大小模型协同技术在无线网络投诉处理中的应用与实践

发布日期：2024-12-13 12:11:12 浏览次数： 3057

作者：亚信科技新技术探索

微信搜一搜，关注“亚信科技新技术探索”

本文深入剖析了大小模型协同技术在无线网络投诉智能处理中的创新应用，特别是在无线网络投诉工单处理中的应用实践。通过介绍无线网络投诉智能处理助手的构建过程，向读者展示了大小模型协同技术如何助力无线网络投诉处理。诚挚推荐读者深入阅读，以了解和获取相关前沿技术如何落地到实际生产应用中及其带来的实践启示。

大小模型协同技术在无线网络投诉处理中的应用与实践

‍‍‍‍‍‍

亚信科技（中国）有限公司

摘要：本文深入探讨了大小模型在无线网络投诉处理领域的应用实践，尤其聚焦于通过构建多轮对话以实现一线工程师与无线网络投诉处理助手间的高效互动。该系统不仅显著增强了用户体验，同时也大幅提升了无线网络投诉处理人员进行数据分析、形成方案和决策的效率。基于实际的无线网络投诉工单和处理经验数据测试结果表明，所提出的技术方案能够有效地支撑无线网络投诉工单高效分析、问题排查和处理支撑。

一

前言

随着移动手机用户规模的迅猛发展，以及手机用户维护意识的增强，投诉问题变得日益突出，同时在数字化转型的驱动下，移动网络运营商迫切希望通过新技术、新方法实现无线网络的提质增效，解放生产力。

近年来，人工智能大模型的发展，生成式AI技术逐渐走向成熟，为有效支撑一线实现投诉问题处理提供了可能。

基于大小模型协同技术的无线网络投诉智能分析助手借助大小模型协同技术，实现投诉意图理解，解决建议方案的输出，以及多能力维度下性能、覆盖、告警、负荷等全面分析，并借助大模型的增强总结能力识别投诉工单关键信息，高效完成投诉处理，为移动网络运营商在处理无线网络质量投诉方面提供了新的思路和实现路径。

二

无线网络投诉处理场景介绍

随着移动通信网络规模的不断发展，日常各项网络问题不断凸显，基站扩容、网格割接、工程调整等都会带来一些网络问题，用户规模增加、城市区域环境变化等因素给无线网络都带来了一定的影响，用户投诉已经成为被动的深入发掘网络问题的手段之一，解决好用户投诉也是提高移动服务品牌的重要途径之一。

在无线网络投诉处理场景中，从最初的信号弱、通话质量差到用户不在服务区、数据业务无法使用、5G网络发展带来的新投诉等，用户投诉的类型的呈现出多样性的特点。为此我们需要从投诉处理的流程各环节着手，通过大小模型协同技术帮助我们找到各种用户投诉的原因及其处理方法，这样才能准确的将问题进行定位，采取合理的解决措施，提高用户满意度。

无线网络投诉工单处理的整体流程如下：

图1：投诉工单处理流程

1．投诉处理人员在接到投诉工单后需要对工单中的投诉内容进行初步的判断识别，并判断是否需要派人员进行现场处理。

2．不需要到现场的情况下，投诉处理人员根据投诉问题给出处理方案建议提交审核。

3．需要到现场处理情况下，工单转派给现场处理人员。现场处理人员到达客户投诉现场进行现场测试，并根据测试信息自动对覆盖、性能、负荷、干扰、告警等数据进行分析研判，输出具体的处理方案建议回填到工单中提交审核。

4．工单处理方案审核通过后派单给方案实施人员进行方案实施。

5．方案实施完成后回填工单信息并提交审核，审核通过后对工单进行归档。

三

关键方案设计

根据上文的无线网络投诉工单处理流程，大小模型协同技术可以从工单内容识别、投诉根因分析、处理方案建议等环节帮助投诉处理人员提高工单处理效率。关键方案设计如下：

图2：无线网路投诉工单智能处理流程

1．投诉工单处理流程开启环节提供基于自然语言的大模型多轮问答入口。

2．由于投诉工单内容来自于一线客服人员的记录，比较杂乱、冗余，投诉处理人员理解和识别相对困难。通过大模型语义理解及生成能力，识别总结投诉工单内容中的关键信息，比如用户信息、投诉时间、投诉地点、投诉问题总结，可以大大提高工单内容分析的效率。

