华为AI能力的赋能0912

华为AI能力的赋能0912，接诉即办，是指建立群众诉求快速响应机制，街道办事处对职责范围内的事项实行“接诉即办”。街道办事处对市民服务热线、媒体曝光、互联网及第三方评估机构等反映的市民合理合法诉求，应当及时受理，属于其职责范围内的，接诉即办；对于跨地区、跨部门的事项，负责统筹调度市、区人民政府职能部门及公共服务企业办理。

华为AI能力赋能

• 定义
  • 接诉即办，是指建立群众诉求快速响应机制，街道办事处对职责范围内的事项实行“接诉即办”。街道办事处对市民服务热线、媒体曝光、互联网及第三方评估机构等反映的市民合理合法诉求，应当及时受理，属于其职责范围内的，接诉即办；对于跨地区、跨部门的事项，负责统筹调度市、区人民政府职能部门及公共服务企业办理。
• 目的
  • 通过结合华为AI能力对联勤联动（接诉即办）业务模块能力的补充与提升
    • 对接华为AI能力，通过对上报事件的事件描述识别推荐事件大小类、名称、主题、列管对象、事发地址，以及对事件分拨处置方式，相同事件并案拆案等的智能解析，实现对基层人员的工作减负
• 自然语言（NLP）的应用
  • 华为能力介绍
    • 基础能力
      • 初级：语音转文字
        • 支持普通话解析
        • 支持常用的地方言解析（尽量支持）
      • 高级：语义解析（不确定有没有）
        • 支持根据用户的模糊描述，整理成一个描述清晰准确的一段推荐性的文字
    • 提供模型
      • 工单话题挖掘模型
        • 针对工单描述的内容，挖掘内容中包含的话题并给话题打标签。
      • 工单责任主体挖掘模型
        • 针对工单描述的内容，挖掘内容中涉及到的责任主体。
      • 工单查重模型
        • 针对工单描述的内容，结合历史工单，进行相似度识别，发现重复工单。
  • 应用场景
    • 基础能力
      • 语音转文字
        • 描述
          • 语音转文字是指将口语或音频文件转换成文字形式的过程。使用人工智能技术，如语音识别和自然语言处理，来识别和理解口语内容，并将其转换成文字。
        • 设计思路
          • 在事件描述的文本框内设计一个麦克风按钮
          • 点击麦克风按钮开始录音,显示音量动画,提示用户语音输入提示等
          • 录音结束后显示转录结果。
        • 举例
          • 在事件上报时，用户可通过对着设备上麦克对话的方式，将自己所描述的事件内容通过语音转文字能力的进行解析，转换成文字。
      • 语义解析（不确定有没有）
        • 描述
          • 在事件上报时，用户可通过对着设备上麦克对话的方式，将自己所描述的事件内容通过语义解析能力，整理成被润色过的，且更加清晰准确的一段文本。
        • 设计思路
          • 在事件描述的文本框内设计一个按钮：“润色/增强表达”。
          • 提供自然语言或关键词输入框,用户描述问题
          • 点击按钮：“润色/增强表达”，在加载2~5秒后，文字重新输入，转换为可读性更强的一段描述。
        • 举例
          • 如果描述者描述的内容较为模糊、不清晰或者存在明显语病、语句不通顺时，语义解析模型可以将它进行润色，转换成一段可理解、易理解的文本。
    • 模型
      • 工单话题挖掘模型
        • 给事件打标签
          • 描述
            • 在事件描述上录入信息后，通过AI算法，识别这段录入的信息的话题，通过话题关键词分析，给每个话题定义标签。
          • 原理分析
            • 1. 数据收集:收集大量的历史工单文本数据。
            • 2. 数据预处理:对文本数据进行清洗、分词等预处理。
            • 3.模型训练:使用预处理后的数据训练话题模型。
            • 4. 话题标签:通过话题关键词分析,给每个话题定义标签。
            • 5 在线应用:将训练好的模型用于新工单文本的话题提取。
