ICT领域智能化的目标，是提供高效可信的智能产品和服务，彻底解放客户，助力创造更大价值
从机械化、电气化，到自动化、智能化，核心是工具做的事越来越多，人参与越来越少，把精力聚焦到更创造性的工作中。随着技术的发展，人类把精力越来越聚焦到创造性的工作中，而把重复的工作交给工具或者机器去做。经过了机械化、电气化、自动化的三次工业革命，现在正面临着智能化的挑战。
以交通出行为例，机械化时代，人类发明自行车，出行速度从5KM提升至20KM，效率大幅提升。
电气化时代，蒸汽机车、内燃机车、电力机车，一方面把速度提升到100KM，而且通过电力能源，可以实现多天不间断的运行。
自动化时代，自动挡使操控更简单、地图导航更准确。
接下来的智能化时代，一方面，自动驾驶加强人车协同，部分或大部分替代人的操作，即提升驾驶效率，而且能够大幅降低交通事故，把很多马路杀手变成吃瓜群众。另一方面，新能源和智能制造会大幅降低环境和大气污染，提供一个更加美好和谐的生存环境。
ICT领域也在面临智能化的第四次工业革命挑战，主要在三个方面：
- 如何利用5G、云、IOT构建一个智能化的大数据平台
- 如何利用智能芯片和算法，提供各行各业的智能化解决方案
- 如何紧贴客户，提供随时可达又安全可信的智能应用。
ICT领域智能化的实现路径，是依托智能客服，提供互助、自助、自主的智能化服务平台
互助阶段的主要目标是解决“听得懂”，即提供具有“搜索+问答管理”能力的QABot代替坐席，解决大部分的咨询类问题，复杂咨询问题和故障问题转人工。
自助阶段的主要目标是解决“说的出”，即提供具有“知识云+知识图谱”能力的KGBot代替领域专家，解决复杂咨询问题和简单故障问题，复杂故障问题转人工。
自主阶段的主要目标是解决“做得到”，即提供具有“设备探针+智能运维”的TaskBot替代操作脚本，支持复杂故障的半自动解决。
互助的QABot，7*24小时及时响应客户，解决简单咨询问题，有点智障
基于搜索(IR，InformationRetrieval)的QAbot，对用户问题（query）进行分词，通过TF-IDF等权重排序，获取200或者更多候选结果；对候选结果进行字面、热度、语义等深度学习多维度重排；如果第一个结果得分ok，返回用户，否则转人工。
问答管理平台，一方面管理问答类别和知识点，另一方面进行用户问题大数据分析，对于无结果的问题，及时进行答案补充。
QABot，通过构建知识库和问答匹配引擎，7*24小时响应客户问题，对于重复问题或者知识库已有问题，问答准确。
实际ICT业务上，主要是IKnow和人工客服（工程师）一起服务客户，机器人主要解决简单且重复性较高的咨询类问题，保证答准率，提升用户满意度。而复杂咨询问题或故障问题，客户或者伙伴，还是通过联系人工客服和华为工程师解决，必要的情况下，人工客服和华为工程师接入客户网络，进行互助决策解决问题。
但很显然有两个问题：
如果碰上复杂问题，比如问题A=问题B+问题C，人是很容易推理，但QABot没有知识推理能力，很容易答错或者答不出来。
如果问题A在客户和专家的描述方式不一样，但QABot没有提供客户和专家的沟通桥梁，专家以为解决的问题，其实用户问了还是不会。
因为没有有效的知识推理能力和知识泛化能力，QABot的机器人给人还是有点智障的感觉，见“为什么现在的人工智能助理都像人工智障？”
KGBot，支持问题推理和知识沉淀，解决复杂咨询问题，有点智能
知识图谱（Knowledge Graph），是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是‘实体-关系-实体’三元组，以及实体及其相关属性-值对，实体之间通过关系相互联结，构成网状的知识结构。通过知识图谱，可以实现Web从网页链接向概念链接转变，支持用户按主题而不是字符串检索，从而实现真正的语义检索，基于知识图谱的搜索引擎，能够以图形方式向用户反馈结构化的知识，用户不必浏览大量网页，就可以准确定位和深度获取知识。比如“C罗是不是最优秀的足球运动员之一？”，根据C罗获得过“金球奖”，而“金球奖是影响力最大的足球奖项之一”，因此可以推断“C罗是最优秀的足球运动员之一”
(from”肖仰华–知识图谱和认知智能，2018”)
KGBot，知识图谱机器人，可以利用知识结构化进行知识推理，通过提供多轮问答的产品形态，明确用户上下文，解决客户的复杂咨询问题。
ICT的知识图谱平台，包括产品、MiB，Password，Alarm等节点和关系，相对于传统的QA搜索模式，KG支持：
有标准问和标准答案，不需要推理即可给出答案。例如用户查询密码的场景，能够支持“S5720SI的密码是什么”等问题。
无法直接通过标准问和标准答案的匹配输出的答案，需要进行一定推理的。例如同样的用户查询密码场景，用户问产品簇“S5700的密码是什么”，可结合PBI和密码工具进行推理，自动进行“S5700”包含S5720，包含S5720Si，最终回答S5720Si的密码。
综合多条知识结果，提供多轮问答，明确用户意图。类似于你进入一个商店，要一罐可乐，服务员问你，你是要可口可乐还是百事可乐，我们的机器人也会问你是要高端的S5720HI结果，还是中端S5720LI结果，还是低端S5720Si结果，从而得到用户真正需要的结果。
同时，一个支持端云协同的企业知识云，是智能客服有点智能的必经之路。
