【2018可信云大会】太平洋保险陆小彦：人工智能在IT运维领域应用

接下来介绍一下三个需求目前技术应用的情况。告警收敛目前主要使用的是神经网络算法LSTM包括决策树及随即森林还有一些关联项挖掘，在告警收敛里面是创建了多个模型，包括分类模型、信息的提取模型、收敛模型、溯源的模型，数据进来之后通过这几个模型之后才能渗透出来，同时算法还没有用，目前我们公司是大家比较熟知的CMDB，CMDB要提供纵向TOP结构和横向的应用链路，这两部分也是不可缺少的，要组合起来做识别

趋势预测，这个尝试的是Xgboost，它是预测模型当中比较好的一个，我们觉得趋势预测在算法之外比较重要的是特征的选择，大家听到前面说的，出单量、理赔量、话务呼出/入量，在不同的指标上特征的选择是不一样的，有一些共用的指标，比如时间、节假日就是共有的指标，但是一些特殊的特征只有这个指标才有，比如寿险有行业政策、业务部门日常业务活动的要求，都必须作为特征项加入。

接下来介绍一下点点2.0，跟大家描述一下点点2.0是怎么开始做的，最开始做的时候，取了大概2000条工单的数据，先建一个模型做一个聚类模型，自动分成多少类，然后再请日常处理工单的专家进行分类和修正标注，再建立出一个分类模型，每天新进来的工单资料就会通过分类模型进来，以及前面介绍的训练的整个架构作为一个循环的模型更新。

安全防控圈以SQL为例跟大家介绍一下，我们一开始取了一部分正确的数据处理的SQL和部分错误的数据处理的SQL，我们开始的时候提取了19个特征，现在已经比较多了，最后的结果我们发觉仅靠算法是不行的，必须把SQL语法的分析器加进来结合起来使用。

前面介绍的这些日常的功能当中都提供了纠错功能，这个功能是在机器学习的应用当中比较重要的，包括SQL日常的校验、点点2.0都提供了纠错，用户在使用当中发现有什么问题可以马上进行标注。

最后跟大家分享一下我们目前的研究成果，告警工单收敛是70%，正确率是由应用维护负责人进行测评，准确率是比较高的，在90%。业务趋势有一个评测指标叫预测误差值，预测误差值主要是它的误差值的量与它提供的业务量的占比，现在误差在30%。我们相信以后在加入更多特征项之后，这个误差会进一步的降低。点点2.0交互识别准确率在50%，我们以期待更多数据进来之后以提高准确率。高风险识别率是比较高的，在99%以上，而且高风险已经嵌入到公司IT云平台流程当中，所有有SQL处理的或者有SQL识别的都会与这个模型有一个接口做识别。

前面是各个需求项的应用成效，综合看一下，如果我们在这方面应用的比较好，高风险数据处理风险为零，违纪违规操作风险零，对于风险控制来说安全生产永远是第一位的，告警工单的风险，去掉违规，解约超过7年的能力，告警工单收敛的好，预计可以提高时效22%。趋势预测对未来保障业务活动的成功是非常有利的，可以提前做好容量的管理。点点机器人自助解决预期在25%的解决情况，这25%就能帮公司节约掉运维处理人力超过60人年，这些都是看得见的指标，那些看不见的指标就不可预估了，就是对运维部门来说自己完成、自助培训的，我们的用户体验比较高，渐渐的外部客户的体验也会越来越高。

最后分享一下我们运维的四个组成部分：1、建原型，所有的场景大家都必须落地到建原型。2、算法，算法在不断进化当中，一开始的算法是特征建模还有监督学习，就是标注，以后可能会进化到无监督学习或者自动标注，再往后可能是统计、推理、判别，到这个程度。3、数据基础，这个应用场景大家必须要有数据，我们在推行点点2.0的时候发现，原来工单里面的图片是非常零乱的，用户截图是非常随意的，所以我们在点点2.0加了一键截图，规范用户的行为，保证交付的数量。知识库每个公司都有，我们这么多年已经有三版知识库了，相信未来会向知识图谱演化，两边都是实体，中间是个关系，如果形成关系网，与算法结合之后推送出来的结果会更加高。4、必须要有交付物，这个交付物可以是看板、模型、引擎、接口、还可以是RPA，但是必须有个交付实施接口，这4部分组成才能保证人工智能落地。

因为人工智能现在很火，但是我们希望不是去蹭热度让它很火，而是真正的能解决我们生产工作当中的问题。盖特纳说“人工智能时代已经来了，大家都不是局外人”，大家可以思考一下自己在这个时代中处在什么位置。以上就是我的分享，感谢！

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!