智能化服务管理过程使能关键技术 pdf下载

一个组织“服务水平”的高低反映了其综合竞争力，而智能化服务管理是实现高质量服务水平的重要抓手。《智能化服务管理过程使能关键技术》面向智能化服务管理，围绕服务组合所面临的多种适配问题，从过程使能角度出发，论述过程挖掘、过程差异检测、智能服务组合、智能化任务分配等过程管理关键技术在智能服务管理中的实现和应用。《智能化服务管理过程使能关键技术》共6章，第1和2章介绍智能服务管理过程使能技术的概况和一些基本概念；第3～6章着重介绍四种智能服务管理过程使能关键技术的实现和应用，分别为基于语义分析的服务过程挖掘技术、服务过程差异检测技术、智能服务组合技术，以及复杂服务的智能化任务分配技术。

目录
前言
第1章 概述 1
1.1 智能服务管理 1
1.1.1 服务与服务管理 1
1.1.2 智能化服务管理 3
1.2 过程使能技术 5
1.2.1 业务过程管理 5
1.2.2 复杂服务系统过程使能技术面临的挑战 7
1.3 本书主要内容 9
参考文献 14
第2章 服务过程表示方法 16
2.1 基于控制结构的服务过程表示方法 16
2.1.1 业务过程建模符号 16
2.1.2 Petri网 17
2.1.3 树形结构 19
2.2 基于自然语言描述的服务过程表示方法 21
参考文献 23
第3章 基于语义分析的服务过程挖掘技术 24
3.1 服务事件抽取模型 24
3.1.1 基于OOD检测的历史服务事件分类方法 25
3.1.2 基于自编码器的新服务事件聚类方法 33
3.2 服务事件摘要模型 40
3.2.1 关键词摘要模型 40
3.2.2 基于语义角色标注的服务事件摘要模型 62
3.2.3 服务事件摘要的语义一致性检测 65
3.3 服务事件关系提取模型 77
3.4 服务事件序列一致性检测模型：以电信客服服务流程为例 93
参考文献 105
第4章 服务过程差异检测技术 113
4.1 服务过程定量差异计算 113
4.1.1 相关概念介绍 114
4.1.2 服务过程间定量差异计算方法 119
4.1.3 实验评估 125
4.2 基于编辑序列的服务过程差异检测 133
4.2.1 相关概念介绍 133
4.2.2 基于编辑序列的服务过程差异检测方法 135
4.2.3 实验评估 138
4.3 服务过程差异可视化技术 143
4.3.1 差异模式表示 144
4.3.2 基于差异模式的服务过程差异可视化检测方法 148
4.3.3 差异可视化用例学习 158
4.4 基于差异检测的服务适配过滤技术 164
4.4.1 面向服务过程优化的适配过滤 165
4.4.2 服务过滤用例学习 168
参考文献 170
第5章 智能服务组合技术 172
5.1 服务自动组合技术 172
5.1.1 服务组合问题的描述 172
5.1.2 服务组合问题研究现状 174
5.1.3 服务自动组合与服务功能链优化 175
5.2 基于过程行为的推荐交互式组合技术 180
5.2.1 基于过程行为的推荐交互式组合技术整体框架 180
5.2.2 推荐交互式过程建模方法 182
参考文献 187
第6章 复杂服务的智能化任务分配技术 189
6.1 复杂服务任务分配概述 189
6.2 服务需求量预测技术 190
6.2.1 相关概念介绍 190
6.2.2 基于自注意力机制的分时预测模型 193
6.2.3 实验评估 200
6.3 服务水平预测技术 211
6.3.1 呼叫中心服务过程建模 211
6.3.2 基于队列论的服务水平预测方法 212
6.3.3 基于数据驱动的服务水平预测方法 219
6.3.4 实验评估 236
6.4 多约束条件下的高效任务*优分配技术 245
6.4.1 多约束条件下的任务分配问题 245
6.4.2 多约束条件下的任务分配问题的一般解决方法 246
6.4.3 多约束条件下的任务分配问题：以电信呼叫中心排班为例 246
6.4.4 任务*优分配模型 248
