背景介紹

基于大規模預訓練語言模型的AI知識庫，是指企業選擇使用自己的數據來定制和訓練專有的大語言模型，從而創建一個專門針對自身需求的知識庫。AI知識庫有效結合大規模預訓練語言模型與定制化數據，為企業提供特定的知識服務。

電信運營商的政企業務涉及眾多行業，每個行業都有其特定的術語、業務流程和需求。通用語言模型難以精準地滿足電信運營商多元化的服務和支持要求，同時傳統知識庫難以滿足電信運營商智能化需求。因此，通過定制AI知識庫，電信運營商可以針對不同行業的信息化需求進行精細化的處理，提供更加智能化和定制化的服務。這有助于提高客戶滿意度，降低運營成本，并推動電信在行業信息化方面拓展取得更大的競爭優勢。并有助于電信運營商由數字化運營向AI化運營轉變。

AI知識庫作用

針對各行業的定制AI知識庫主要作用在全程支撐電信運營商在行業拓展中的整個生產流程。目前運營商需要龐大的支撐團隊為各個項目的售前、售中、售后服務等，AI知識庫利用知識圖譜等構建豐富的語義理解模型，具備對復雜問題的推理能力，能有效解決運營商在生產過程中的各種問題。

1、市場決策：支撐市場決策，制定市場競爭策略。引入實時推理引擎，使AI知識庫能夠在業務運營中提供更即時的決策支持。

2、售前支撐：挖掘市場機會點，找到商機；售前問題咨詢，支撐標書制作，制定競標價格，爭取項目；

3、售中服務：利用知識圖譜構建豐富的語義理解模型，輔助制定制定行業信息化解決方案，通過輸入具體項目情況，快速制定適應項目的需求的信息化方案。

4、售后服務：支撐電信運營商售后人員的售后咨詢，同時支撐客戶的售后咨詢服務。

模型的選擇

在選擇模型時，電信運營商必須明確定義其需求和目標。除了語言處理能力外，模型還應該能夠適應電信行業的領域知識，例如網絡架構、通信協議、客戶服務等。確保所選模型具有足夠的靈活性，能夠適應未來可能出現的新業務需求和技術變革。選擇的模型還應該具備良好的遷移學習能力，以便在微調過程中更好地適應電信運營商自有數據的特殊性。通過綜合考慮這些因素，電信運營商可以確保選擇的預訓練語言模型能夠最大程度地滿足其獨特的業務需求和目標。

目前電信運營商已相繼推出自有的大模型，例如中國電信的“星辰”、中國聯通的“鴻湖”、中國移動的“九天”。電信運營商可以選擇自有的大模型，或者選擇第三方的模型來搭建。

數據的準備與清洗

定制AI知識庫，除了大模型，更重要的是數據的質量，數據喂養的質量決定AI知識庫定制化的能力。

1、數據獲取：

政策環境：通過爬蟲或人工監測等方式，及時跟蹤有關各行業信息化的國家及地方政策，發掘各行業信息化政策的機會。

市場洞察：洞察分析各個行業信息化的市場空間、走勢等，把握各行業信息化市場發展機會。可以分為統計數據、第三方研究數據、大數據。在統計數據方面，通過統計部門或政府機構獲取有關行業的統計數據或報告，該類數據較為宏觀，缺乏對微觀的分析；在第三方研究數據方面，通過行業協會和組織、研究機構和咨詢公司、行業展會和活動、專業期刊和出版物獲取有關行業信息的研究數據、報告或期刊等，該類數據質量與客觀性取決于分析機構能力，但數據更加直觀不需要額外加工。在大數據方面，可以通過爬蟲等方式獲取各行業信息化招投標數據、專項債發行數據、企業年報數據等，這類數據量大，質量參差不齊，需要數據清洗并通過大數據挖掘，才能進一步才能分析洞察市場需求與走勢，這類數據相比其他數據更貼近市場的實際情況，滿足對微觀市場的洞察。

競爭分析：競爭對手在各行業發展情況的數據，這有助于了解競爭對手的競爭實力，實現知己知彼，支撐策略的制定。可以通過第三方獲取競爭對手的數據，也可以通過大數據挖掘招投標數據了解競爭對手真實情況。