          • 举例
            • 事件描述（话题）为：在石湾公园有个私人住宅侵占了公共用地。打上标签：非法侵占用地
          • 设计思路
            • 在事件描述的文本框设计一个按钮：自动打标签
            • 提供自然语言或关键词输入框,用户描述问题
            • 点击按钮后，系统会自动推荐几类标签，供用户自己选择
            • 点击标签后，该事件的标签栏下会回显所选的标签字样
      • 工单责任主体挖掘模型
        • 事件列管对象
          • 描述
            • (列管对象)通过AI算法识别问题描述关键字，自动关联同关键字对应的涉事列管对象并可查看涉事主体基本信息。
          • 原理分析
            • 1、收集大量带有责任主体标注的工单文本数据
            • 2. 对文本数据进行预处理,包括清洗、分词、词向量化等
            • 3、应用最佳模型实时预测新工单的责任主体
          • 举例
            • 事件描述为：榴苑路101号的张三包子铺检查存在食品安全问题，那责任主体信息栏就自动显示张三包子铺，并且支持修改，如果是多个，支持多选。
          • 界面设计思路
            • 在事件描述的文本框设计一个按钮：责任主体
            • 提供自然语言或关键词输入框,用户描述问题
            • 点击按钮后，系统会自动推荐几个责任主体，供用户自己选择
            • 选择完成后，该事件的责任主体信息栏下会回显所选中的责任主体
      • 工单查重模型
        • 相似工单查询
          • 描述
            • 通过比较新提交的工单与已经存在的工单，以确定它们是否相同或相似。基于工单的文本内容、字段、时间戳等信息进行比较，并根据比较结果给出相应的判断。
          • 原理分析
            • 1. 收集大量的历史工单文本数据
            • 2. 对工单文本进行预处理,包括分词、词干提取、停用词过滤等
            • 3. 根据相似度阈值,判定文本是否重复
            • 4. 收集反馈标签,评估当前重复判定的准确率
            • 5. 使用阈值调优、特征工程等方式提升查准率
            • 6. 动态调整相似度阈值,降低误判率
            • 7.将查准率最高的模型部署到生产环境,对新工单进行查重
          • 举例
            • 具体来说，工单查重模型可以基于工单的标题、投诉内容、描述信息等字段进行比较。如果新提交的工单与已经存在的工单相似度较高，则可以判断为重复工单，坐席可以根据实际情况将其标记为已处理。这样，坐席人员就可以专注于处理新的用户投诉或上报的工作，提高工作效率。
          • 界面设计思路
            • 在工单页面新增一个按钮：相似工单
            • 在工单页面设计一个阀值设置功能（例如：相似度≥90的才展示）
            • 点击相似工单按钮，支持按匹配度排序,最相似结果优先显示
      • 其它
        • 事项大小类、事件名称
          • 描述
            • 在事件描述上录入信息，通过AI算法识别这段录入的信息的关键词，推荐事项类型、名称自动填充。对于无法识别的，让用户手动输入。
          • 举例
            • 事件描述：在石湾公园有个私人住宅侵占了公共用地。事项类型在没有选择的情况下，事项类型选框下能够自动填充：非法侵占土地，事件名称：非法侵占土地。
          • 界面设计思路
            • 在事件类型旁设计一个按钮：推荐事项
            • 提供事件类型的选择框,用户选择
            • 点击按钮后，系统会自动推荐几类事件类型，供用户自己选择
            • 点击推荐的类型后，该事件类型的下拉框内会自动回显所选中的值。
