《華為：ICT服務與軟件2030產業報告（2024版）（30頁）.pdf》由會員分享，可在線閱讀，更多相關《華為：ICT服務與軟件2030產業報告（2024版）（30頁）.pdf（30頁珍藏版）》請在三個皮匠報告上搜索。

1、20302024 版ICT服務與軟件構建萬物互聯的智能世界前言通訊行業從 2G 逐步走向 5G，ICT 服務和軟件行業也經歷了標準化，工具化，數字化的代際升級；隨著 Gen AI，數字孿生等新技術的興起，從數字化到智能化已成為行業共識，2030 年，人工智能將無所不在，基礎設施智能泛在感知成為剛需，大模型逐步走向 AGI 像人類一樣思考，服務模式將從圍繞“人”逐步走向“機器”，企業營銷和賦能的方式也將變得更加實時敏捷.未來十年，千行百業的智能化轉型類似 20 世紀的工業革命，Gen AI 是和蒸汽機，電燈一樣偉大的發明，第一次讓機器像人腦一樣學習和思考，這是跨時代的改變生產力的歷史進程，將開啟

2、每個企業/家庭/個人工作和生活的新時代.目 錄0104宏觀趨勢與展望0428ICT 服務與軟件 2030 倡議0529附錄（參考、縮略語）0206ICT 服務與軟件 2030 未來場景規建+AI：SLA 從不確定性到確定性.06規建 AI+：從數字化集成到“系統工程”集成.08運維+AI：從“面向網絡”到“面向業務”.10運維 AI+：從服務“人”到服務“機器”的運維.12維優+AI：從人等網絡到網絡等人，激發體驗變現意愿.13維優 AI+：基于智能內生的網絡優化 Agent.14營銷+AI：數智新業務，敏捷創新，牽引新增長.15營銷+AI：從成本中心到“效益中心”.16賦能+AI：從“基于文

3、檔的信息體系”到“基于 Token/Pitch 的知識體系”.17賦能 AI+：從“人找知識”到“知識找人”.180320ICT 服務與軟件 2030 愿景及核心技術數字孿生.20模型驅動.22ICT 融合交付.23數據工程.24以業務為中心.25平臺智能化.27人類正加速邁入智能世界，數字化、智能化、低碳化的確定性發展趨勢已成共識。面向 2C 的裸眼 3D，AI 背包，自動駕駛以及面向 2B 的工業制造無燈工廠，基于“機械手，機械臂”的智慧礦山，智慧港口正在加速到來；以 Gen AI為代表的大模型、人工智能、5G-A、超大規模算力集群、液冷數據中心、數字孿生、智能體等新技術一日千里；新的知識

4、和數據管理體系、平臺智能化、大小模型協同、AI for Network、Network for AI 等新范式應運而生，三者協同共進為數智新業務的創新和涌現提供了支撐，引發無限新暢想，創造無限新可能。要將每一代新技術、新范式引入生產環境，釋放新的生產力，都需做到在現有業務生產環境和諧共生基礎上持續平滑演進，能對“復雜性和不確定性”有效管控，實現 ICT 基礎設施全生命周期有序演進，及時滿足新業務、新體驗對 ICT 基礎設施新能力的需求，激發新創新，實現新體驗的持續升級，最大化投資效益，從而驅動行業數智化轉型的加速。如 AI 教母李飛飛所言：AI 是一門滲透式技術，會像水一樣影響每個人，每個行業

5、。隨著新業務，新技術，新范式的持續演進，未來的 ICT 服務和軟件行業也將迎來更大的不確定性，我們需要思考如何讓如此多的新業務、新技術、新范式釋放出商業價值和技術紅利的同時，也要同步考慮如何通過新技術來改善自身全生命周期的競爭力：1.服務+AI：如面向千行百業，萬物“智”連，新業務 SLA 帶來的不確定性，網絡故障爆炸半徑“逐漸變大”，如何實現從面向“網絡”走向面向“業務”的運維；數據和知識管理作為Gen AI 和大模型技術的關鍵能力將重新改寫人類學習和賦能的方式，如何駕馭未來智能人才發展等等，這些都是服務需要為 AI 做的事情宏觀趨勢與展望新技術、新業務、新范式等帶來無限新可能，引發無限新暢

6、想，同時也引入諸多不確定性0104ICT 服務與軟件 2030ICT服務與軟件2030未來場景：AI+改變服務模式，+AI帶來眾多服務新場景ICT服務與軟件規優培建營維2030場景超大上行，低延遲，6個9不確定性SLA確定性SLA服務AI+面向“業務”的運維運維面向網絡面向業務“any time any where”實時營銷數字業務數智業務從基于人的“信息系統”轉向基于模型的“知識體系”信息體系知識體系服務AI+加速釋放技術紅利加速智能化轉型服務AI+服務AI+攜手6200+伙伴服務56000+客戶 以智能體為中心的感知，分析及工具服務人服務智能體基于數據的運營促進用戶發展和維挽成本中心利潤中

7、心知識體系融合伙伴人員生產流，實時推送人找知識知識找人基于MFU，線性度的規劃設計數字交付系統工程交付2.服務 AI+：如大模型，機器人，具身智能體已成為未來服務模式不可分割的一部分，如何通過Agent+工具+人的模式改變傳統以人+平臺的模式，提升規建維優營培效率，改善成本和模式，這些是 AI 需要幫助服務做的事情。面向 2030 年，未來已來，如何用確定性的服務能力來解決眾多不確定的+AI 和 AI+的需求，是每一個 ICT 人需要思考的關鍵問題05ICT 服務與軟件 2030ICT 服務與軟件 2030 未來場景 2030 年，連接從“萬物互聯”到“萬物智聯”，在數字化時代，連接的對象更多

8、是人和傳統 iOT的“物”，根據 Gartner,IMT 等標準組織 2030年預測，AR/VR/MR 等終端將占據 30%的終端市場，無人出行，工業制造 2030 也將成為現實，基于“機械臂，機械手”的黑燈工廠，無人礦山隨著行業智能化成為企業剛需；同時智能體、機器人也將逐步取代當前人類大部分重復性工作，華為預計 2030 年無線 AI Agent 活躍用戶數將達 60 億，華為預測 ICT 領域 2030 年將有 45%的場景被 Agent 覆蓋，100%的角色將擁有自身的 Co-pilot，不僅包括虛擬世界中的數字分身，還包括物理世界的具身智能，比如工業機器人，服務機器人，陪伴機器人，自動

