第二十二届产业大会回顾篇（九）| 声通信息科技股份有限公司汤敬华和西安金讯数智信息技术有限公司总经理韩召宁联合演讲

自2016年声通集团筹建之初，我们就确立了“科技为核构建生态”的战略方针，强调以科技创新为核心驱动力。从早期的融合通信到后来的数字化管理，直至今日的交互式人工智能，我们持续探索和攻克技术难题，逐步构建起以可信人工智能为核心的技术体系。

可信人工智能不仅是一个技术概念，更是对人工智能发展方向的重要界定。随着地方政府报告中频繁出现“可信”二字，表明这一理念正受到越来越多的关注。人工智能领域宽广，模型种类繁多，并非仅有大模型一枝独秀。在商业化应用中，人工智能必须是可信赖、可靠的，确保其决策过程透明，能够明确指出正确与错误的原因，避免成为不可解释的黑盒子。这一点，得到了我国可信计算和智能领域的先驱者何积丰院士的支持与指导。

基于此，我们提出并实践了可信人工智能解决方案，旨在提供透明、可解释的人工智能服务。此外，声通集团正在加速全球化布局，在马来西亚、香港、迪拜等地设立了子公司，并计划进一步扩展至东南亚和中东地区，积极响应国家“一带一路”倡议。我们的国际化进程也伴随着客户的需求，如为上汽集团泰国子公司的客服中心提供的服务，这标志着我们在海外市场的首次成功落地。未来，我们期待更多的国际合作机会，共同推动全球范围内的技术创新与发展。

可信人工智能 – 多模态输入融合多模型，实现高效精准的可信应答

在推进可信人工智能的过程中，我们提出了通过多模态融合与多模型协作来实现更高的可信度。具体而言，这一策略分为两个关键步骤：

步骤1：多模态。传统上，大模型通常指的是大语言模型，它们主要依赖文本信息进行训练和生成内容。然而，人类感知世界的方式远不止文字；我们通过视觉、听觉、触觉等多种感官获取信息。因此，为了更全面、准确地建模现实世界，人工智能系统应集成音频、视频及传感器等多模态数据源。将所有感知转换为文字会导致大量信息的丢失，而直接利用原始模态数据可以保留更多细节，提供更丰富的上下文。

步骤2：多模型-知识图谱结合大模型。在处理复杂问题时，单一算法或模型往往不足以涵盖所有方面。例如，基于经验的初步判断可以对应到大语言模型；逻辑推理则更适合使用知识图谱进行；类比分析可能通过向量空间中的机器学习算法更为有效。结合多种模型的优势，可以针对不同场景选择最适宜的方法，从而提高决策的准确性和解释性。

西安金讯数智信息技术有限公司，作为声通集团旗下的专精特新企业，专注于政务热线领域近20年，已成为该行业的佼佼者。

热线AI大模型研究背景

我们的发展历程可以概括为以下几个关键阶段：

阶段1：技术底座的构建。以融合通信为基础，公司建立了AI智能交互全栈式平台，这一坚实的技术底座支撑了我们一系列行业解决方案的开发与实施。从企业客服热线、应急指挥调度热线到问卷调查、营销系统，乃至政务热线和智慧养老，这些方案均在统一的技术框架下得以实现。

阶段2：数据资产的积累与应用。在长期运营过程中，我们积累了丰富的数据资产，涵盖社情民意、企业客服营销以及康养等多个方面。这些数据如同涓涓细流，汇聚成海，经过深度加工后，成为数字政府建设和企业数字化转型的重要组成部分。

阶段3：推动数字化转型。我们不仅致力于自身的技术创新和服务优化，还积极参与和支持国家的“数字中国”战略，助力企业和政府的数字化转型。作为行业内的先行者，我们深知数据要素的重要性，并不断探索其在提升服务质量和效率方面的潜力。

在长期从事客服热线工作的过程中，我总结了以下六个普遍存在的挑战，这些问题不仅反映了当前行业的痛点，也揭示了未来发展的方向：

1.既要马儿跑的好又要马儿少吃草---运营成本与运营要求的矛盾：在追求高效服务的同时，企业面临着控制运营成本的压力。这种“既要马儿跑得好，又要马儿少吃草”的困境，使得资源优化配置成为亟待解决的问题。

2.车不同轨书不同文 --- 多渠道数据格式不统一问题：人工客服记录、互联网渠道工单以及网络舆情等不同来源的数据格式各异，导致数据整合和处理的复杂性增加，影响了信息的一致性和准确性。

3.亡羊补牢而非见微知著---数据分析态势感知滞后：现有的数据分析系统往往仅限于事后总结，缺乏实时感应能力和前瞻性预警功能。大屏展示更多是成绩回顾，而非深入分析和风险预判，难以满足快速响应的需求。

4.巧妇难为无米之炊 --- 数据质量与数据分析要求的矛盾：尽管数据分析要求数据越精细越好，但实际操作中，受限于运营团队的工作能力、社会经验和时间约束，数据的质量往往不尽如人意，导致“巧妇难为无米之炊”的局面。

