A2--過一峰--大模型在質量管理領域的落地實踐.pdf

《A2--過一峰--大模型在質量管理領域的落地實踐.pdf》由會員分享，可在線閱讀，更多相關《A2--過一峰--大模型在質量管理領域的落地實踐.pdf（32頁珍藏版）》請在三個皮匠報告上搜索。

1、AI大模型在質量管理領域的落地實踐過一峰小米、質量信息化部負責人過一峰小米科技有限責任公司 質量信息化負責人當前主要負責小米手機業務的項目交付質量管理，用戶質量管理，過程質量管理的數智化轉型工作。帶領團隊建設數據倉庫，質量看板，智能助手等數智化產品。通過推動質量管理活動數字化、網絡化、智能化升級，提高產品和服務質量，促進產品，組織的高質量發展。目錄C O N T E N T S1.小米軟件質量管理數智化轉型2.案例1：JIRA智能助手3.案例2：用戶反饋智能助手4.經驗總結小米軟件質量管理數智化轉型01小米軟件質量管理數智化轉型工作模式：數據工作模式：數據+智能智能 替代替代 人力人力+工具工

2、具數字化數字化(管理模式改變)提升效率提升效率：自動化和標準化流程流程固化流程固化：不改變流程和業態信息化信息化(線下到線上線下到線上)智能化智能化(人機智能協作人機智能協作)2024202420212021質量管理質量管理數智化數智化20232023思維模式思維模式：管理思維轉向服務思維協作模式協作模式：質量主導轉向業務主導LLM 2024年發展趨勢風向變化風向變化從追趕潮流到追求落地從追趕潮流到追求落地模型私有化，專用化模型私有化，專用化AIAI觀念三大派觀念三大派樂觀：認為樂觀：認為AIAI能夠大量替代人能夠大量替代人悲觀：悲觀：AIAI落地的問題很多落地的問題很多AgentAgent成

3、為主流形態成為主流形態理性：關注理性：關注AIAI應用場景應用場景數字化質量管理 VS 智能化質量管理利用數字化技術，利用數字化技術，人工進行分析與決策，人工進行分析與決策，來進行質量管理來進行質量管理利用智能化技術，利用智能化技術，使系統能夠進行自我學習和優化，使系統能夠進行自我學習和優化，實現自動診斷和質量改進。實現自動診斷和質量改進。數字化數字化智能化智能化LLM在質量管理領域的應用場景數據智能數據智能分析分析用戶反饋質量用戶反饋質量管理管理研發過程質量研發過程質量管理管理代碼質量評估設計質量評估用例生成執行 質量問題分析客服服務反饋標注反饋分析風險評估數據問答智能分析異常檢測報告生成J

4、IRA智能助手02廣泛使用的BUG管理系統（JIRA）用戶用戶XXXXW W人人每年每年XXW W個個JIRAJIRA單單每年每年XXXXw w次次JIRAJIRA操作操作JIRA業務流程中存在諸多問題問題堆積嚴重流轉次數多內容混亂重復問題多問題定級不準01010202缺少定位信息根因分析混亂0303問題問題提交提交問題問題流轉流轉問題問題定位定位操作規范性低操作規范性低處理過程成本高處理過程成本高經驗未固化經驗未固化缺少輔助指導問題問題解決解決0404AI全流程輔助JIRA作業AI對提交的JIRA進行結構化和內容審查。AI學習歷史規律，協助研發進行問題流轉。AI分析問題現象，給出排查方向AI

5、學習技術知識和歷史解決方案，給出解決思路。問題提交問題流轉問題定位問題解決全流程管理制度檢查研發團隊人工創建的結構化JIRA數據質量與測試團隊標注的有/無效JIRA和重要等級數據研發人員關閉JIRA時按規范備注的問題根因和修改方案集團內外部研發相關的海量技術文檔集團內外部研發相關的代碼數據資源訓練數據結構化與內容審查統一語言結構統一語言結構檢查內容是否充足檢查內容是否充足基于Prompt提示詞工程的語言審查能力，為問題排查和修復提供為問題排查和修復提供充足信息。充足信息。提供具體的任務說明，制定輸出所需要的格式。有一個問題，描述為。請根據操作步驟改寫此問題。要求：把問題描述按照場景，行為，現象