9、無人機，自動駕駛汽車等，這些新的服務對象會對未來的網絡規劃產生極大的不確定性。規建+AI：SLA 從不確定性到確定性02參考 信通院5G 端到端切片行業 SLA 需求研究報告行業業務類型業務對網絡的要求數量業務可用（單用戶、單業務）安全可信帶寬需求/單用戶（Mbps）業務時延需求（ms）B1B2B3B4B5T1T2T3T4T5S1S2M1M2M311010202050501001005010020501020510=3.0占比0.4%0.4%0.82%掉話率3.040.5s3.5呼叫建立時延感知覆蓋率10%虛警率5%掉話率，抖動10%感知精度30m15%圍繞“機器+物”的感知傳播模型，提供機器

10、的最優感知向“人”的網絡難以直接用傳統的套餐/DOU/滲透率來計算投資回報。每類場景均面臨不同的商業模式及建網需求，需要結合各區域、城市的“智能化程度”來進行精細化的建網規劃和上市節奏，所以“滴灌式投資”對系統集成的 TTM 的要求會更高。如何在復雜的業務場景中快速搶得市場先機，需要結合確定性的業務場景 SLA 需求進行快速網絡升級和 ROI。規劃更需要通過數字孿生構建網絡實時仿真能力，基于未來網絡建設業務場景化需求變化快速規劃網絡目標網，通過規劃設計快速在虛擬世界孿生物理世界的業務及網絡變化，構建面向人和“機器”的傳播模型及網絡性能仿真預測，同時要求規劃成為小周期迭代。精準度實現99.9%，

11、TTM 相比當前提升 50%。07ICT 服務與軟件 2030集群隨 Scaling law 規模越來越大，Grok2 和星際之門計劃已經逐漸擴展到十萬卡，百萬卡，字節在 2024 年 2 月發布 12288 個 GPU 訓練175B 的 MegaScale 系統，比肩谷歌，達到業界目前萬卡集群最高水平。字節用了多達 9 種優化方法，也只把 MFU 做到 55%，距離 MFU（最高 95%)仍有巨大的差距，MFU 每提升1PCT，將會帶來上千萬成本的成本節省，數倍的性能提升以及訓練 TTM 的縮短，同時根據Mason 預測，當前智算 OPEX 相比傳統通算OPEX 上漲 35%，2050 年將

12、上漲 50%以上，主要是水，電等。全棧 DC L1&L2 聯動 AI 節能和高 MFU 規劃將成為智算中心剛需。不同的 AI 業務對智算網絡的需求和競爭力構建方向也完全不同，如不同的 LLM，小模型訓練推理場景：算力、網絡帶寬、網絡延遲、內存帶寬、內存容量需求均不相同，面向多樣性需求，系統架構要具備足夠的靈活性。網絡作為聯接底座，將算存靈活配置組合，以適配不同場景，沒有一種業務同時需要 5 種能力，以網補算、以算補存、以存代算，“網存算協同設計”是未來智算集群系統級主要規劃方向。根據普華永道預測，2030 年前通過相同算力需求下，算存網協同規劃存在 300%的優化空間，所以面對未來高復雜的 M

13、FU 和線性度要求，基于“系統工程”的集成服務將成為行業剛需。規建 AI+：從數字化集成到“系統工程”集成AI代表模型訓練卡數ChatGPT千卡GPT-4萬卡5.4萬TPU10萬卡GeminiGrok 2AGI百萬卡（星際之門計劃）99.90%99.95%99.99%概率1.00.80.60.40.20 1000卡2000卡4000卡8000卡卡數AI業務計算算力網絡帶寬網絡延遲內存帶寬內存容量LLM訓練推薦系統推理LLM推理(Prefill)推薦系統訓練LLM推理(decode)08ICT 服務與軟件 2030從交付模式上來看，未來集成服務主要變化是從二維到三維。傳統集成服務一直是在時間維度

14、（階段及階段的成效）、任務維度（具體做什么輸出什么）描述服務，系統工程服務需要再增加一個維度：系統空間計算，用數字孿生的方式具象化出每個時間階段、任務作用在系統空間上的變化：未來交付模式降從傳統的人+工具物理集中到 Agent+Copilot 邏輯集中。傳統的交付是按照站點數量配人，如 3000 站點需 100 人交付 90 天，且資源需要隨交付地點進行安排交付隊伍。未來的交付將更集中化。在集團，省構建集中化交付中心，通過 Agent，Copilot進行站點勘測。MOP 設計、原廠配置等等；現場工作將更加聚焦和流程化。同時，以前的交付項目經理和技術項目經理非常重要。他們掌握著各類項目的項目管理

15、，關鍵技術，工具平臺能力；未來，模型和應用，是主要的集成服務構建者和交付者。人機協同，數據驅動將進一步驅動交付組織扁平化，交付效率提升50%以上。交付平臺(IT)交付模式工具平臺、工程師、物理集中 -交付Agents、工程師+Copilot、邏輯集中運營商：場景標準，金額大企業：場景各異，金額小訓練協同數據/知識作業及記錄，記錄即數據-過程數據已不夠用，知識數據亟需積累交付數據（持續積累）：靜態知識-思維鏈+DSL語言調用支撐交付大腦工具：單機/功能-Copilot，思維鏈，場景化Agents決策：經驗/責任-算法尋優，數據透視，輔助決策持續訓練，多種模型，各種外掛，靈活調用WSD/WDTCo

16、re MasterMOSS/FO Copilot工具Silo工具-原子化/PBCCDE垂直領域 調用-組合-創造現場單兵裝備手機/卷尺-智能作戰裝備XR+AI本地離線-端云協同，智慧具身以人為中心的服務以智能系統為主體的服務人服務的構建者和交付者流程工具智能系統服務的主要構建者和交付者人：服務的協作者 和部分交付者智能工具人員規模與收入線性增長服務周期長、能承擔的并行工作量少服務價格高，工具輔助人用智能系統替代大部分人員，從純人工升級為人機協同由智能系統自動生成流程和數據驅動，多并行作業從功能性工具升級為智能性工具效率更高 09ICT 服務與軟件 20302030 年，隨著網絡架構逐漸復雜，運

17、維的對象更加復雜：云、網、存、邊、端，網絡操作更難去判斷，對網絡變更工程師的要求也越來越高。近年來網絡事故頻發，相比 5 年前，2024 年 ICT 網絡重大故障數量占比提升了45%。關鍵問題就是隨著網絡越來越復雜，傳統基于“網絡”的運維無法感知終端業務，從網元性能體驗商業，難以全棧進行數據和算法關聯打通。隨著智能化 Gen AI,大模型，數字孿生等技術的快速發展，從面向“網絡”到面向“業務的運維”將成為未來新趨勢。運維+AI：從“面向網絡”到“面向業務”網元性能體驗商業預計網絡NPS下降15%200個用戶視頻播放卡頓10個小區速率下降50%傳輸故障3個基站退服時空數字孿生網絡數字孿生“人”萬