3．现场处理人员使用手机等终端设备通过大模型多轮对话工具对现场覆盖信号进行现场测试，并通过大小模型的意图识别快捷的对网络数据进行查询分析，通过可视化图表来表征数据的趋势、突变、异常。

4．在图表展示数据的基础上，借助大小模型的推理判断能力对网络数据进行规则化的解读分析，以期给投诉处理人员更加易用的分析结果借鉴。

5．通过大小模型的通用知识附加投诉处理的历史经验方案、数据解读的分析，针对投诉问题生成可行的处理方案供投诉处理人员参考。

四

整体方案

图3：无线网路投诉工单智能处理应用整体架构

问答开始由手机端投诉工单处理触发多轮问答式工单处理流程：

Step1：对待处理工单进行识别。工单识别先调用工单详情接口获取工单详情，然后根据工单详情，调用大模型接口对投诉工单的用户、时间、地点、投诉及处理内容进行总结。

Step2：投诉处理人员到达投诉地点现场进行现场测试，获取现场覆盖信号信息。

Step3：根据投诉工单识别结果、现场测试数据和诊断规则进行一键诊断，对数据（故障、覆盖、负荷、干扰、）进行规则分析，给出分析结果。

Step4：通过问答查询相关数据进行分析结果核对及参考数据增强解读建议。

Step5：根据前四步获取的信息及数据、分析的结果结合历史投诉处理方案库生成该投诉工单的处理方案。

Step6：处理方案建立回填工单并提交审核。

五

应用效果展示

图4：无线网路投诉工单智能处理功能功能截图

从上图应用效果展示的对话过程中可知，基于大小模型的无线网络投诉处理助手可根据投诉处理人员的意图生成或及调用系统业务能力并可视化地展现数据和分析结果，大大提升投诉处理人员处理投诉工单的效率，也降低了投诉处理人员的技术要求，提供了实时的后台专家经验支持。

六

实践经验分享

（一）意图识别准确性

在没有特定领域和背景知识的情况下，大模型在理解用户意图会从通识方向理解。然而在无线网络投诉处理领域，很多自然语言词汇与通知语义存在差异，比如“小区”等。

解决以上问题可以从以下两方面着手：

• 微调大模型

通过将特定领域的知识以微调训练的方式，增加通用大模型在特定领域和背景下的知识，从而增强通用大模型在特定领域的推理和生成结果的准确性。

• 在提示词中限定

通过在提示词中增加背景知识、限定角色、特定词汇定义说明等方式形成特定对话下上下文知识，从而提高大模型推理和生产结果的准确性。

（二）关键信息多样性处理

在与大模型对话的过程中，通常会有很多关键信息大模型识别的准确性非常重要。为了提高准确性，除了采用以上两种手段外，还可以采用开发特定工具来解决。比如时间识别工具、物点识别工具、场景识别工具、小区名称识别工具等。这些工具本身可能也会与大小模型交互，但在限定范围的背景下，识别准确性会大大提高。

（三）大模型推理生成token长度限制

大模型推理生成token长度限制会出现以下问题：

• 非流式调用情况下推理生成速度变慢

此问题通常可以通过更换为流式调用解决。但在需要等待大模型返回完整结果后才能进行后续处理的情况下，就需要寻找其他方法解决。因此利用增加调用次数换时间的策略不失为一种解决方案：通过将长token单次交互拆解成短token多次交互。这种情况下，需要对业务进行一定的设计和细分，对设计和开发人员有相对高的要求。