        • 事件事发地址
          • 描述
            • 在事件描述上录入信息，通过AI算法识别这段录入的信息仲带有地址描述的内容，推荐的地址信息自动填充。对于无法识别的，让用户手动输入。
          • 举例
            • 事件描述：事件描述：榴苑路101号的张三包子铺检查存在食品安全问题。事发地址自动填充：佛山市-禅城区-石湾镇街-榴苑路101号
          • 界面设计思路
            • 在事件类型旁设计一个按钮：事项地址
            • 提供自然语言或关键词输入框,用户描述问题
            • 点击按钮后，系统会在事发地址的输入框内自动填充上地址信息
• 图计算（GES）的应用
  • 能力解读
    • 潜在敏感事件挖掘预警模型
      • 华为能力介绍
        • 通过【潜在敏感事件挖掘预警模型】去对历史工单进行分析，结合事件潜在关联，基于图谱算法，能够考虑多维信息，从时间、空间、关联事件等多方位深度分析。通过监测实时数据来检测类似的特征和模式，当系统检测到可能存在潜在敏感事件的迹象时，会触发相应的预警机制，以便相关部门或个人能够采取适当的措施。
      • 原理分析
        • 1、布控：明确预警目的和范围,聚焦基层社区治安、环境卫生、群体事件等方面的风险。
        • 2、收集社区网格员、居委会的信息报告,以及警务系统、民政系统的数据支持建模。
        • 3、应用自然语言处理技术,识别信息报告中的风险要素。
        • 4、评估社区风险的影响因素,可以考虑人口结构、资源分布等因素。
        • 5、建立风险评估框架,可以考虑使用一定的评分模型。
        • 6、合理设置预警阈值,区分不同风险等级。
        • 7、预警：提供预警结果的可视化呈现,辅助基层干部更好地利用模型。
      • 案例说明
        • 某社区近期发生一起致命的女孩溺水事件。通过分析社区网格员近期的文字报告，识别到社区内有几处无人看管的水塘存在一定的溺水风险。 于是风险预警模型对这几处水塘周边区域提出了预警,评估为中级风险。社区工作人员看到预警后,在这些水塘周边张贴了警示标识,并组织开展针对儿童的防溺水安全宣教活动。
      • 案例解读
        • 当虹系统的工单：某社区近期发生一起致命的女孩溺水事件
        • 分析的依据：社区网格员近期的文字报告
        • 华为需要提供的：给事发水塘或周边地区发出预警、打上标签（中级风险）
        • 治理方案：张贴警示标识，并组织开展针对儿童的防溺水安全宣教活动。
      • 界面设计思路
        • 布控
          • 1、选择需要布控的区域范围
          • 2、选择需要布控的事项类型
        • 预警
          • 列表
            • 以列表或卡片形式展示已发出的预警事件,支持按严重程度、发布时间等对预警进行筛选排序。
          • 详情
            • 显示单个预警事件的具体信息，如当事人、分析报告、风险级别、相关预警历史等。
    • 异常事项与流程的分析
      • 退单推诿模式分析的模型
        • 华为能力介绍
          • 工单在流转过程中的推诿较难被快速发现，导致工单闭环慢，民意满意度低，通过对人工智能分析挖掘，能够发现某类常被退单的问题的典型退单模式，从而优化退单率。
        • 分析原理
          • 1、收集退单的数据
          • 2、利用文本分析技术,识别退单内容中的退单推诿特征词汇
          • 3、构建分类模型,根据描述内容判定其是否属于退单推诿行为
          • 4、收集基层部门业务流程和期限数据,分析哪些环节和情形容易发生退单。
          • 5、关联部门事项数据和举例数据,识别容易引起退单的事项类型
          • 6、提供分析报告,帮助基层部门发现自身工作中的风险点。
        • 案例说明