5.人话官话与寻隐者不遇 --- 知识库建设与应用之困：政策法规通常以正式的语言发布，而客户和群众更倾向于了解通俗易懂的信息。这种语言风格上的差异，给客服人员带来了沟通上的挑战，影响了信息的有效传递。

6.好吃太贵---大模型技术成果与算力成本之困：大规模模型的应用需要巨额的算力投入，动辄几百万甚至上千万的成本，使得许多新技术的应用变得遥不可及，形成了“好吃太贵”的尴尬局面。

LLM大语言模型与UIE通用信息抽取模型研究实践

为应对客服热线领域面临的诸多挑战，我们与上海交通大学联合实验室共同攻克了一系列关键技术难题，特别是针对LIM大语言模型和UIE通用信息提取模型的应用。

在处理互联网渠道的长篇大论和反复、重复的群众反馈时，我们利用大语言模型实现了从耗时解读到秒级生成的转变。传统方式下，客服人员需要花费5到10分钟甚至更长时间来解读、理解和提炼关键内容，生成工单标题。而现在，借助大语言模型，这一复杂任务可以在几秒钟内完成，不仅快速精炼非规范数据和口语化表达，还能准确提取关键信息，生成简洁而全面的标题。

尽管我们已引入大语言模型提升效率，但一线坐席的高流动率和有限业务水平仍影响工单记录质量，许多工单缺乏基本的通顺性和关键信息，如事件地点、涉事主体和核心诉求。为此，我们开发了智能坐席助手系统，该系统能够自动将群众对话转录为文字，提取原汁原味的客户需求，并实时识别核心关键字、情绪标签等重要信息，确保每个工单包含必要的要素，大幅提高了工单的准确性和完整性。通过这一智能化工具，即使面对质量不高的原始记录，大模型也能迅速提炼有价值的信息，显著提升了一线工作的质效和服务质量。

在积累了大量关键要素后，我们通过智能系统实现实时动态预警和全面感知。系统实时监控每个电话和留言内容，迅速捕捉热词、新词，识别热点难点问题，判断急难险重事项，并检测群发信息、苗头性问题及高频事项和地址。这使得我们能够在第一时间感知并分析服务范围内出现的问题，不仅发现表面现象，还能深入挖掘问题背后的原因，提供即时预警和深度洞察。这一智能化流程确保了快速响应和精准决策，提升了应急处理能力和整体服务质量。

为了快速预警并深入分析如占道经营等热点问题，我们采用情报学技术进行全面的多维度交叉分析。通过识别投诉人群中的一人多事和一次多人现象，我们构建事项图谱以明确急难险重事项，并利用关键字穿透分析揭示不同问题之间的潜在联系。同时，我们分析这些问题的时间和空间分布，观察其趋势（上升或下降），确定高发区域和时段。此外，我们还识别涉事主体及其背后的问题，并评估承办单位的工作效率和响应情况。

在客服领域，有七大关键要素——人、事、地、涉事主体、关键字、承办单位。通过对这些要素的综合交叉分析，我们不仅能够了解问题的表面现象，更能深入挖掘其背后的本质。为了将这些洞察有效分享给各级管理者和治理者，我们建立了一套机制，确保数据的价值能够精准推送给相关主管。

RAG检索增强生成模型研究实践

通过大模型的研究，我们构建了一个类似于人脑神经元结构的知识库。在这个知识体系中，每个知识点就像一个神经元，相互连接、协同工作。当用户提出一个问题时，例如“退休老人看病报销怎么办”，大模型利用RAG（检索增强生成）技术，迅速搜索并整合相关的多个知识点，形成一个标准且全面的答案进行推送。这种方式确保了即使是最简单的问题，也能得到背后复杂知识点的完整解答，提供准确、详尽的信息支持。

大数据不仅赋能客服坐席，更要赋能承办人员。因为我们客服中心的最终目标不是简单地接听电话，而是高效解决问题。通过大模型的能力，我们不仅能帮助坐席更高质量、更高效地记录工单，还能协助基层人员更精准、更优质地完成任务。这才是我们的核心宗旨：利用技术提升整体服务水平，确保问题得到有效解决。

为解决知识库建设和优化中的两个核心问题——提升库的质量和提高检索效率，我们提出了以下策略：

第一，提升知识库质量。在传统知识库基础上，利用自然语言处理（NLP）技术生成向量数据库，显著提升知识条目的准确性和实用性。通过NLP技术，将复杂政策文件转化为通俗易懂、易于理解的知识点，确保每个知识点都能被有效利用。

第二，提高检索效率。检索过程首先进行意图识别，明确用户提问的真实意图。结合向量混合检索技术，确保问答对的精准匹配。如果初步检索未能找到答案，则进一步阅读理解政策文件，并从全量法规库和历史工单库中提取相关信息，最终形成完整答案。这种方法不仅提高了检索速度，还增强了答案的准确性和全面性。

