本發(fā)明涉及大模型，具體為一種基于運(yùn)維行業(yè)大模型的智能建單的方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，運(yùn)維行業(yè)的作用日益凸顯。運(yùn)維工程師需要負(fù)責(zé)監(jiān)控和管理it基礎(chǔ)設(shè)施，確保系統(tǒng)的穩(wěn)定性、安全性和高效性。然而，隨著it系統(tǒng)的復(fù)雜性不斷增加，運(yùn)維工作量也在不斷加大，對(duì)運(yùn)維人員的要求也越來(lái)越高。因此，如何利用大數(shù)據(jù)和人工智能技術(shù)，實(shí)現(xiàn)自動(dòng)化、智能化建立運(yùn)維工單，成為當(dāng)前運(yùn)維行業(yè)亟待解決的問(wèn)題。

2、傳統(tǒng)的運(yùn)維工單建立方式主要依靠人工，需要運(yùn)維工程師手動(dòng)收集故障信息、分析問(wèn)題原因、制定解決方案，并建立工單。這種方式存在以下問(wèn)題：一是效率低下，尤其是在面對(duì)大量運(yùn)維問(wèn)題時(shí)，需要耗費(fèi)大量時(shí)間和人力；二是容易出錯(cuò)，人工處理過(guò)程中難免會(huì)出現(xiàn)疏漏和錯(cuò)誤；三是缺乏標(biāo)準(zhǔn)化，不同工程師的處理方式和標(biāo)準(zhǔn)可能存在差異，導(dǎo)致服務(wù)質(zhì)量參差不齊。

3、為了解決上述問(wèn)題，開(kāi)始探索利用大數(shù)據(jù)和人工智能技術(shù)，實(shí)現(xiàn)運(yùn)維工單的自動(dòng)化、智能化建立。目前，已有一些研究者和企業(yè)在此方面取得了一定的成果。例如，一些企業(yè)利用機(jī)器學(xué)習(xí)算法，對(duì)運(yùn)維數(shù)據(jù)進(jìn)行挖掘和分析，實(shí)現(xiàn)了對(duì)運(yùn)維問(wèn)題的自動(dòng)識(shí)別和處理。然而，這些方法普遍存在以下不足：一是模型精度較低，尤其是對(duì)于復(fù)雜運(yùn)維場(chǎng)景的識(shí)別和處理；二是模型泛化能力較差，難以適應(yīng)不同類型、不同規(guī)模的運(yùn)維場(chǎng)景；三是缺乏對(duì)運(yùn)維行業(yè)特點(diǎn)的深入挖掘和針對(duì)性建模。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于運(yùn)維行業(yè)大模型的智能建單的方法及系統(tǒng)，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于運(yùn)維行業(yè)大模型的智能建單的方法，所述方法包括以下步驟：

3、步驟1，收集工單系統(tǒng)的工單列表；

4、步驟2，對(duì)收集的工單列表進(jìn)行清洗、整合和標(biāo)準(zhǔn)化處理，形成模型微調(diào)所需數(shù)據(jù)集；

5、步驟3，選擇預(yù)訓(xùn)練模型，利用數(shù)據(jù)集對(duì)其進(jìn)行微調(diào)訓(xùn)練，并輸出微調(diào)后的模型；

6、步驟4，使用微調(diào)后的模型執(zhí)行預(yù)測(cè)工單分類的任務(wù)；

7、步驟5，通過(guò)模型分類結(jié)果自動(dòng)識(shí)別該區(qū)域的運(yùn)維組及運(yùn)維人員；

8、步驟6，調(diào)用大模型推理返回工單標(biāo)題；

9、步驟7，實(shí)現(xiàn)系統(tǒng)集成過(guò)程。

10、優(yōu)選的，步驟1的具體操作包括：

11、實(shí)現(xiàn)與工單系統(tǒng)的交互，開(kāi)發(fā)restful?api接口，獲取工單系統(tǒng)的數(shù)據(jù)，收集的數(shù)據(jù)是近3年工單列表，包括工單標(biāo)題、工單問(wèn)題描述、工單分類名、運(yùn)維項(xiàng)目組、運(yùn)維工程師名字，api接口返回json作為數(shù)據(jù)交換格式。