6.5 电信呼叫中心排班系统 253
6.5.1 系统需求分析 253
6.5.2 系统架构 254
6.5.3 基于Web的排班管理系统 256
参考文献 258

第1章 概述
　　随着信息技术与现代服务业的深度融合，服务提供者提供的服务数量不断增长，新的服务模式也不断涌现，而传统服务管理方式已无法适应当前高度开放的动态的复杂服务环境，导致服务重用性降低，且难以进行有效的跨域服务组合适配和任务*优分配。近年来深度学习等人工智能（artificial intelligence，AI）技术的突破为智能服务管理在企业中的应用奠定了基础，越来越多的企业利用AI技术实现数据洞察和贯通，完成服务的高效复用和服务间的实时协同，进而达到降本增效的目的。本章首先围绕智能服务管理的演变过程对相关基础概念进行介绍和梳理，然后介绍过程使能技术产生的背景以及在智能服务管理中的角色和意义。
　　1.1 智能服务管理
　　作为基础性和变革性的资源，人工智能和大数据（big data）技术在现代服务业领域快速发展。为给用户提供更加个性化和精准化的优质服务，企业需要围绕所提供的各类服务，从系统和业务等多个层面进行高效和精细化的管理，进而促使自身从传统服务管理向智能化服务管理转变。
　　1.1.1 服务与服务管理
　　服务作为日常生活中经常使用的术语有着广泛的表达，在各学科领域也有着相应的含义和引申。本书关注的服务含义涉及两方面内容，即经济学和信息学。
　　服务的经济学意义体现在服务提供者和消费者交互过程中产生的商品的非物质等价物[1]，通俗的理解即在满足用户基本需求的基础上，能额外提供的附加服务价值。例如，网购平台除了满足用户的商品搜索服务外，能够进一步为用户提供个性化的商品推荐智能服务，方便用户快速准确地找到自己感兴趣的商品，这就是平台为用户带来的服务价值。从这个角度来讲，人们常说的智能服务（smart service）就是一种特殊类型的服务，是依赖于大数据和AI技术产生的信息技术（information technology， IT）服务，用IT技术手段为用户提供附加价值。
　　服务的信息学意义体现在它将用户、服务流程以及技术手段有效结合和封装，并通过服务等级协议（service level agreement，SLA）来约定服务双方的服务类别、成本、性能、可扩展性等信息。表1.1展示了一个服务提供者所开发微服务（session service）的SLA示例，SLA项是该服务提供者对消费者的正式承诺。
　　综上，本书所讨论的服务是指具备上述经济学和信息学意义的服务，其表现形式可以是一个通过技术手段实现的细粒度Web服务，如利用人工智能算法实现的在线商品推荐服务，也可以是由具体人员参与并配合相应技术手段完成的一项复杂大粒度服务，如由申请、审核、复核等细粒度服务编排完成的财务报销流程服务。
　　与实体产品相比，服务具有非实体性、同步性、差异性和易逝性等特点[2]，所以面向服务业的管理方法应有别于传统行业的管理方法。大量事实证明，采用传统实体行业过分强调降低成本和规模经济的方式对服务企业实施管理，会造成员工士气低落、客户需求变化被忽视、服务质量（quality of service，QoS）下降、*终企业利润降低等问题[3]。一方面信息技术和服务业的融合不断催生新型服务，另一方面制造业中的制造技术和产品功能等也不断趋同化，市场竞争如今已进入了服务竞争的时代。为了在激烈的市场竞争中获得持久的优势，各类企业必须去了解和管理顾客关系中的服务要素。考虑到建立在物质生产基础上的传统管理方法在服务竞争中的有效性受到限制，适合于服务特性的方法即“服务管理”应运而生[3]。
　　服务管理包括服务决策管理、服务运营管理、服务质量管理、服务流程管理等主要内容。其中，营销、运营和人的行为被认为是服务管理的核心[4]，它们具体体现在服务流程改进、日常服务工作调度、服务需求预测等服务管理主题中。因此，企业组织具体实施服务管理时，一般应按图1.1所示结构来构建服务管理体系，它是由服务管理职责，服务资源管理，服务实现，服务测量、分析和改进等四个关键方面所构成的循环过程，并把与顾客接触作为控制和改进这个循环过程的核心[5]。