18、級FO/BO/FME“物”十萬級備件/車輛/油機“事”百萬級FM/PM/CM2個數字孿生“價值穿透”價值躍升成本最優價值與運維作業關聯資源與成效直接關聯成本與質量最佳平衡2個大模型+N個AgentLLM大模型語義理解網絡大模型網絡理解N個Agent業務解析與調用10ICT 服務與軟件 2030分鐘級小時級天級月級千卡萬卡十萬卡百萬卡百萬卡預測：響應0.5天，恢復預計周級（中斷一次損失億元）十萬卡預測：響應1-2h，恢復預計天級（中斷一次損失千萬）萬卡預測：響應30min，恢復2/4/6/8小時級（中斷一次損失10萬+）千卡：響應10分鐘，恢復小時級（中斷一次6000元+）算力運維模式：定界效率

19、隨集群規模指數級上升，傳統模式不可持續同時，算力網絡隨著 scaling law 的逐步演進，十萬卡，百萬卡已經成為大模型廠商的標配。傳統基于網絡的運維已經不可實現。某互聯網廠商數十萬卡訓練集群報告表明，54 天訓練，發生466次作業中斷，平均每天中斷8次。其中，41%中斷為軟件異常、電纜問題，網絡故障等。如果還延續當前的運維模式，2030 年預計百萬卡中斷一次損失超過億元。面向傳統網絡的運維，我們主要以事前、事中、事后來應對重大和緊急的復雜網絡變更。事前通過維護工程師提前做好緊急預案，做好相應的緊急預案來防止未來可能的業務影響；事中提前做好網絡變更操作腳本，規范工程師操作原則；事后回溯總結，

20、迭代事前和事中不足，作為后續案例支撐。隨著網絡越來越復雜，這種傳統的運維方式很難去完全規避人為誤操作帶來的重大事故。X 局點僅僅因為工程師在流量閥值配置上多輸入了一個“0”引發信令風暴，就導致全省 3000 萬通訊中斷兩天。隨著 Gen AI,數字孿生，知識圖譜，具生智能等新技術的不斷發展，面向未來如何實現“基于業務”的智能化運維來取代傳統“基于網絡”的運維已經成為業界共識，2030 年，30%領先的運營商隨著智能化展開將結合 5GA 部署數字孿生系統：以終為始，通過運維業務需求反向簡化算網協議，并實現 E2E 數據實時可視和實時可獲取性。網絡實時數字孿生：構建運維知識圖譜測量網絡問題對業務的

21、影響，通過數字孿生關聯物理世界和數字之間的關系以及業務關聯，實現 KQI 和 KPI 之間的梳理，實現每個操作和變更對業務的直接影響可視可管。圍繞業務級運維重新構筑新的應用，打通網絡業務的關聯，實現ICT運維全局可視可管?；谝陨夏芰?，故障恢復時長將從天級走向小時級，網絡故障響應從小時級走向秒級，備板替換從 4 小時緊急替換走向按月/按周定期替換。面向業務運維:從產品協議孿生平臺服務轉型的全棧打通客戶智算集群模型訓推數字孿生智算運維工作臺推理智算機理模型網絡孿生數據采集機理建模MFU全局分析性能監控集群加速流量地圖產品協議簡化物理數字孿生體系業務級運營運維軟探針訓練11ICT 服務與軟件 20

22、30傳統數字化時代，運維的工具，流程均是圍繞人來設計的，而智能化時代的人機協同模式，并不需要每個人都參與，人機界面非常清晰，人，流程，工具均圍繞機器來解決問題：運維 AI+：從服務“人”到服務“機器”的運維FME上站Smartcare投訴定界二線分責TT工單網絡分責專業室排障OWS故障定位和遠程處理AICC客訴處理一線分責裝維助手數字化時代：以人為主，流程、平臺、人相互依存，其中流程和小模型工具均是圍繞人在處理問題的效率問題設計的智能化時代：人機協同，不需要每個環節都要人參與，人機邊界非常清晰，人，流程和工具均圍繞機器解決問題來設計客服Tier 1:120人客服Tier 2:30人FO:50人

23、，BO：95人FME：325人智能化 替代人依賴人工非網絡問題投訴閉環IVR客戶原因群障原因客戶回訪被動處理客戶回訪重大故障專業室溝通網管查詢配置修改問題描述問題回單重大故障定界審核排障審核終端原因無線原因終端原因性能原因FO分責配置問題預防預測現場問題網管查詢配置修改問題描述問題回單FME上站二線分責TT工單性能定位和排障專業室排障一線分責非網絡問題投訴閉環業務質量分析 Agent集分責定位FCR85%AICC AgentCRM計費SmartcareSEQ運維分析保障Agent 集分責定位網管AUTINFME Copilot問答式查詢網管AUTINAPI調用API調用API調用API調用要實

24、現基于 Agent 為中心的運維能力，業界普遍共識是需構建 3 大基礎能力：1.算網運維大模型：基于業界通用的基礎大模型構建懂運維機理、網絡協議的算網運維大模型，圍繞 SRE、FO、BO、FME 構建面向角色的 Co-pilot 和場景的 Agent 智能體，減少人的重復腦力勞動，再結合傳統自動化的大模型進行實時配置和命令下發，傳統的 OSS 實現統一的 API 化，成為大模型的調用“工具”。2.數字孿生：需要通過實時的網絡數字孿生系統來做好從業務到網元的業務關聯。以前的網絡數據屬于黑盒數據，通過探針，網管經過層層過濾，采集才具備分析的能力。未來的數字孿生系統需要構建基于知識圖譜快速進行網元級

25、數據采集，從之前的 30 分鐘-1小時級的采集效率走向分鐘級的采集效率。3.具象智能機器人：現場運維成本一般占據整個 ICT 運維的 60%。未來，每個數據中心，機房，站點都會有存在具象機器人，配置基于 transformer 的端側小尺寸大模型 IOS，可以準確的識別來自于 NOC/SOC Agent 智能體的指令，替代維護人員進行網絡操作，如巡檢、現網狀態感知、光纖端口調整、板卡更換等。將大幅提升運維效率。機器手換硬件自動巡檢機器人12ICT 服務與軟件 20302030 年，傳統移動通信網絡從主要服務“人與人”“人與物”的通信向主要服務“人與智能體”“智能體與智能體”的通信轉變。通信網絡