12、優(yōu)選的，步驟2的具體操作包括：

13、刪除重復(fù)工單，數(shù)據(jù)集中可能存在重復(fù)記錄，重復(fù)記錄導(dǎo)致分析結(jié)果偏差，通過(guò)識(shí)別并刪除這些重復(fù)工單，確保每個(gè)工單的唯一性；無(wú)關(guān)字符處理，數(shù)據(jù)集中包含換行符、制表符無(wú)關(guān)字符，字符對(duì)數(shù)據(jù)分析并無(wú)實(shí)際意義，刪除這些無(wú)關(guān)字符，提高數(shù)據(jù)集的整潔度和可用性；分類信息補(bǔ)全，數(shù)據(jù)集中的工單分類名稱未取到，是因?yàn)閿?shù)據(jù)采集過(guò)程中的錯(cuò)誤或數(shù)據(jù)源本身的問(wèn)題，在這種情況下，補(bǔ)全不完整的分類信息，以保證數(shù)據(jù)集的分類準(zhǔn)確性和一致性。

14、優(yōu)選的，步驟3具體包括：

15、3.1使用bert算法進(jìn)行訓(xùn)練，設(shè)置預(yù)訓(xùn)練模型train_model為bert-base-chinese,并設(shè)置模型路徑model_path,該路徑是保存模型訓(xùn)練完成后的保存模型參數(shù)和結(jié)構(gòu)的地方；

16、3.2設(shè)置模型參數(shù)，batch_size為一次訓(xùn)練過(guò)程中用于梯度更新的一組樣本的數(shù)量，設(shè)置為32，number_of_epochs為模型進(jìn)行訓(xùn)練的迭代次數(shù)，設(shè)置為5，num_labels為工單分類的類別，參數(shù)為442；

17、3.3使用adamw優(yōu)化器對(duì)bert模型的參數(shù)進(jìn)行優(yōu)化，設(shè)計(jì)微調(diào)策略，設(shè)定初始學(xué)習(xí)率為5e-5，權(quán)重衰減系數(shù)，設(shè)置為0.01，一階和二階矩估計(jì)的衰減率β1和β2，設(shè)置為0.9和0.999，小數(shù)值穩(wěn)定性常數(shù)ε，通常設(shè)置為1e-6；

18、3.4設(shè)置模型檢查點(diǎn)，使用tensorflow的tf.train.checkpoint?api來(lái)管理模型的檢查點(diǎn)；

19、3.5對(duì)步驟2中整理好的數(shù)據(jù)集進(jìn)行劃分，將80％的樣本數(shù)據(jù)作為訓(xùn)練集，20％的樣本數(shù)據(jù)作為測(cè)試集,考慮樣本的時(shí)間分布。一般來(lái)說(shuō),將較早時(shí)期的專利樣本作為訓(xùn)練集,將較新的專利樣本作為測(cè)試集；

20、3.6啟動(dòng)模型訓(xùn)練腳本，執(zhí)行有監(jiān)督微調(diào)訓(xùn)練；

21、步驟4具體包括：

22、4.1、將步驟3.4中輸出的訓(xùn)練完成模型路徑model_path作為模型預(yù)測(cè)的路徑，執(zhí)行預(yù)測(cè)腳本，通過(guò)輸入工單問(wèn)題，得到工單分類的類別；

23、步驟5具體包括：

24、5.1、實(shí)現(xiàn)分類類別和運(yùn)維項(xiàng)目組、運(yùn)維管理人員對(duì)應(yīng)關(guān)聯(lián)，通過(guò)步驟4.1中獲取的工單分類類別，確定對(duì)應(yīng)的項(xiàng)目組及運(yùn)維管理人員的名單。

25、5.根據(jù)權(quán)利要求1所述的一種基于運(yùn)維行業(yè)大模型的智能建單的方法，其特征在于：步驟6具體包括：

26、6.1、構(gòu)建prompt文本為“根據(jù)輸入文本，用精煉的語(yǔ)言對(duì)已有信息進(jìn)行總結(jié)生成標(biāo)題。要求標(biāo)題總結(jié)簡(jiǎn)短、語(yǔ)義通順，突出文章主題，不要對(duì)內(nèi)容進(jìn)行擴(kuò)充和解釋，請(qǐng)使用中文回答，輸入文本：+work_order_description”，并拼接請(qǐng)求json，其中json請(qǐng)求格式為'{"work_order_description":"工單問(wèn)題描述"}'，將以上拼接內(nèi)容，輸入到大模型baichuan2-13b-chat，等待大模型推理完成則返回工單標(biāo)題；

