已延伸到手機(jī)App端，解決站點(diǎn)維護(hù)人員只能依賴網(wǎng)管后臺(tái)人員低效提供告警、性能、資源等排障信息的痛點(diǎn)（網(wǎng)管后臺(tái)人員往往一對(duì)多，站點(diǎn)人員獲得信息等待時(shí)間較長(zhǎng)），為站點(diǎn)維護(hù)人員提供“一站式”自主維護(hù)排障能力，高效完成現(xiàn)場(chǎng)維護(hù)操作，減少二次上站效率超過(guò)30%，并解放網(wǎng)管后臺(tái)人員90%的電話支撐。

5? ?結(jié)束語(yǔ)

本項(xiàng)目實(shí)踐證明了AI“對(duì)話式”交互在網(wǎng)絡(luò)運(yùn)維的可行性和價(jià)值性。近年來(lái)以ChatGPT為代表的生成式AI技術(shù)給人類帶來(lái)了相當(dāng)?shù)恼鸷?，從生產(chǎn)內(nèi)容形式上大致分為文本生成、代碼生成、圖像生成、音頻生成、視頻生成和其他內(nèi)容六大類，具有大算力、大數(shù)據(jù)、大模型的典型特點(diǎn)。相比之下，在電信運(yùn)營(yíng)商的網(wǎng)絡(luò)運(yùn)維領(lǐng)域?qū)儆谳^為單一的垂直領(lǐng)域，AI運(yùn)維機(jī)器人未來(lái)可結(jié)合通信網(wǎng)絡(luò)運(yùn)維的特點(diǎn)進(jìn)一步探索生成式AI的應(yīng)用場(chǎng)景，打造屬于網(wǎng)絡(luò)運(yùn)維領(lǐng)域的AutoGPT，替代人完成更復(fù)雜更高難度的運(yùn)維操作，成為高階的數(shù)字員工。

參考文獻(xiàn)

[1] 李心玥，徐佳琦，周思靜，等．基于NLP技術(shù)在運(yùn)維自動(dòng)化領(lǐng)域構(gòu)建智能問(wèn)答模型的探索與實(shí)踐[J]．中國(guó)金融電腦，2021，13（8）：75-80.

[2]蘭祝剛，任然．ChatGPT對(duì)運(yùn)營(yíng)商影響及發(fā)展建議．中國(guó)電信業(yè)，2023（4）：28-31.

[3] 于丹，閆曉宇，王艷秋，等．任務(wù)型對(duì)話機(jī)器人的設(shè)計(jì)及其應(yīng)用[J]．軟件工程，2021，24（2）：55-59.

[4] 陳健鵬，馬建輝，王怡君．基于多輪交互的人機(jī)對(duì)話系統(tǒng)綜述[J]．南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，11（3）：256-268.

[5] 謝騰，楊俊安，劉輝．基于BERT-BiLSTM-CRF模型的中文實(shí)體識(shí)別[J]．計(jì)算機(jī)系統(tǒng)應(yīng)用，2020，29（7）：48-55.

[6] Chat with ChatGPT on Industry 5.0：Learning and Decision-Making for Intelligent Industries. Fei-Yue Wang;Jing Yang;Xingxia Wang;Juanjuan Li;Qing-Long Han.IEEE/CAA Journal of Automatica Sinica，2023，10（4）：831-834.

[7] 貴重，李云翔，江為強(qiáng)．人工智能的發(fā)展與挑戰(zhàn)——以ChatGPT為例．電信工程技術(shù)與標(biāo)準(zhǔn)化，2023（3）：24-28.

[8] 錢力，劉熠，張智雄，等．ChatGPT的技術(shù)基礎(chǔ)分析[J]．?dāng)?shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2023（3）：6-15.

[9] 李振華，倪丹成，徐潤(rùn)．ChatGPT背后的人工智能大模型的技術(shù)影響及應(yīng)用展望[J]．中國(guó)外匯，2023（6）：6-11.