26、將不僅要聯接個人，還要聯接與個人相關的各種感知、顯示和計算資源以及 AI Agent；不僅要聯接家庭用戶，還要聯接與家庭相關的家居、車和內容資源；不僅要聯接組織里的員工，還要聯接與組織相關的機器、邊緣計算和云資源，以滿足智能世界豐富多樣的業務需求從體驗保障的模式來看，傳統網絡日常優化是典型的“人等網絡”的方式，網絡優化被動響應客戶投訴，在產品的性能基礎上提升1015%的性能，盡力而為。中國每年需要投入 2.5 萬人天來解決日常優化問題，包括投訴網絡問題收集，典型區域/站點優化優先級設計，數字化路測，日常優化方案設計，日常優化方案實施等等。首先，這種“人等網絡”的方式只能解決 35%的網絡問題，

27、無法做到用戶體驗維優+AI：從人等網絡到網絡等人，激發體驗變現意愿盡善盡美；其次，由于缺乏統一的網絡優化大模型，多次優化方案中會存在性能互斥，優化經驗僅存在工程師腦子里的情況。面向 2030，未來網絡優化的方式需要通過“網絡等人”來取代“人等網絡”優化模式。通過鴻蒙 OS、智能單板、智能天線、光紅膜等技術，實現性能 E2E 可感知；構建基于時空的數字孿生系統（TAZ）精準預測每類業務未來的流量、走勢、SLA 趨勢變化；通過算網一體的優化大模型實現30%的場景單產品智能內生自閉環。其余 70%場景依賴通過知識圖譜和知識管理進行核心資產沉淀，日常優化產生的 MR,SEQ等性能數據形成 AI 數據飛

28、輪，持續支撐模型升級迭代，構建用于 VIP 保障，日常優化等的各類智能體支撐網絡優化人員基于業務變化提前預防預測，快速生成優化方案，再通過調用傳統小模型進行實時分析決策執行和性能體驗閉環萬物“智”聯投訴用戶模型非投訴用戶模型全球質差模型優化模型潛在質差用戶篩選智能單板/內置探針疊加時空數字孿生實時數據根因分析用戶特征及策略庫人輔助機器13ICT 服務與軟件 2030根據約瑟夫 Joseph Sifakis（法國計算機科學家，2007 年圖靈獎獲得者）對未來網絡自治系統的定義，相對基于 LLM 的通用智能體，通信領域更多要求基于實際網絡業務/網絡狀態制定策略，因此通信領域智能體需要能理解網絡（如

29、拓撲、性能、告警、事件等）。另外對數據實時性要求高，難以被大模型學習，需要結合數字孿生等技術，基于真實網絡信息規劃并執行方案，通過 Prompt/SFT 為大模型注入領域專業知識，結合數字孿生模型，調用體/維/優原子工具能力，實現任務的規劃、感知、決策和執行。維優 AI+：基于智能內生的網絡優化 AgentPerceptionReflexionsensory informationcommandsFigure 6:Computational model for cyber physical agentDecisionGoal managementPlanningKnowledgegenerat

30、ionKnowledgeapplicationSelf-adaptationKnowledge RepositoryInternalActuatorsInternalSensorsInternal EnvironmentExternalActuatorsExternal EnvironmentExternalSensorsExternal Environment modelInternal Environment model基于網優 Agent 的智能內生能力，以某區域優化工作模式舉例，以前需要有 3 個網優工程師值守，轉變為無人值守，由 1 個人負責 Agent設計模式網優功能開發從之前跨多

31、個平臺，10 幾個步驟，至少 3 個月的周期改為 Agent 根據 COT（Chain of thought）鏈設計，1 次任務下發，多次自動交互完成SocNocRF工程師人+Al agent3人有人值守1人無人值守跨平臺多步驟復雜流程思維自主規劃5+平臺10+步驟下發1次任務流程1流程2流程n14ICT 服務與軟件 20302030 年，面向營銷的數字化業務向智能化轉型已成為共識，埃森哲，普華永道等多個咨詢公司均把營銷作為大模型能夠影響的 TOP1 行業，原因就是用戶需求千人千面，人機交互界面多，海量的客戶需求從廣告，營銷，計費，銷售再到客訴存在大量的創意涌現和生成的機會，符合當前主流 LL

32、M 大模型適用的三大條件：海量數據，創意類場景，自然語言。面向未來全行百業智能化，數億級的數智人，無人出行汽車，當前的數字化營銷模式已經無法滿足需求：敏捷創新：數字化時代基于“人”的套餐設計，從市場策略資源準備套餐開發市場推送往往要經歷 3-6 個月時間，當產品營銷+AI：數智新業務，敏捷創新，牽引新增長投放后市場又發生了新的變化。未來智能化業務需要基于客戶數據分析自動生成營銷創意和套餐設計，從“數月”到“數天”，結合敏捷的算網基礎設施，實現”anytime,anywhere”的實時套餐推送，如電影院、體育場 VR 等場景。智能創意：數字化時代營銷主要基于大數據用戶畫像進行針對性的電話/內容推

33、送，完全依賴人進行分析和進行營銷策略創意，2030 年數字人內容生成和運營效率成本遠優于人工，可根據市場變化快速迭代，迎合大眾最新需求，提供數字人 7*24 小時在線，高質量互動解決客戶問題。產品介紹 軟件服務、美妝時尚、3C 電子、工廠車間、解決方案等介紹視頻活動促銷 黑五、情人節、圣誕節等各類國際化節日節點的口播類視頻信息流廣告 Google、Facebook廣告、YouTube、TikTok、Amazon.Instagram 平臺視頻產品種草 產品講解、細節展示、對比評測、購買指南等等口播視頻內容營銷 Google SEO、Facebook 廣告、YouTube 視頻平臺、電商平臺廣告視

34、頻教程 客服、支持團隊內容、產品操作、Q&A、解釋視頻等15ICT 服務與軟件 2030客服中心長期依賴均被企業定位為成本中心，隨著數字化和智能化的逐漸深入，行業發現通過對投訴用戶的培育和激活，也能幫助企業持續的獲得新的用戶裂變及收入，成為智能化時代企業的增收利器：在培育和獲客階段，通過數字人智能外呼取代傳統人工外呼，基于 AI 和數據的千人千面支撐下，外呼成功率提升 3 倍，同時外呼效率提升 300%。營銷+AI：從“成本中心”到“效益中心”在激活和留存階段，通過數字人進行對話式產品推薦和解讀，并能精準從客戶語氣識別客戶意愿和情緒識別，AHT 減少 50%。錄音屬性分析:話者分離(單聲道)靜