27、步驟7具體包括：

28、7.1在系統(tǒng)集成過(guò)程中，設(shè)計(jì)一個(gè)用戶交互界面，以確保用戶能夠方便地使用模型提供的結(jié)果進(jìn)行決策和執(zhí)行操作，使用flask設(shè)計(jì)api接口，用戶僅需要輸入工單問(wèn)題描述，系統(tǒng)則自動(dòng)調(diào)用api接口，進(jìn)而生成工單分類、工單標(biāo)題，并自動(dòng)將工單分配給相應(yīng)的運(yùn)維人員。

29、一種基于運(yùn)維行業(yè)大模型的智能建單系統(tǒng)，所述系統(tǒng)由工單收集模塊、工單預(yù)處理模塊、模型微調(diào)模塊、任務(wù)執(zhí)行模塊、識(shí)別模塊、推理模塊以及集成模塊組成；

30、工單收集模塊，用于收集工單系統(tǒng)的工單列表；

31、工單預(yù)處理模塊，用于對(duì)收集的工單列表進(jìn)行清洗、整合和標(biāo)準(zhǔn)化處理，形成模型微調(diào)所需數(shù)據(jù)集；

32、模型微調(diào)模塊，用于選擇預(yù)訓(xùn)練模型，利用數(shù)據(jù)集對(duì)其進(jìn)行微調(diào)訓(xùn)練，并輸出微調(diào)后的模型；

33、任務(wù)執(zhí)行模塊，用于使用微調(diào)后的模型執(zhí)行預(yù)測(cè)工單分類的任務(wù)；

34、識(shí)別模塊，用于通過(guò)模型分類結(jié)果自動(dòng)識(shí)別該區(qū)域的運(yùn)維組及運(yùn)維人員；

35、推理模塊，用于調(diào)用大模型推理返回工單標(biāo)題；

36、集成模塊，用于實(shí)現(xiàn)系統(tǒng)集成過(guò)程。

37、優(yōu)選的，所述工單收集模塊，實(shí)現(xiàn)與工單系統(tǒng)的交互，開(kāi)發(fā)restful?api接口，獲取工單系統(tǒng)的數(shù)據(jù)，收集的數(shù)據(jù)是近3年工單列表，包括工單標(biāo)題、工單問(wèn)題描述、工單分類名、運(yùn)維項(xiàng)目組、運(yùn)維工程師名字，api接口返回json作為數(shù)據(jù)交換格式。

38、優(yōu)選的，所述工單預(yù)處理模塊，刪除重復(fù)工單，數(shù)據(jù)集中可能存在重復(fù)記錄，重復(fù)記錄導(dǎo)致分析結(jié)果偏差，通過(guò)識(shí)別并刪除這些重復(fù)工單，確保每個(gè)工單的唯一性；無(wú)關(guān)字符處理，數(shù)據(jù)集中包含換行符、制表符無(wú)關(guān)字符，字符對(duì)數(shù)據(jù)分析并無(wú)實(shí)際意義，刪除這些無(wú)關(guān)字符，提高數(shù)據(jù)集的整潔度和可用性；分類信息補(bǔ)全，數(shù)據(jù)集中的工單分類名稱未取到，是因?yàn)閿?shù)據(jù)采集過(guò)程中的錯(cuò)誤或數(shù)據(jù)源本身的問(wèn)題，在這種情況下，補(bǔ)全不完整的分類信息，以保證數(shù)據(jù)集的分類準(zhǔn)確性和一致性。

39、優(yōu)選的，所述模型微調(diào)模塊，具體包括：

40、3.1使用bert算法進(jìn)行訓(xùn)練，設(shè)置預(yù)訓(xùn)練模型train_model為bert-base-chinese,并設(shè)置模型路徑model_path,該路徑是保存模型訓(xùn)練完成后的保存模型參數(shù)和結(jié)構(gòu)的地方；

41、3.2設(shè)置模型參數(shù)，batch_size為一次訓(xùn)練過(guò)程中用于梯度更新的一組樣本的數(shù)量，設(shè)置為32，number_of_epochs為模型進(jìn)行訓(xùn)練的迭代次數(shù)，設(shè)置為5，num_labels為工單分類的類別，參數(shù)為442；

42、3.3使用adamw優(yōu)化器對(duì)bert模型的參數(shù)進(jìn)行優(yōu)化，設(shè)計(jì)微調(diào)策略，設(shè)定初始學(xué)習(xí)率為5e-5，權(quán)重衰減系數(shù)，設(shè)置為0.01，一階和二階矩估計(jì)的衰減率β1和β2，設(shè)置為0.9和0.999，小數(shù)值穩(wěn)定性常數(shù)ε，通常設(shè)置為1e-6；