　　服务管理涉及经济学、管理学、信息学等多个学科交叉的内容。本书侧重于信息学，更确切地说，是从计算机软件工程角度来探讨IT技术在服务管理中的重要角色和方法原理。事实上，从2003年开始，在国际电气与电子工程师协会（Institute of Electrical and Electronics Engineers，IEEE）的推动下，服务和计算正式确认联系在一起，“服务计算”作为一门新学科正式诞生[6]。本书接下来所讨论的服务管理内容属于服务计算的核心内容，是关于如何运用服务组合等面向服务架构（service oriented architecture， SOA）的技术以及大数据和AI方法来提升企业服务竞争力的技术原理和实践。
　　1.1.2 智能化服务管理
　　随着人们受教育程度和收入水平的提高，消费结构逐渐升级，人们的消费能力提升，消费观念也趋于理性化，而且人们越来越看重产品背后的服务价值。传统企业间由产品新、技术高、成本低等质量特征来定位的产品竞争也逐步走向服务水平高低的比拼。同时随着现代服务业的蓬勃发展，新的技术和服务类型不断涌现。服务环境从封闭走向开放，服务场景从单一变得跨界多样，服务业务日趋复杂，服务系统规模不断扩展。
　　由于受限于静态封闭服务环境、应用场景简单和规模相对较小，以及计算硬件和算法处理能力弱等实际问题，传统服务管理技术在开放动态环境下面临如下缺陷：①只能支持同类型的服务匹配以及组合，缺乏对新类型服务的支持；②对服务的接口-语法层面的适配有相对严格的定义和适配检测机制，只能刻画服务的部分静态语义特征，但是对服务动态语义和行为层面的适配缺乏系统的支持，无法建立全面的服务画像；③服务建模方法过于复杂，需要大量的人工设计，难以适应开放复杂的应用场景，难以处理海量异构的服务实例。
　　因此，传统的服务管理技术无法很好地适应新开放动态环境下的市场服务需求，导致企业对市场的响应不够迅速和精准。事实上，快速精准的服务响应已经被很多企业认为是服务生命周期管理（service lifecycle management）中的*高优先级。如何恰当地解决顾客投诉，并快速降低任何产品或服务质量问题带来的影响，是众多企业组织亟待解决的难题。
　　这是日常生活中的一个真实场景。假设某用户家里的网络出现问题，如网速变慢，有时甚至上不了网。该用户打电话给电信运营商，获知需要等待2天时间技术人员才能上门检查，这时根据用户的耐心程度或对网络需求的紧急程度，一个非常不开心的客户体验可能就此开始。但如果运营商能够在用户拨通电话投诉问题时就迅速识别其意图，并从后台自动提取用户的网络配置、流量使用情况以及问题描述进行综合建模，进而得出90%概率是网线连接故障的初步诊断，同时告知该用户技术服务专员会在1小时内赶到其住所进行解决，这种类型的服务才是用户想要的。从这个场景中很容易看出服务系统能够迅速从用户语言描述中捕获用户投诉意图，客服可以利用服务系统提供的信息帮助用户快速有效地推断问题所在，系统可以在恰当的时间将正确的业务信息告知技术服务专员以便提供精准服务。这样看似简单的服务过程却蕴含了管理和业务人员、服务流程、服务系统和智能算法等多方力量的协同工作。例如，用户意图识别需要涉及语音识别和自然语言理解，错误诊断需要用到结构化的网络配置信息和非结构的错误现象描述综合分析算法，技术服务专员指派需要根据服务网点的人员时空特性进行动态规划和安排。现实世界的服务场景往往更加复杂，如不同的用户有不同的服务需求、不同服务人员能力水平不一、服务环境随着时间和空间等因素会变化等。因此，为相对简单场景设计的传统服务管理技术无法有效实现这种开放复杂环境下大量异构服务间的耦合互联、动态匹配，需要引入智能服务适配的全新思路。