35、音檢測(靜音時長、靜音比)情緒檢測(負向、正常、正向)語速檢測(過快/過慢/平均語速)搶話檢測(雙聲道)正常情緒異常情緒業務生疏狀態不佳語速過慢語速過快影響服務質量話者分離營銷挖掘質檢用戶語音知識的挖掘了解競爭對手潛在的需求服務態度說話時間等客服語音5s靜音（10s）有效通話8s10s17s 在投訴處理階段，數字人基于業務知識庫和語音識別能力可以處理 90%以上的問題，僅 10%的投訴流向人工，FCR 從當前75%90%?？蛻艚尤胫悄軕鸱蘸?，系統根據設定與客戶實現實時語音交互。后臺自動通過知識庫系統匹配相關知識點內容。能夠匹配到知識內容時系統根據知識內容復雜程度，自動選擇直接語音播報或短信

36、推送。無法匹配知識內容時系統向客戶提示，無法匹配到相關知識點，并轉接人工坐席。電話渠道語音網關IVR系統人工坐席語音問答接口ASR語音識別SLB負載均衡NLU自然語言理解后臺知識管理業務知識庫智能語音機器人系統TTS語音合成匹配到答案未匹配到答案特定情況2030 年，通過大模型的加持，數字化營銷將持續向“數字人”智能營銷演進，客服中心將從“成本中心”逐步走向“效益中心”，通過大模型的技術實現“數字化業務”的新生產范式，使能行業的業務更敏捷，更靈活的同時，也會持續為企業帶來更多的經濟效益。1.回訪客戶4.回復記錄3.場景判斷2.回復機器人5.電話應答6.維護和查詢后臺對話記錄客服人員智能回訪機器

37、人4.無法理解客戶電話回答業務對話場景（調查問券、電話回訪等記錄客戶回復信息，生成工單工單系統業務場景庫16ICT 服務與軟件 2030以前的知識體系都是基于人的視角來設計的，所有的知識也基本都是提供給人來學習的，如Word 文 檔，PPT，案 例 庫，FAQ。由 經 驗 豐富的工程師充分實踐后形成的知識文檔，通過各種形式固化下來，再進行一代代的傳承，這種非結構化的知識占據了 50%以上（埃森哲2024 洞察）。當前企業管理這些非結構化數據的有效轉化率僅 5%。未來大模型時代需要把這些非結構化知識轉化為大模型所需要的知識和經驗：Token(LLM),Pitch（幀）。傳統的知識經驗也缺乏專業的

38、團隊進行知識需求識別，知識導入，知識審核和展示，以及知識運營和消費管理。保障大模型所學到的知識是最新，最權威的，才能讓模型像人一樣聰明。除了知識運營機制外，一個基于 Gen AI 的知識賦能+AI：從“基于文檔的信息體系”到“基于 Token/Pitch 的知識體系”知識管理運營機制知識識別識別各種生產方式及場景知識導入設計符合知識生產的導入方式知識審核通過審核環節檢視和把關內容知識展示設計結構化的知識展示方式知識消費支持各類知識應用場景的消費需求知識運營基于知識的使用數據或效果反饋，進行差異化運營知識下架進行知識內容的下架操作知識需求需求的提出、傳導閉環管理，生態思維12345678管理平臺

39、也是必不可少的，主要用來進行快速的知識挖掘，知識融合以及知識推理，根據埃森哲和普華永道預測，2030 年將會有 55%的企業部署知識管理系統:1.知識挖掘：把日常專家的知識能夠快速通過門戶網站，平臺快速轉為成標準化數據，把碎片化知識進行分類整理2.知識融合：圍繞不同的角色，進行多維標簽關聯，做好關鍵詞，標簽以及聯想式搜索，并融入企業生產流3.知識推理：將各類角色所需要的知識進行推理，結合 Copilot 實現場景化推送，并根據角色反饋建議實現自動召回，自動生成挖掘多源跨域數據碎片知識跨域知識體系因果圖融合推理 數據知識化 知識體系化 知識可推理17ICT 服務與軟件 2030升級研發專家求助查

40、版本文檔官網講座、課程400熱線60%30%10%客戶/伙伴人找知識傳統的賦能體系是基于人類的“碎片化”時間來設計的，以行業用戶和伙伴知識獲取來看：60%的知識來源于線上找知識，在日常工作中通過行業、咨詢公司、廠家官網提供的案例，產品說明書等獲取通用知識，人找知識的時間久，且找到的知識滿足度也較低。30%通過專家大講堂，線上線下的課程，通過專家講解，交流來獲取更為高階的知識，如戰略，新平臺，新技術等，賦能效果取決于專家水平，同時頻率不足，平均每人每年一般為個位數。賦能 AI+：從“人找知識”到“知識找人”10%涉及行業較為私密的技術，普通的從業人員也不具備賦能的機制，只能和廠商研發求助。隨著

41、Gen AI 技術逐步向千行百業滲透，知識管理逐步成為行業使用大模型的必備要素。從企業知識生產到入庫再到應用均會更為規范化和智能化，同時各類知識應用助手也會融入生產流，在每個環節對不同角色的員工進行實時推送，實現員工工作效率大幅提升；同時，也能將企業的知識持續快速轉化為 Token，提供精準的的知識語料對大模型進行投喂，讓大模型更智能，更聰明?；谥R管理系統和知識助伙伴瀏覽或使用內容屬性標簽：負責的產品等場景標簽：勘測、調測、維護關鍵字標簽：屬性標簽：產品、任職等行為偏好：比如內容偏好，關鍵字標簽：業務數據項目、需求、問題人工標簽用戶產生運營產生規則配置（標簽平臺）規則標簽業務數據項目、需求

42、、問題算法自動打標簽內容數據課程、案例、文檔AI推薦引擎用戶畫像內容畫像18ICT 服務與軟件 2030理的加持，企業員工的賦能將從從傳統的“人找知識”到“知識找人”，從之前的碎片化賦能走向基于生產流實時推送的“終身賦能”。知識管理平臺將根據員工/伙伴訪問記錄識別各角色的業務、行為，內容數據，為每位角色做好用戶畫像和內容畫像，對接員工日常作業OA,OSS,BSS 等 ERP 系統，實現在最佳時刻，知識把最適合的知識主動推送給最需要的人。根據埃森哲預測，2030 年 80%的企業知識獲取場景將會轉移到線上通過自動推送，互動獲取，線下賦能將更為針對性，偏重于上機，體驗，辯論等實操類課程，線上線下相