• token长度超长无法返回结果或返回结果不完整

此问题可以从业务需求侧优化。精简让大模型推理生成的内容来解决，比如：整个工单内容的推理总结精简为必要的工单内容推理总结；总结内容精简和长度限制等。

（四）多轮问答上下文的记忆与理解

大多数的大模型技术框架支持多轮问答上下文记忆的方式通常是将历史的问和答的内容全部记忆下来每次与大模型交互时附加上这些历史问答内容。这种方式有如下问题：

• 多轮问答内容多且冗余

比如问题里的时间、网元、指标、意图指令等关键，多轮问答中都有可能出现。但通常情况下，仅上一次提到的这些关键信息才在多轮问答的上下文中才有用，更早的这些信息就是冗余信息。

• 无法无限制轮次地问答

大模型token限制的原因，叠加了多轮问答的上下文，就无法无限制轮次地问下去。极端情况下，可能造成大模型推理生成异常，对计算资源也是一种浪费。

• 问答中带有业务数据，占用了大量上下文和token长度

在投诉处理场景中，工单识别环节的工单内容就会占用大量上下文记忆的空间。

针对以上问题，需要对大模型技术框架在上下文记忆的处理上做一些优化，比如：仅记忆问题不记忆回答、仅记忆问答中的关键信息不记忆全部内容等。

（五）大小模型结合解决实际问题

在投诉处理场景中，有区域（省、地市、区县）名称、小区名称、场景名称等的识别，这些数据量都比较大，大模型token限制的原因无法放到提示词中作为大模型推理生成的输入。这种由于具体业务场景出现的问题，需要结合Embedding小模型、向量库、RAG知识库等技术解决实际遇到的问题。

七

未来展望

随着大模型能力和相关技术的快速发展，在无线网络投诉处理领域可以从以下几方面进行拓展和演进。

（一）基于大小模型多轮问答的无线网络投诉智能客服

利用大模型强大的自然语言处理能力，构建能够与用户进行多轮对话的智能客服系统。该系统能够理解用户的复杂问题和情绪，通过上下文关联和逻辑推理，给出准确且人性化的回复，并在必要情况下自动生成投诉工单：

精准理解用户意图：通过大模型对用户描述问题进行深度解析，识别出投诉的具体内容、类型、位置等关键信息，形成投诉工单落到工单系统；

多轮对话交互：在初次回答后，系统能根据用户的反馈继续提问或澄清，确保问题用户问题理解的准确和生成投诉工单的正确性；

情绪识别与安抚：利用模型的情感分析能力，识别用户情绪，并在回复中融入适当的情感安抚，提升用户体验；

个性化服务：根据用户历史记录和行为模式，提供个性化的解决方案和建议。

（二）基于大小模型协同技术的无线网络投诉智能派单

结合大模型的数据分析和预测能力，实现无线网络投诉的智能分类与派单，提高处理效率和准确性。

智能分类：大模型通过对投诉内容的分析，自动识别投诉类型（如信号弱、网络中断、费用问题等），并判断优先级；

智能派单：根据投诉的类型、地理位置、技术人员专长等因素，自动将投诉分配给最合适的处理团队或个体；

资源优化：通过历史数据和实时数据分析，预测未来可能的投诉热点区域，提前调配资源，减少响应时间；

动态调整：系统能实时监控处理进度和效果，自动调整派单策略，确保投诉得到及时有效处理。

（三）基于大小模型协同技术的无线网络投诉处理智能体

构建能够自主决策、执行并反馈的无线网络投诉处理智能体，实现投诉处理的全面智能化。

自主决策：智能体能够根据投诉的具体情况和系统规则，自主决定处理方案，如远程调试、派发维修工单等；

自动执行：对于部分简单问题，智能体可直接通过远程控制系统进行修复，减少人工干预；

实时反馈：处理过程中，智能体能实时收集数据，评估处理效果，并向用户和管理层反馈处理进度和结果；

持续学习：通过不断处理新的投诉案例，智能体能够自我优化，提升处理能力和效率。同时，也能通过学习用户反馈，改进服务质量和用户体验。

综上所述，基于大小模型协同技术的无线网络投诉处理解决方案，不仅能够显著提升处理效率和用户满意度，还能为企业带来更加智能化、高效化的运营管理模式。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业