　　得益于近年来大数据技术和深度学习的进展，人工智能算法在图像识别、自然语言理解、语音识别等领域的应用有效性得到了空前提高，很多场景下利用AI算法可以获得接近甚至超过人类的表现。2018年昆士兰大学的生物统计学专家Brian Lovell提出很多大型数据库上运行的人脸识别系统的识别准确率高达99%，而人类通常难以达到这么高的准确率[7]。2019年世界肺癌大会上，哈佛医学院副教授Hugo Aerts做了题为“AI在肺癌领域的状况：准备好实现了吗？”的报告[8]。他提出目前正处于AI赶上人类的交汇点上，并通过具体放疗案例展示了基于深度学习算法的AI肿瘤读片准确率已快赶上人类专家，更重要的是，人类专家做出这样的判断需要1～2小时，而AI只需要几秒。这些人工智能新技术的应用，配合微服务、服务组合、流程编排等SOA技术，使得企业实施智能化服务管理成为可能。
　　通过智能化服务管理，企业组织可以实现“智慧”服务系统（smart service system），即该组织的服务系统能够基于其所获取或处理的数据进行学习，并动态自适应地制定策略来改进对未来环境的响应[9]。
　　1.2 过程使能技术
　　服务是过程而不是物件[10]，服务质量的高低体现在服务提供者和消费者的交互过程中。过程使能技术就是面向服务交互过程的一系列IT技术，针对各类细粒度服务，利用服务需求建模、服务画像以及服务发现技术，进行服务过程的发现、表示、合规、改进以及相应的任务分配，进而帮助企业通过制定有效的符合市场需求的服务过程来提升企业服务水平。本书将重点讨论过程使能技术在智能化服务管理中的具体原理、方法和应用。
　　1.2.1 业务过程管理
　　业务过程（business process）在工作流管理系统（workflow management system，WFMS）中也称为工作流（workflow）[11]，是指为完成特定服务或产品的一系列相关活动的集合。在当代企业中，不论是向顾客销售商品、与经销商合作还是协调组织员工间的任务，业务过程是企业产品、服务和品牌得以保证的基石，是一个企业组织得以运行的*基本支撑。成功的企业大多通过业务过程协调或组合企业内部各资源（人员、设备、系统等）来支持目标的实现。
　　业务过程管理（business process management，BPM）则是观察和控制业务过程的一种系统的、有效的方法，它利用一系列技术手段将业务过程可视化、自动化，并结合一定的策略对过程中的业务活动、任务以及执行结果进行改进，进而完成一定的业务目标。为应对服务系统复杂化的趋势并给客户提供实时有效的业务支持，企业BPM在*近几年逐渐朝着智能业务过程管理（intelligent BPM，iBPM）的方向发展，即通过集成实时分析和其他技术（如社交网络计算、移动计算、大数据驱动的AI等）到过程中，不仅给过程参与者或管理者提供更加实时的势态感知，还使得他们能够更加恰当地应对即将出现的业务风险或机会[12]。
　　业务过程管理生命周期（BPM lifecycle）可归结为四个阶段（图1.2）[13]，即业务过程发现（business process discovery）、业务过程建模（business process modeling）、业务过程实施（business process implementation）、业务过程优化（business process optimization）。
　　（1）业务过程发现：该阶段主要解决的问题是如何发现企业运转中的真实信息流、事件流和控制流。大多数情况下，企业会聘请相关顾问管理公司或领域专家对组织内部进行流程评估，即搞清楚当前企业实际流程的工作方式与状况，例如，哪些流程可以自动化？需要什么样的参与者？当前流程的哪个环节存在瓶颈？然后配合导入相关管理方法（如六西格玛）进行流程再造。该阶段的输出结果将作为后续其他阶段的基础。
　　（2）业务过程建模：该阶段在狭义上是指基于前期调研发掘结果，对预期的业务过程中的信息、事件及控制走向进行具体的设计，包括流程图、业务规则、触发事件、电子表单等的制定。广义上还包含对所建模流程的仿真与分析，以便在流程具体实施前