          • 某区民政局办理殡葬补贴业务存在退单现象,系统收集了近3个月的相关投诉内容。文本分析发现针对“补贴标准不合理”“材料复杂”“流程繁琐”等词频较高。 关联民政局的业务数据发现,正常办理周期为10天,但部分案例拖期至15天才办结。数据显示拖期案例多发生在申请人条件复杂的案例上。 结合模型分析,判断该局在殡葬补贴业务中,存在申请条件和材料过于复杂,以及个别复杂案例审批拖期的风险。 针对该风险点,民政部门进行业务优化,简化申请材料,并对复杂案例加派人手,规范了业务流程,退单量有所减少。
        • 案例解读
          • 当虹系统的工单：某区民政局办理殡葬补贴业务存在退单
          • 分析的依据：文本分析发现针对“补贴标准不合理”“材料复杂”“流程繁琐”等词频较高。
          • 华为需要提供的：判断该局在殡葬补贴业务中,存在申请条件和材料过于复杂,以及个别复杂案例审批拖期的风险。
          • 治理方案（目的）：民政部门进行业务优化,简化申请材料,并对复杂举例加派人手,规范了业务流程,退单量有所减少。
        • 界面设计思路
          • 退单工单列表
            • 以列表形式展示退单信息,支持文本搜索查询。其中事项类型要高亮展示。
          • 退单工单统计
            • 展示不同时间/地区/类别的退单统计数据,支持导出报表。
          • 退单工单统计分析
            • 以数据看板形式概览分析结果,显示退单数量、主要推诿类型分布等关键指标
      • 权责交叉部门发现模型
        • 含义解释
          • 指两个或两个以上机构之间的职能范围重叠,界限模糊,互相交织,责任不清的一种现象。
        • 华为AI能力解读
          • 通过对工单要素关联关系的分析挖掘，找出对应时间内（以工单受理时间为准，当月、当年）经常发生推诿的多个部门，根据部门交叉的严重程度，做从高到底的排序（严重程度会根据交叉部门的数量、涉及交叉的工单数量、交叉结构复杂度决定）
        • 设计思路
          • 1、收集涉及多个部门的工单办理数据,识别业务流程中存在交叉节点的事项类型
          • 2、利用文本分析技术,识别这些事项类型所涉及的部门。
          • 3、构建部门之间的关联网络图（即部门之间的关联关系图）。
          • 4、分析部门网络图的结构，发现权责不清的交叉部门。
        • 举例说明
          • 张先生申请低保补贴,流程需要经过民政部门审批后,发放到公安部门的代发站领取。投诉显示在这个流程中存在申请材料在不同部门间传递不畅通的问题。 基于业务数据分析,发现民政和公安部门之间的低保补贴资料传递平均需要5天时间,存在明显的延迟。关联两部门历史业务数据后发现,交叉部门网络中民政和公安的关联度比较低,说明两部门之间协同性较差。 针对该问题,模型评估结果提示可以改善民政和公安在低保补贴业务中的协同机制，明确数据共享标准，增加联络员沟通频率,并加快建设信息互通平台。
        • 案例解读
          • 当虹系统的工单：张先生申请低保补贴，发现办理流程中存在申请材料在不同部门间传递不畅通的问题。
          • 分析的依据：投诉显示在这个流程中存在申请材料在不同部门间传递不畅通的问题。
          • 华为需要提供的：民政和公安的关联度比较低。
          • 治理方案（目的）：模型评估结果提示可以改善民政和公安在低保补贴业务中的协同机制，明确数据共享标准，增加联络员沟通频率,并加快建设信息互通平台。
        • 界面设计思路
          • 权责交叉的工单列表
            • 以列表形式展示权责交叉的工单信息,支持文本搜索查询。其中权责交叉的责任部门要高亮展示。
          • 权责交叉的工单统计
            • 展示不同时间/地区/类别的权责交叉的工单统计数据,支持导出报表。
          • 权责交叉的统计分析
            • 以数据看板形式概览分析结果,显示权责交叉的工单数量、主要交叉的部门和部门所在区域分布等关键指标
    • 相似疑难工单推荐
