资源全生命周期管理的传统价值
运营商的网络涉及接入网、数据网、承载网、核心网、传输网、无线网、光缆网、云专网、动力网、业务平台等十数类大专业。网络资源的全生命周期体现在以下六大生产活动环节：网络规划→网络设计→网络工程建设→网络资源的投入使用→网络的运行维护→网络资源的退网。
在网络资源从设计到退网的整个生命周期中，资源系统与现实网络的断点无处不在，流程缺失，数据质量不高，系统使用范围狭窄，不能有效提升企业的运营效率，系统建设的投资回报率不高。
建立端到端的全生命周期流程管理系统是一个很好的做法，可以有效解决网络资源管理中存在的断点、流程缺失等问题。通过这样的系统，可以实现以下好处：
跨部门协作：在线上拉通各部门和专业的工作内容，促进跨部门协作和信息共享，确保各环节之间的衔接和协同。
明确业务流程：明确管理的边界和业务流程，避免交叉管理和工作脱节，提高管理资源的衔接性和整体效率。
提升工作效率：优化工作流程，减少重复工作和信息传递中的误差，提升工作效率和质量。
实时监控和反馈：实现对整个生命周期的实时监控和反馈，及时发现问题并进行调整，提高问题解决的效率和及时性。
数据一致性：确保数据在各个环节的一致性和准确性，避免数据质量问题影响决策和运营效率。
持续改进：建立持续改进机制，通过系统记录和分析，不断优化流程和提升管理水平。
提高管理透明度：使管理过程更加透明，管理者可以清晰了解整个生命周期的进展和问题，有针对性地进行管理和决策。
因此，建立全生命周期流程管理系统是推动企业管理现代化和提升运营效率的重要举措，有助于实现网络资源的优化配置和高效利用，提升企业智能化水平。
但是，当前存在一些全生命周期管理的业务流程，例如业务使用频率非常高的OBD入网流程，在业务流程发起的操作页面上会有较多的信息填报、复杂的入网配置操作以及相应的资源校验规则约束，完成这些资源录入工作往往需要资源维护人员对资源数据非常熟悉，也需要花费大量填写与资源确认的时间，实际生产过程中也是会经常出现一次入网配置失败，需要多次入网配置的情况，业务发单耗时耗力现象比较普遍。
通过借助资源助手大模型探索与实践，解决资源维护人员在OBD入网这类全生命周期管理业务流程中遇到的棘手问题，达成高效率高质量的资源入网配置，准确快速完成流程发单，从提升系统操作能力上赋能生产，最终提升一线资源维护人员的工作效率和对系统的使用感知。
AI+资源助手大模型介绍
资源大模型应用：将资源现有的业务、服务、数据进行组织、加工，转化成大模型知识库，通过大小模型的协同工作，构建功能丰富的资源管理大模型应用，赋能于资源管理的端到端过程和业务全生命周期过程，提高生产作业支撑的效率，实现资源自智等级的不断提升。
数据飞轮，持续进化：通过持续的数据收集、模型训练、应用部署和反馈循环，形成一个自我增强的过程，从而不断提升模型性能和服务质量的机制。通过这个过程，数据飞轮促进了模型自身的持续进化，不断提升投诉处理的判断准确性。
数据收集：这是整个流程的起点，涉及到从各种来源搜集大量的原始数据。这些来源可以包括网络资源数据、工单处理数据、各类知识文档等。
模型训练：使用收集到的数据训练大模型，包括但不限于深度学习模型、语言模型等。大模型在这个阶段学习数据中的模式和规律。
应用部署：将训练好的模型持续更新，部署到生产应用场景中。
反馈迭代：模型在应用过程中会接收到用户的直接或间接反馈，以及通过模型表现监测得到的数据。这些反馈成为新的数据输入，再次进入飞轮。
优化增强：基于反馈数据，对模型进行调整优化，可能涉及微调、参数调整或增加训练数据等。
重复循环：优化后的模型重新部署，开始新一轮的数据收集，如此循环往复，形成一个不断加速优化的“飞轮”。
AI+大模型在资源全生命周期的应用实践
资源维护人员在资源全生命周期各业务流程的申请发起和派发过程中存在对人员经验要求高，操作费时费力的问题。例如，针对OBD设备的批量入网，需要维护人员一个设备、一个设备的进行录入，同时单设备操作过程做所需要填写的信息也非常多。通过大模型来简化操作，通过对话方式，自动从中分析出OBD入网所需的各类参数，大幅提升一线资源维护人员的工作效率和使用感知。
方案举措：
基于大模型的语言理解和场景识别能力 + DocChain的知识问答体系，提供当前使用量最多的OBD入网等业务场景的智能化发单功能。
对话模式发单：
根据用户描述，自智化编排后端原来的多个操作步骤，通过GPT方式一句话完成批量OBD入网流程的发起。
AI能力-图片识别：通过图片、电子标签、二维码等方式快速识别出资源设备，自动关联出资源的使用情况、维护状态等。
AI能力-文字识别：通过输入关键词（例如“设备入网”、“OBD入网”等）、同义词（例如“GJ”、“光交”、“光交接箱”）检索大模型知识库，提供相应的服务能力。
AI能力-语音识别：用于手机APP、AR应用中语音方式的系统操作，解决小屏幕操作不便的问题。
自然语言处理NLP：采用NLP自然语言大模型技术对用户输入的参数进行识别，解析所属设备名称或编码，把解析到的参数，如“仁恒江湾城1幢1单元8层”，作为所属名称和所属编码的查询条件，因为不知道是名称还是编码，所以用“or”进行匹配，只要名称或者编码任一个查询到就行，找到这些设备下未发起过入网的OBD。先进行精确查询，如果能够查询到，直接返回结果列表；如果精确查询不到，再进行模糊查询，返回查询结果列表。如果都查询不到，提示无法找到“仁恒江湾城1幢1单元8层”的OBD。
建设效果/收益：
操作提效：智能化地申请单参数初始化，减少人工输入工作量，用户原来需要多步操作完成的工作一句话完成，支持根据业务关联查询进行批量派单，大幅提升派单效率。
降低使用门槛：降低人员对资源数据熟悉程度要求，智能化地推荐可接入的上联资源。利用资源助手大模型开发智能辅助工具，帮助资源维护人员快速填报信息、配置资源，减少操作复杂性和错误率。
实时反馈和监控：建立实时反馈和监控机制，与资源助手大模型结合，及时发现问题并提供解决方案，减少配置失败和耗时情况。
持续学习和优化：资源助手大模型具备持续学习的能力，可以不断优化算法和模型，提高辅助工具的智能化水平，进一步提升操作效率和质量。