43、互結合，將更好的助力行業和企業持續推進 TECH4ALL，擁抱智能化時代。下 一 代 的 賦 能 平 臺/社 區 產 品 將 具 備 在 線Online、開放 Open、協同 Orchestration 三大特征，旨在實現全球各領域的知識經驗快速獲取、歸納、分享和提煉：通過在線實時學習，人類獲取知識的時間將縮短 90%?？鐓^域知識共享和協同效率將提升 200%。中級工程師培養周期將縮短 5 倍（3 年 6個月）。19ICT 服務與軟件 20300203ICT 服務與軟件 2030 愿景及核心技術1.時空數字孿生：移動通信系統的網絡優化涵蓋一類難以統一建模的技術問題，參數往往是相互依賴或相互矛盾

44、的，因而難以建立全局性的優化模型。TAZ 基于用戶、業務、網絡識別和業務類型分布差異，差異化設置每簇速率保障目標，挖掘每簇潛力，提升運營商收益，為網絡服務模型提供實時數據，采集效率從當前的小時級到分鐘級，如：無線信道統計模型：采集海量場景化波束級數字孿生測試數據，從網絡數據中提取多徑信道統計特征，建立信道模型 用戶流量分布模型：采集用戶流量分布統計數據構建圖神經網絡建模地理相關性和LSTM 建模時序相關性 用戶體驗模型：采集基站響應及用戶速率、時延數據，構建通信知識+數據驅動的模型調優能力數字孿生時空數字孿生 網絡實時數字孿生NPS 平臺 ODA 平臺網絡服務通用大模型 網絡服務行業模型模型使

45、能平臺 Agent 平臺以業務為中心模型驅動平臺智能化平臺知識管理平臺基于 MFU 的系統工程知識體系ICT 融合交付ICT 服務與軟件2030 關鍵技術20ICT 服務與軟件 2030運籌優化算法用戶流量分布模型基站響應、用戶體驗模型無線信道統計模型海量場景化波束級測試數據用戶流量分布統計數據基站響應及用戶速率、時延數據從網絡數據中提取多徑信道統計特征，建立信道模型流量分布:1.圖神經網絡建模地理相關性2.LSTM建模時序相關性通信知識+數據驅動的模型調優2.網絡實時感知孿生：測量網絡問題對業務的影響，關聯不同業務的物理世界和數字世界之間的關系，實現 KQI 和 KPI 之間的梳理，實現每個

46、操作和變更對業務的直接影響可視可管：基于業務目標明確算法：基于業務需求，通過 SRE 可靠性理論構建 EDNS 計算邏輯，實現客戶業務減損邏輯計算 網絡系統模型：從網絡到資源到業務的影響建模分析，實現每個網絡故障及操作和業務的關聯度模型和算法設計 基于事件流進行準確的故障處理，減少傳統虛警占比高，精準以業務為中心的運維實際獲得需求期望獲得需求理論：Google SRE理念和petril網可靠性理論 影響：流量損失、用戶投訴原因：網絡問題結合原因和后果調配運維資源實時網絡故障/配置-用戶業務關系建模EDNS(Expect Demand Not Satisfied)用戶服務不滿足度AS IS:工單

47、流To Be：事件流遠程自動修復FMA上站BO分析網絡問題-網絡性能-用戶業務的影響關聯模型網絡隱患影響度分析模型網絡操作影響度分折模型設備故障影響度分析模型日常巡檢網絡撥測網絡各類數據工單關單工單處理工單定位工單生成網絡告警運維目標網絡用戶服務滿足度EDNS計算網絡問題分解關聯與影響評估網絡系統模型基于事件的運維資源調度運維流程改變21ICT 服務與軟件 20301.網絡服務 LLM 模型：評估全球主流基礎大模型，如 llama3,Mistral，文心一言，智普等通過提前適配和預訓練，匯聚行業公共知識如 C114,萬方，產品指導書，案例庫，考試庫等，讓其具備 ICT 服務基礎知識，為行業升維

48、打好基礎，讓大模型具備高中生的行業知識水平，解決非結構化知識的處理以及訓練模型驅動網絡服務通用大模型：構建一個懂 ICT 協議，信令語言，懂規建維優營和 OSS/BSS 的行業通用模型，以解決更為復雜的業務問題，具備復雜任務 COT 鏈的理解能力和 99%以上的精準度，實現結構化數據的知識體系，讓其具備本科生的行業知識水平，相比 LLM 語言模型，訓練參數大量減少，通過 7B，10B等小尺寸大模型微調和 RAG 可快速部署支撐運營商/行業客戶進行生產AI Agent智能體工作業務能力流程方法工具網絡服務通用大模型現網知識與數據客戶術語提示工程微調導師指導項目經驗培訓預訓練技術服務專業知識產品文

49、檔通識知識基礎大模型通信系本科生新員工百科期刊論文通信知識門戶網站知識（知乎、百度知道、百度百科）網絡服務LLM大模型技術服務案例案例網絡數據工程師邊：智能板2.0通用計算硬件NPU云側模型預測能力全局視野全場景泛化基礎網絡大模型全球網絡數據預訓練的維優一體大模型模型下發，本地微調網絡環境信道模型全面提升網絡性能業務流量預測模型“網隨業動”，資源高效分配Next網絡狀態預測模型業務影響精準分析完整模型導入，大規模NPU推理內生智能內生智能內生智能信道估計準確性提升流量變化規律RF優化，產品協同特性性能大幅提升事前精準推演預防事后主動隱患監控分析基站時頻資源合理分配22ICT 服務與軟件 203

50、0集 群 規 模(n）越 大，單 次 故 障 的 指 標（如MTBF,MTTR）對 集 群 可 用 度 的 影 響 越 大。2024 年 Meta LLama3 數十萬卡訓練集群報告：54 天訓練，發生 466 次作業中斷，平均每天中斷 8 次；41%中斷為軟件異常、電纜問題，網絡故障等。未來 OPEN AI 星際之門計劃需要 100 萬卡，對集群的性能要求 MFU 將會越來越高，每中斷一天，經濟損失將達到上億元。解決此問題需要持續提升集群集成和運維的兩大指標：1.集群線性度：和網絡鏈路的穩定性（時延、性能、配置一致性等），NPU卡亞健康等有關。強依賴 部署模型、配置優化，例行的亞健康治理與維