      • 华为能力介绍
        • 对于历史样本量少的工单（如疑难工单），一般算法模型较难推荐出相似的处置举例，基于图谱的算法能够考虑多维度深层关联关系，通过嵌入图的结构信息等特征进行分析推荐，给出疑难工单的相似举例推荐，辅助客户更好的处理疑难工单。
      • 分析原理
        • 1. 收集大量历史工单数据,构建工单知识图谱
        • 2. 对新提交的疑难工单,使用文本分析等方法提取关键要素,映射到图谱节点
        • 3. 在图谱中为该工单找到与关键要素相似的历史工单
        • 4. 计算这些历史工单与当前工单的相似度,作为候选推荐工单
        • 5. 利用图计算算法,综合节点相似度、边关系等进行排序
        • 6. 返回与当前工单最相似的多个历史工单,提供处理参考
        • 7. 提供可解释性,明确相似推荐的依据
      • 举例说明
        • 假设现在接收到一个市民反映的工业废气污染工单,主要要素包括: - 投诉人:张先生 - 问题:XX化工厂废气严重 - 地点:阳光化工园区 1. 在工单知识图谱中,定位到该投诉人、问题和地点相关的节点 2. 匹配图谱中历史工单中包含这些节点的工单 3. 计算候选工单与当前工单在文本词向量、地理位置、事件属性等方面的相似度 4. 综合多个相似度指标,对候选工单进行排序 5. 返回与当前工单最相似的2个历史工单 6. 明确相似的依据,如双方问题描述文本相似度达到80% 7. 工作人员参考返回的相似工单进行处理
      • 案例解读
        • 当虹系统的工单：张先生反映l 一个疑难工单：工业废弃污染。
        • 分析的依据：工单反应的问题内容和事发地点。
        • 华为需要提供的：返回与当前工单最相似的2个历史工单。
        • 治理方案（目的）：工作人员参考返回的相似工单进行处理。
      • 界面设计思路
        • 在疑难工单的详情页面新增一个按钮：相似工单
        • 在疑难工单管理页面设计一个阀值设置功能（例如：相似度≥90的才展示）
        • 点击相似工单按钮，支持按匹配度排序,最相似结果优先显示
    • 工单要素高维关系深度关联
      • 华为能力介绍
        • 对应时间下，相关话题的多维度关联、涉及处置部门、主体等多维度关系分析与呈现
      • 分析原理
        • 1. 定义工单要素节点:投诉人、问题描述、地理位置等不同要素抽象为节点。
        • 2. 要素属性丰富:每个要素节点增加更多属性,形成高维特征。如投诉人年龄、职业等。
        • 3. 建立初级关系:初步连接要素间基础关系,如“投诉人-提交-问题”。
        • 4. 构建深度关联:在基础图上,进一步融合外部知识,建立更多关联。如“问题-相似-历史举例”。
        • 5. 关系类型丰富:新增更多关系类型,描述节点间的语义联结。如“部门-管理-地区”。
        • 6. 导入新知识:持续从外部导入新的实体及关系,增强图谱表达能力。
        • 7. 图计算推理:在图上进行可视化、路径搜索、模式匹配等计算,辅助决策。
      • 举例说明
        • 举例:受理一起学生家长的交通投诉工单 1. 定义节点:投诉人李女士、问题“XX路口交通堵塞”,地点“XX路口” 2. 增加属性:李女士(年龄、子女信息),问题(严重程度、问题持续时间) 3. 建立基础关系:李女士-提出->问题,问题-发生地点->地点 4. 深度关联:李女士-家长-所在学校-学生通勤诉求,地点-负责路段-交警部门-值班记录 5. 新增关系:交警部门-管理-该路段,路段-存在-交通瓶颈 6. 导入新节点:导入交通事件记录,和问题建立关联 7. 图计算:找到学校周边的重点道路瓶颈
      • 案例解读
        • 当虹系统的工单：受理一起学生家长的交通投诉工单。
        • 分析的依据：
          • 李女士的属性
          • 问题描述和事发地点
          • 交通部门信息和交通事件记录信息
        • 华为需要提供的