6、格式進行改寫。技巧：1.告訴大模型清晰明確的任務目標(語言簡潔，避免歧義，通俗易懂)2.要求越具體越好3.提供與業務場景相似的案例問題解決方案l缺少關鍵內容l問題描述不清晰問題查重基于語義的重復問題識別系統問題大量重復問題閱讀3000+人時解決方案最近鄰檢索近似最近臨檢索智能流轉基于歷史問題記錄的智能流轉系統，自動進行問題分發。l業務負責人BUG堆積上千個l一個BUG最多被流轉8次l研發響應時效慢數量數量時間時間問題解決方案監控器調度模塊調度模塊AI大模型數據倉庫JIRA工具JIRA系統數據工程向量數據庫推理執行記憶感知 動態感知，自主決策動態感知，自主決策解決方案生成根因分析與解決方案，從單

7、兵作戰到強大根因分析與解決方案，從單兵作戰到強大支撐支撐問題人員業務不熟悉人員流失=經驗流失解決方案構建根因與解決方案知識庫用戶反饋智能助手03用戶試用活動安排即將上市的產品給到試用用戶，讓用戶在真實的環境下根據自己需求去使用產品，對產品提出意見和建議，保證上市版本的用戶體驗。全球范圍 4000+人什么是用戶試用活動用戶試用規模用戶試用活動運營壓力大人力人力不足不足n人少n兼職時效性無時效性無保障保障n詢問量大，無法及時回復n國際市場要跨時區答復質量答復質量不高不高n品類繁多無法很好回答每個產品的問題n外語問題，無法很好答復。24小時智能客服 建立全產品知識庫，全面解答用戶問題 查詢同類問題的

8、解決狀態 根據咨詢內容自動生成反饋智能客服基礎架構數據知識Chunk向量模型清洗切分切分向量化向量化離線在線向量數據庫Prompt向量模型向量化相似檢索請求篩選&排名背景知識注入模板輸入大模型返回智能問答六大優化步驟智能問答效果智能問答效果提升提升0101數據識別與清洗數據識別與清洗0202知識切割知識切割與整理與整理0606效果評估效果評估0505二次篩選二次篩選0303用戶意圖理解用戶意圖理解0404數據檢索數據檢索通過智能反饋，進行信息的雙向整理和傳遞問答信息匯總問題生成信息整理問題解決知識庫是否問題查重JIRA智能助手是否標注并提交反饋模塊JIRA工具+1通知研發用戶反饋助手多專家架構

9、（MOE）意圖路由JIRA數據智能助手用戶反饋智能助手其他加速用戶與研發之間信息流動速度工程師用戶經驗總結04數據工程是重中之重全面數據驅動全面數據驅動(多模態多模態)拓寬模型的認知邊界 提升模型的泛化能力高質量數據深度學習高質量數據深度學習 確保模型的準確性和可靠性確保模型的準確性和可靠性 促進模型的優化和改進促進模型的優化和改進實時數據智能控制實時數據智能控制 適應快速變化的現實世界適應快速變化的現實世界 提升模型的競爭力和價值提升模型的競爭力和價值數據工程數據工程 AI降本增效范式專家賦能模式專家賦能模式專家員工15%30%50%AI+AI+智能化質量管理的未來智能化質量管理發展的趨勢智能化質量管理發展的趨勢強調預測性與預防性強調預測性與預防性人機協作的深化人機協作的深化深度融合多技術深度融合多技術持續學習與自適應持續學習與自適應全面智能化與自動化全面智能化與自動化質量生態系統的協同質量生態系統的協同感謝聆聽關注公眾號