大模型热线应用算力降本

尽管大模型表现出色，但其高昂的算力成本是许多企业面临的挑战。我们通过实际案例展示了如何在有限算力下高效运行大模型功能，显著降低成本。

以北京12315为例，该平台每天处理3到4万工单。我们的解决方案仅依赖于一块价值1.1万元的显卡，这看似不可思议，实则得益于我们采用的专项小模型。我们将客服领域常见的算法从大模型中拆解出来，组合成一个小模型，在有限的算力环境中实现高效运行。刚才演示的功能正是基于这样一块8000元的显卡完成的，证明了低成本也能实现高性能。

由此可见，大模型并非遥不可及或高不可攀。关键在于需求导向和业务为核心，而不是单纯追求技术先进性。通过站在实际使用角度思考问题，我们可以有效降低算力成本，使大模型的应用更加普及和经济可行。

热线领域数据价值挖掘应用

我们坚信“治理数据化、数据价值化”的理念，认为数据的价值在于提升治理能力和消除矛盾隐患。在热线和客服行业中，我们积累了丰富的数据资产，包括录音、诉求工单、承办数据和服务主题等。然而，仅仅拥有这些数据是不够的；关键在于通过体系化的数据治理，将这些资产转化为有价值的数据要素，并最终实现数据的价值化。通过识别、分类、治理和优化数据，我们可以将隐性的数据资产转变为实际的治理工具，从而显著提升服务效率和质量。

拥有大量数据并不等于拥有资产。如果不能有效治理和转化，数据只会成为占用磁盘空间的负担。为此，我们与北京大学城市治理研究院和中山大学合作，开发了一个以热线数据治理为依托的数据治理平台。以下是该平台的工作流程：

1.数据标准化：原始数据首先需要标准化处理。我们制定数据要素的标准，并利用大模型进行数据分析和清洗，最终形成可用于态势感知的数据。

2.算法与模型处理：使用各种算法对数据进行精细加工。同时，根据具体需求生成不同的“菜谱”，即数据处理模型，确保每个应用场景都能得到最合适的解决方案。

对于热线行业，数据治理的核心在于构建多层次的服务模型和优化大屏展示。首先，我们需要建立运营服务模型，用于风险预警（如识别即将逾期或长期不满意的客户问题）和承办绩效分析（如生成日报、周报、月报和年报）。其次，针对频发多发的苗头隐患问题，我们建立了通用治理模型，确保所有分析有据可依。最后，针对特定场景如大面积延误或机场投诉，我们制定了专项分析模板，每个主题对应一个详细的处理方案，相当于一个个“菜谱”。最终，这些分析结果通过优化的大屏展示出来，大屏不仅要展现场景，更要进行深度分析和预警预判，而不仅仅是表面的数据呈现。这正是我们目前研究的重点，旨在提升数据治理的深度和广度，真正实现数据的价值化。

在数据治理中，我们重点关注两个关键点以实现数据的价值最大化：

1.苗头隐患的早期发现：苗头隐患是治理的重点，帮助我们识别那些数量不高但上升迅速的问题。这些问题是值得提前干预的，可以有效避免大面积集中投诉。通过及时捕捉和处理这些潜在问题，我们可以防患于未然，显著提升治理效率。

2.难点堵点的详细分析：对于反复出现、长期得不到解决的老问题，我们需要进行深入分析，找出其根源并制定有效的解决方案。这些难点堵点的处理是提升治理能力和水平的核心要素，确保服务质量和用户满意度持续改进。

正如廉局所言，热线的最终目的不是追求话务量的增加，而是在业务服务量增长的同时，实现热线话务量的减少。这正是北京蔡奇书记提出的“从接诉即办到未诉先办”的理念。只有做到这一点，我们的数据才能真正体现其价值，成为宝贵的资产，推动治理能力的全面提升。

我们的热线服务分为两个主要维度，人工智能大模型在这两个方向上都发挥了重要作用：

1.生产系统：通过闭环管理（接、转、办、督、访、评），大模型帮助优化事件处理的每个环节，确保高效运作和高质量服务。

2.态势感知系统：大模型用于预判和预警，提前识别潜在问题，实现从“接诉即办”到“未诉先办”的转变，从而降低事件处理成本并提高用户满意度。

最终目标是通过这些技术手段，无论是政府还是企业，都能有效降低成本、提升服务质量。

此外，我们还重点研究了一个新的领域——银发经济。在这个领域中，呼叫中心的作用不可替代，因为智能化再先进，老年人仍然依赖一键呼叫的安全保障。我们结合呼叫技术和物联网设备进行数据采集，形成养老大数据。经过加工处理后，这些数据的价值服务于家庭、医院、养老中心和民政部门，构建了一个完整的养老服务生态系统。

总结来说，通过长期服务和技术积累，我们在热线管理和银发经济两大领域中，利用人工智能大模型和态势感知系统，实现了事件处理成本的降低和服务质量的提升，同时为老年人提供了安全可靠的生活保障。