显性知识是以书面文字、图表和数学公式表述的知识，比如文档、PPT，彷佛在冰上以上外露的部分。隐性知识指的是存在于大脑中的知识，如优秀员工的技能、秘诀、直觉、观念。这些知识犹如在水面底下沉潜的冰山，非常庞大但不容易彰显。
一方面，我们对显性知识构建知识图谱进行知识结构化和推理，另一方面，对于水面下更大量的隐性知识，需要构建平台进行管理，逐步显性。比如外部客户的某次反馈，可能就是下次另一个客户问题的根因；而某次巡检发现的问题，下次就是KPI异常检测的重要来源。
同时因为安全等问题，客户的网络和数据不能同步到云端进行分析处理，但是不利用外部数据和特征，客户问题可能没法定位，端云协同的知识云也就成了下一步的解决方案。云端基于海量的资料包知识、专家论坛知识和运维知识，训练根因定位、硬盘检测和KPI分析等的机器学习/深度学习模型，当客户现场定位时，可以拉去或者提前拉去云端判别模型到端测，辅助端测进行问题定位。而且端测定位效果好，一方面可以对知识脱敏，经过客户确认后，同步到云端；另一方面可以对模型进行微调和脱敏，经客户确认，同步云端，便于后续的故障定位。
TaskBot，支持客户环境感知和智能运维决策，解决故障问题
TaskBot，即任务机器人，是指像做任务一样，结合用户网络环境和设备状态，进行智能运维操作的客服机器人形态，也是解决客户故障问题，特别是复杂故障的半自动工具。类似于自动驾驶中的L3和L4，通过客户将故障进行分级，业务可用型故障，可以尝试先修复后汇报；而业务安全型故障，则先确认再修复。按“Gartner智能运维分析报告（2018）”，到2020年，智能运维（AIOps）的企业普及率达到60%，而故障的自修复比例占50%，基于TaskBot的故障问题自愈是自主的客服服务必由之路。
故障问题，特别是多设备关联的故障问题，不同于咨询问题，和客户网络环境和设备运行状态强相关。而且不同的故障类型，分析方法和诊断模型也各不相同。为了解决客户的故障问题，(1)探知客户的网络环境和设备运行的上下文状态的堡垒机/网络探针，(2)不同运维场景的智能运维算法和决策，是智能客服TaskBot的两个重要特性。而类似于KGBot的端云协同模式，TaskBot也需要端云同步，相比于KGBot只返回解决方案不同，TaskBot能够支持端上运行，自主服务，也就是业界定义的智能助手或者智能助理。
TaskBot之网络Agent，包括堡垒机/探针，能够在满足安全要求的情况下，一方面获取网络组网状态，另一方面获取设备运行状态。而网络的组网状态也就是故障的环境知识，网络的级联状态，交换机的堆叠情况等等对于故障定界和根因定位及其重要，类似于你在咖啡店，系统不太可能给你推荐豆浆。而设备的运行状态，则是运行知识或者上下文知识，在流量预测或者亚健康检测时尤为重要，上一刻突发的流量暴增可能是这一刻断网的根因。
TaskBot的运维决策，是客户自主服务的另一个重要核心组件。TaskBot的运维决策总的来说可以分为四类，（1）日常维护，包括日志挖掘，告警压缩和日志分析（2）异常检测，主要包括硬盘检测、KPI异常检测、网络亚健康检测等（3）预测预防，主要包括硬盘容量预测，性能预测，容量预警等（4）根因故障，主要包括故障定界定位，故障诊断，告警根因定位等。时空分解是日志压缩的常用算法，KPI分类/聚类是KPI异常检测的常用算法，ARMIA等时序预测算法是硬盘容量预测和预警的核心算法，而协同过滤和关联分析是故障定界定位的核心算法，针对4大类场景，TaskBot将提供典型的20+机器学习/深度学习算法，赋能客户进行自主的问题分析和故障自愈。
ICT领域智能化面临的挑战，如何构建一个安全、可信的客户服务平台，提供高效可信的智能产品和服务
在Gartner2017安全与风险管理峰会《State of Security Governance，2017-Where Do We Go Next?》上，分析师Marc-AntoineMeunier发表演讲，提及“数据安全治理（Data Security Governance）”，Marc将其比喻为“风暴之眼”，以此来形容数据安全治理（DSG）在数据安全领域中的重要地位及作用。
安全可信的智能产品和服务，也是伴随智能化的数字双生需求。如何定义，智能客服中的“数据安全治理”，如何建设数据安全和提供可信的服务，以及如何融入整个网络大安全和大可信的生态，是自主自助服务的新挑战。
首先，我们需要了解的是，数据安全治理绝不仅仅是一套用工具组合的产品级解决方案，而是从决策层到技术层，从管理制度到工具支撑，自上而下贯穿整个组织架构的完整链条。行业专家，第三方服务商和伙伴，客户，各个组织各个层级之间需要对数据安全治理的目标和宗旨取得共识，确保采取合理和适当的措施，以最有效的方式保护信息资源，这也是Gartner对“安全和风险管理”的基本定义。
而如何定制数据安全治理流程，包括建立管理问责制和决策权，决定可接受的安全风险，安全风险控制和风险控制有效性，是数据安全治理的四个重要步骤。数据安全治理必须是一个完整的闭环，通过安全评估及具体指标衡量，以确保风险得到了有效管理，否则，需要回到第一个步骤重新纠偏。
良好的治理&不好的治理，如何判断？确立数据安全治理流程目标后，决策者需要关注几个关键性指标，以作为评判数据安全治理工作是否是良性的，减轻企业负担，Gartner也为我们提供了几个评判标准。
数据安全治理也是互助、自助、自主的智能服务所面临的长期挑战。