43、3.4設(shè)置模型檢查點(diǎn)，使用tensorflow的tf.train.checkpoint?api來(lái)管理模型的檢查點(diǎn)；

44、3.5對(duì)步驟2中整理好的數(shù)據(jù)集進(jìn)行劃分，將80％的樣本數(shù)據(jù)作為訓(xùn)練集，20％的樣本數(shù)據(jù)作為測(cè)試集,考慮樣本的時(shí)間分布。一般來(lái)說(shuō),將較早時(shí)期的專利樣本作為訓(xùn)練集,將較新的專利樣本作為測(cè)試集；

45、3.6啟動(dòng)模型訓(xùn)練腳本，執(zhí)行有監(jiān)督微調(diào)訓(xùn)練；

46、任務(wù)執(zhí)行模塊，將步驟3.4中輸出的訓(xùn)練完成模型路徑model_path作為模型預(yù)測(cè)的路徑，執(zhí)行預(yù)測(cè)腳本，通過(guò)輸入工單問(wèn)題，得到工單分類的類別；

47、識(shí)別模塊，具體包括：

48、5.1、實(shí)現(xiàn)分類類別和運(yùn)維項(xiàng)目組、運(yùn)維管理人員對(duì)應(yīng)關(guān)聯(lián)，通過(guò)步驟4.1中獲取的工單分類類別，確定對(duì)應(yīng)的項(xiàng)目組及運(yùn)維管理人員的名單。

49、優(yōu)選的，所述推理模塊，具體包括：

50、6.1、構(gòu)建prompt文本為“根據(jù)輸入文本，用精煉的語(yǔ)言對(duì)已有信息進(jìn)行總結(jié)生成標(biāo)題。要求標(biāo)題總結(jié)簡(jiǎn)短、語(yǔ)義通順，突出文章主題，不要對(duì)內(nèi)容進(jìn)行擴(kuò)充和解釋，請(qǐng)使用中文回答，輸入文本：+work_order_description”，并拼接請(qǐng)求json，其中json請(qǐng)求格式為'{"work_order_description":"工單問(wèn)題描述"}'，將以上拼接內(nèi)容，輸入到大模型baichuan2-13b-chat，等待大模型推理完成則返回工單標(biāo)題；

51、集成模塊，具體包括：

52、7.1在系統(tǒng)集成過(guò)程中，設(shè)計(jì)一個(gè)用戶交互界面，以確保用戶能夠方便地使用模型提供的結(jié)果進(jìn)行決策和執(zhí)行操作，使用flask設(shè)計(jì)api接口，用戶僅需要輸入工單問(wèn)題描述，系統(tǒng)則自動(dòng)調(diào)用api接口，進(jìn)而生成工單分類、工單標(biāo)題，并自動(dòng)將工單分配給相應(yīng)的運(yùn)維人員。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

54、本發(fā)明提出的基于運(yùn)維行業(yè)大模型的智能建單的方法及系統(tǒng)，通過(guò)運(yùn)用大數(shù)據(jù)和人工智能技術(shù)，實(shí)現(xiàn)了對(duì)運(yùn)維行業(yè)故障報(bào)修、設(shè)備巡檢等環(huán)節(jié)的自動(dòng)化建單，大幅提高了工作效率。以往人工處理此類工作時(shí)，常常需要投入大量時(shí)間，且易出現(xiàn)漏單、錯(cuò)單等問(wèn)題。而本發(fā)明則通過(guò)智能識(shí)別和自動(dòng)建單，提高了處理速度，從而提升了整體的運(yùn)維效率。

55、通過(guò)對(duì)海量數(shù)據(jù)的深度學(xué)習(xí),形成了豐富的知識(shí)庫(kù)和決策模型,能夠?yàn)檫\(yùn)維管理者提供全面、準(zhǔn)確的數(shù)據(jù)支持和決策參考。管理者可以更好地把握運(yùn)維狀況,制定更加科學(xué)合理的運(yùn)維策略和規(guī)劃,提高了運(yùn)維管理水平和決策效能。

56、基于運(yùn)維行業(yè)大模型，能夠?qū)Ω黝惞收虾驮O(shè)備問(wèn)題進(jìn)行精準(zhǔn)識(shí)別和分類，避免了人工判斷的主觀性和不確定性。通過(guò)智能分析，本發(fā)明能夠根據(jù)故障現(xiàn)象自動(dòng)匹配相應(yīng)的解決方案和工單類型，確保了建單的準(zhǔn)確性和處理的針對(duì)性。