51、護。2.集群可用度：主要由四個指標組成：單次故ICT 融合交付障 MTTR(h)，f=集群單節點異常率，n=作業占用節點數，x=作業時長。要實現訓練和推理高可用，算力集群可用度&MFU 最佳，需要構建三大集成能力。3.全局負載調度多級調度：Global Region 節點。4.確定&有競爭力的集群可用度：故障、亞健康提前感知，主動維修；4K+集群穩定運行 30+天；支持斷鏈續訓，單卡異常作業零感知。5.高性價比的線性度網絡，AI 計算，存儲性能優化；硬件流水線支撐亞健康與故障的感知、隔離與修復。單次故障MTTR時長（小時）備注：1）集群規模(n)越大，單次故障(MTTR)對集群可用度的影響越大

52、；2）故障7天/168小時，1K集群時對MFU的損耗系數為83.59%；如果集群擴大到1W，對MFU的損耗系數為29.79%1K2K4K6K8K1W120.00%100.00%80.00%60.00%40.00%20.00%0.00%0.170.330.501.004.008.0012.0024487296120144168故障MTTR&集群可用度關系23ICT 服務與軟件 2030數據是大模型訓練和推理的基礎，目前大模型的實踐，85%的企業都會遇到學得慢，不容易學的困難，核心原因就是大模型所需要的數據工程需要在數據范圍、數據質量、訓練效率多方面形成領域模型護城河，共 9 類核心技術：數據工程

53、1.領域復雜流程類數據解析技術：實現不同類型（信令協議交互/告警因果圖/流程）的復雜文本化信息抽取和輸出，實現解析內容提取準確率 80%+2.多模態復雜信息 tokenizer 技術：基于視覺模型的版面分析能力，結合文本匹配、表格解析等多模塊融合抽取文本，PDF 內容提取準確率 95%+3.領域數據高效合成技術：實現領域高質量數據的自我成長：從無標注到有標注，從無CoT 到有 CoT，實現領域典型場景的數據擴充 10 倍4.數據質量自評估技術：預訓練數據自動評估，保證質量&提升效率，數據完整/準確/一致/及時性等 6 性評估，實現 100%數據質量自評估5.領域數據增強技術：增強樣本擴充訓練數

54、據集，內容語義正確完整&文本多樣性增強，提升模型訓練效率，實現數據多樣性提升 10 倍6.知識定位尋源技術：建立模型能力/參數/數據關聯，相互提升，能力短板針對性定位&增強數據，實現數據 bad case 定位效率提升 10 x 7.最優數據配比技術：突破增訓場景下通用與領域數據、領域不同數據配比 model scaling技術，loss 最優下降，實現模型訓練效率提升 50%8.數據課程學習技術：學習順序 curriculum learning 影響模型的最終效果，利用 scaling law 求解最優學習順序目標，實現領域知識答準率提升 30%+9.數據退火訓練技術：構建最優領域數據子集，

55、通過多階段訓練與訓練末期的最優數據退火，大幅提升模型能力，實現退火速率 5x 數據配比(不同類型知識的比例)和數據質量(多維度的數據質量評分)決定了模型的尋優方向，進而影響 loss 取值&模型能力問題:數據缺失、領域數據分布不均、信息密度參差不齊、配比不合理等關鍵問題.實踐發現:學的慢(訓 1000 億 token，loss 未降到最低)、不容易學(產品配置見過 4 次，但不理解含義)類別五:產品知識類別四:領域基礎知識類別三:案例經驗類別二:個人博客類別一:通用知識導致口語化結構簡單專業性弱噪聲大24ICT 服務與軟件 2030NPS 數字化分析平臺：要實現以業務為中心的體驗管理，主要的難

56、題就是如何通過數字化的方式如何發現問題，判斷影響范圍以及做好優化模擬器：1.基于 KANO 理論，識別推薦型和貶低型用戶，以它們為樣本框分別展開 SL 回歸分析，明確不同因素的獎懲驅動力2.基于對貶低和推薦分別的驅動力推導出對NPS 的整體影響力，即對各體驗指標提升10%，將帶來多少 NPS 的上升以業務為中心3.需要提供模擬器，協助評估改進或降低相關指標表現時將帶來 NPS 怎樣的變化，以有的放矢地制定相關策略目標業界的普遍做法是通過建模和分析，明確各指標的獎懲驅動力，通過與滿意度的矩陣交叉分析，診斷需重點保障的獎勵因子和優先改善的懲罰因子，對具體指標的改進優先級和具體措施分析，將結合對滿意

57、度的驅動力，痛點發生率和客戶推薦、不推薦理由的提及情況索賠處理清晰的聯系點理解需求服務的可靠性積極響應隨時通知我服務速度容易聯系配件易獲得產品設計相機質量設備的可用性電池顯示CPU速度信任口碘好技術領先專業穩定性可見度（廣告/贊助）著名品牌目前表現平均分/10使得貶低型客戶減少.0%-1%-3%-2%-2%-3%-3%-4%-3%-5%-2%-1%-4%-4%-6%-8%-5%-5%-5%-4%-4%-4%-4%7.57.59.07.47.57.77.77.57.68.18.47.57.57.87.47.77.57.48.17.27.57.58.0使得贏得額外的推薦型客戶1%2%1%3%3%4

58、%5%4%6%6%6%5%3%4%2%3%5%1%7%3%4%4%5%提升一個驅動因素10%的表現將會減少.華為的貶低型客戶提升一個驅動因素10%的表現將會產生.華為的推薦型客戶25ICT 服務與軟件 2030ODA 運維平臺：盡管 CSP 們早就構建了可以集成多家廠商組件的 IT 系統，但這些組件一般都來自各類通信和軟件廠商。隨著現在 CSP們在一個更大的舞臺上競爭，集成來自通信業以外的其他組件的能力也變得必不可少。當一種與客戶交互的新方式（如：大模型Agent）可用時，等待其“通信業專用版本”出現是不現實的。另外隨著開源項目的興起，如 ONAP、OSM（開 源 MANO）和 Open Ba

59、ton，任何多廠商的定義都必須包括開源軟件。許多 CSP 也開始在未來 IT 系統中擁抱開源。TMF 下一代 OSS 架構 ODA 也是在試圖解決此類技術問題 云 組 件：要 求 新 開 發 的 應 用 作 為 遵 循ODA 標 準 接 口 和 規 范 的 云 組 件(cloud component)，統 一 在 共 享 庫(common repository)中管理 DevSecOps:自動化的軟件版本驗證與發布平臺。ODA 組 件 庫 由 6 個 子 域 構 成，分 別 為：承 載 核 心 流 程 的 Party,Core commerce,Production 以 及 輔 助 支 撐 業