自有數據：電信運營商長期積累的歷史數據包括原有的知識庫、客戶服務資料、歷史方案等。沉積的歷史數據在AI的加持下可以重新煥發生機。

無論AI能力有多強，都離開不了高質量的數據，電信運營商可以通過第三方或自有能力獲取相關數據。

2、數據的清洗

清理和標準化是數據準備過程中至關重要的一步。電信運營商需要對收集到的各行業數據進行清理，去除不相關或冗余的信息，并處理可能存在的錯誤或噪聲。標準化的數據格式和結構有助于確保模型在訓練和推理過程中能夠一致地理解和處理不同行業的數據。

在這一階段，特別要注意處理特定行業術語和語境的差異，以確保模型在后續的應用中能夠準確地理解和生成相關內容。數據的高質量清理和標準化可以提高模型的泛化能力，使其更好地適應各種行業的信息化需求，從而為知識庫的構建打下堅實的基礎。

- 5 -

模型定制與訓練

1、使用電信運營商自有的數據對預訓練語言模型進行微調

數據標注與準備：對電信運營商自有的數據進行標注，確保模型能夠理解特定領域的上下文和語境。建立標注標準，包括術語定義、實體關系等，以便在微調中注重特定信息。

微調過程：利用電信運營商內部數據集對預訓練模型進行微調，提高模型對電信行業數據的適應能力。考慮使用遷移學習技術，使模型能夠保留在通用數據上學到的知識，并更快速地適應特定行業的數據。

模型性能評估：在微調過程中，定期評估模型性能，確保模型在電信領域數據上表現良好。使用領域專家的反饋進行調整，以進一步優化模型對電信數據的理解。

2、調整模型以適應特定行業的術語和上下文

術語嵌入和領域適應：將特定行業術語嵌入到模型中，以確保模型能夠正確理解和使用特定行業的專業術語。調整模型參數，使其更加靈活，能夠適應不同行業的上下文要求。

上下文感知性調整：分析特定行業的上下文特點，調整模型的上下文感知性，以更好地捕捉特定行業問題的背景信息。考慮引入領域自適應方法，使模型更好地理解和推理特定行業場景下的信息。

多領域信息整合：融合各個行業的知識，使模型能夠處理跨行業的信息互通，提高其在復雜場景下的應用能力。考慮引入多任務學習，使模型能夠同時處理多個行業領域的任務，增強其泛化能力。

通過以上步驟，電信運營商可以確保模型在面對特定行業數據時能夠更準確、更智能地進行理解和應用，提高AI知識庫的個性化和定制化水平，使其更好地服務于電信行業的信息化需求。

- 6 -

集成到業務應用

將定制的AI知識庫集成到電信運營商的業務應用中，確保定制的AI知識庫提供對業務決策的智能支持和增值服務。提升業務運營效率，優化決策流程，從而更好地滿足行業拓展需求。

API開發與集成：設計和開發API，以便將AI知識庫集成到電信運營商的現有業務應用中。確保API與常用的業務系統和應用相兼容，使集成過程更加順暢。

業務流程整合：將AI知識庫無縫整合到電信運營商的業務流程中，以提高工作效率和決策質量。在關鍵業務環節嵌入知識庫，使其能夠為員工提供實時的支持和指導。

- 7 -

未來展望

持續模型優化，利用自監督學習等技術，使AI知識庫能夠通過自我學習不斷優化模型，適應更復雜、多變的電信行業環境。電信運營商需要由數字化運營向AI化運營轉變，能夠更好地應對未來電信行業的挑戰，提高AI知識庫的智能水平和適應性，從而更好地服務于業務和用戶需求。

賽立信通信研究出品

作者：

謝劍超

賽立信通信研究部 部門經理

擁有10年以上通信研究咨詢經驗的領軍專家。專注于分析通信市場的整體發展，擅長標桿研究、策略研究、通信前沿趨勢研究、短板與能力提升咨詢等，在智慧家庭、產業數字化市場等通信領域有豐富的研究經驗。