60、 務 流 程 的Decoupling&Integration,Engagement,Intelligence.，組件庫呈現了全套 BSS&OSS組件的全景，其中已初步定義功能內容的組件（即具有編號的組件）共計 28 個。大部分分布在 Production 和 Party 子域這些新特征為運營商跨邊界大規模管理數字化生態系統提供了可能性。比如，全球化汽車制造商可以跟多家 CSP 就自治和車聯網協議達成一致。ODA 還考慮了獨立項目中不會考慮到的未來關鍵需求和概念，如擁有 AI 能力、BSS/OSS的架構統一以及統一以數據為中心的方法。The era of Digital Transformati

61、on is over.The industry needs a new north star.Traditional Telco Era1980s-2013Operations(processes&people)Operations(people&basic automation)Network(programmable)Open Digital Architecture(new BSS)Network(physical)OSS(Naas)BSSOSSCSP domainCSP domainDigital SP domainPartner domains Single business mod

62、el for connectivity Product centric,people intensive processes One or more tech stacks per product Connectivity+VAS business model Basic automation of processes Rationalized tech stack,cloud migrated Business-model and service agnostic On-demand bundled services and capabilities Defend&grow revenues

63、Source:TMF Strategic Review 2023,12DigitalSP Era2013-2023AI-DrivenSP Era2024-2030sAI-Driven OperationsValue-stream&experience driven,augmented intelligenceOpen Autonomous InfrastructureConnectivity(5G/6G/Fibre/Satellite/other)+Cloud+AI+IoTAI-Driven Open Digital ArchitectureModular,Plug and Play,Micr

64、o-service oriented,AI-Ready Decoupled,modular OSS(disaggregated)Intelligent Management&Orchestration Open Autonomous Networks26ICT 服務與軟件 2030面向未來海量智能體，需要構建基于 ICT 服務和軟件行業的模型使能和 Agent 平臺，每個客戶均可以基于框架快速開發運營自身的行業大模型和 Agent，開箱即用，模型訓練資產可快速基于不同場景進行復制模型使能平臺：模型使能服務包括 5 大服務，模型選擇，知識管理，模型訓練/精調，模型評估，模型壓縮和推理服務，海外已

65、經形成完整的 LLMOPS 體系和開源工具鏈，百度、智普也在國內基于開源體系盡快構筑自身的工具能力，基于銀行，互聯網等行業快速孵化自身模型使能服務包和平臺智能化工具鏈平臺智能化AI 智能體平臺：包括感知，思考，執行三大能力1.通過感知能力：用戶任務獲取/環境狀態感知/反饋檢測，支撐智能體獲取所需要的信息，如數字孿生，智能板，IOT 等2.思考能力：規劃推理能力/知識學習能力/記憶存儲能力，支撐智能體可參考人類思考的 COT 模式進行分析決策3.執行能力：文本回答/API 等編程類工具使用/實體化工具使用，實時調用傳統小模型等工具獲取“手和腳的執行”能力PerceptionActionAgent

66、BrainEnvironmentTextText.ToolsStorageGeneralize/TransferDecision MakingCalling API.MemoryKnpwledgePlanningReasoningSummaryLook at the sky,do you think itwill rain tomorrow?If so,give the umbrella to me.Reasoning from the currentwrather conditions and theweather reports on the internet,it is likely t

67、o rain tomorrow.Hereis your umbrella.RecallLearnRetrieve.Embodiment.鏡像管理預置算法Web IDE（JupyterLab）現場/遠程調測樣本數據集預置領域模板預置 AI 通用服務AI 應用AI 資產技術架構數據管理算法開發模型訓練模型管理模型服務數據篩選數據標注多人標注智能標注自動化標注標注審核分布式集群訓練訓練狀態可視化訓練任務可視化斷點續訓自動機器學習超參優化模型倉庫模型評估模型診斷模型轉換對比評估服務發布在線服務批量服務服務管理服務監控數據ModelFoundry導航式建模邊緣27ICT 服務與軟件 2030智能化實現的

68、關鍵是傳統“業務人才”和新型“智能人才”的雙向奔赴，要讓機器學會向“人類”一樣思考，首先要各領域的業務專家學習 AI，了解 AI，才能更好的促進智能化轉型的進程面向 2030，智能化將變得更加平等，開放和安全，讓每個人，每個組織都能享受新的技術紅利，快速實現基礎設施、業務、人員的全面升級讓我們共同努力，一起奔赴智能化新時代！ICT 服務與軟件 2030 倡議020428ICT 服務與軟件 2030附錄（參考、縮略語）縮略語英文全稱中文全稱Gen AIGenerative AI生成式 AIAGIartificial general intelligence通用人工智能AIOpsArtificia

69、l Intelligence for IT Operations智能運維IMTInternational Mobile Telecommunications國際移動通信MOSMean opinion score平均意見值MFUModel FLOPs Utilization模型算力利用率TTMTime to Market產品上市周期SLAService Level Agreement服務質量協議LLMLarge Language Model大語言模型IoTInternet of Things物聯網MOPmethod of procedure實施方案文檔5G5th Generation of mo

70、bile communication第五代移動通信TECH4ALLTECH4ALL initiative數字包容行動計劃SRESystem Reliability Engineer系統可靠性工程師COTChain of thought思維鏈KQIkey quality indicator關鍵質量指標TAZTraffic Autonomous Zone流量自治域EDNSExpected Demand Not Served用戶期望未被滿足OAOffice automation辦公自動化ERPEnterprise Resource Planning企業資源計劃RAGretrieval-augment

71、ed generation增強檢索生成FCRFirst Call Resolution首次呼叫問題解決率AHTAverage Handing time人工平均處理時長Prompt提示詞工程Agent智能體29ICT 服務與軟件 2030華為技術有限公司深圳龍崗區坂田華為基地電話：+86 755 28780808郵編：免責聲明本文檔可能含有預測信息，包括但不限于有關未來的財務、運營、產品系列、新技術等信息。由于實踐中存在很多不確定因素，可能導致實際結果與預測信息有很大的差別。因此，本文檔信息僅供參考，不構成任何要約或承諾，華為不對您在本文檔基礎上做出的任何行為承擔責任。華為可能不經通知修改上述信息，恕不另行通知。版權所有 華為技術有限公司 2024。保留一切權利。非經華為技術有限公司書面同意，任何單位和個人不得擅自摘抄、復制本手冊內容的部分或全部，并不得以任何形式傳播。商標聲明 ，是華為技術有限公司商標或者注冊商標，在本手冊中以及本手冊描述的產品中，出現的其它商標，產品名稱，服務名稱以及公司名稱，由其各自的所有人擁有。