          • 生成关系图谱
          • 找到学校周边的重点道路瓶颈。
        • 治理方案（目的）：找到学校周边的重点道路瓶颈。
      • 界面设计思路
        • 1. 案件概览页:显示该案件的基本信息、进展时间线、关键工单等,详情页。
        • 2. 工单列表页:列出该案件涉及的全部工单信息,支持条件过滤、排序。
        • 3. 工单详情页:展示单个工单的所有要素,如当事人、事件、处理内容等。
        • 4. 关联分析页:采用关系图等可视化呈现工单要素间的复杂关联关系。
        • 5. 关联配置区:设置关联度量指标、关联规则、节点/边的显示属性等。
        • 6. 多维交互:支持按时间顺序、事件关联等不同维度拖拽、缩放关系图节点。
        • 7. 关联聚焦:点击单个节点,高亮显示其一度、二度关联实体。
        • 8. 关联报告:生成工单要素关联分析报告,支持导出PDF等格式。
    • 集中投诉案件问题及影响挖掘分析
      • 华为能力介绍
        • 单一类别的集中投诉工单所包含信息往往受提出人个体感知的局限性影响，无法对完整事件进行还原，后期需要借助大量的人力调研，周期长，通过挖掘分析深度的关联关系，推理集中投诉工单表面所述问题下的潜在事项（问题和影响），便于事件的尽早解决，定点加强对应现象的管控。对集中投诉案件基于深度分析，查找投诉原因、集中规律、投诉影响，分析处置效果，对集中投诉工单进行聚类分析
      • 设计思路
        • 1. 收集历史投诉案件数据,包含案件描述、影响范围等字段
        • 2. 使用自然语言处理技术,提取案件文本中的问题特征词汇
        • 3. 对案件进行分类,形成案件类别,如环境污染、交通投诉等
        • 4. 对每个案件类别进行单独的词频分析,识别该类案件的高频关键问题
        • 5. 通过地理编码、行政区划等技术分析案件空间分布情况
        • 6. 按区域聚合案件,分析每个区域的重点问题所在
        • 7. 结合政府统计数据,评估每个重点问题的社会影响指标
        • 8. 构建问题-区域-影响的三元组知识图谱,形成问题影响知识库
      • 举例说明
        • 假设在上海市浦东区,接收到区民反映的一条投诉案件: 案件描述:居民区附近的一家小型电镀厂排放的废气严重,导致附近居民头晕头疼。 1. 从案件文本中提取到“电镀”“废气”“头晕头疼”作为问题特征词汇。 2. 初步划分类别为“工业废气污染”类案件。 3. 在该类案件的词频分析中,“废气”、“头晕”词频较高,判定为该类案件的共性问题。 4. 地理编码分析表明该案件位于浦东区工业园区附近区域。 5. 查阅该区域历史案件,发现“工业废气污染”类案件分布较集中。 6. 综合统计数据,评估该区域由此类问题可导致的健康影响指数。 7. 将该案件与问题“工业废气污染”、区域“浦东区工业园区”、影响“健康影响较大”建立关联。 8. 当接收到该区域新案件时,可以基于关联结果快速评估案件影响。
      • 案例解读
        • 当虹系统的工单：居民区附近的一家小型电镀厂排放的废气严重,导致附近居民头晕头疼。
        • 分析的依据：
          • 案件文本中提取到“电镀”“废气”“头晕头疼”作为问题特征词汇。
          • 地理编码分析表明该案件位于浦东区工业园区附近区域。
        • 华为需要提供的
          • 综合统计数据,评估该区域由此类问题可导致的健康影响指数。
          • 查阅该区域历史案件,发现“工业废气污染”类案件分布较集中。
        • 治理方案（目的）：
          • 将该案件与问题“工业废气污染”、区域“浦东区工业园区”、影响“健康影响较大”建立关联。
          • 当接收到该区域新案件时,可以基于关联结果快速评估案件影响。
      • 界面设计思路
        • 1. 案件概览页:展示该案件的基本信息,如案件时间、地区、涉及品类等。
        • 2. 投诉分析入口:在概览页加入“投诉分析”的入口按钮,点击后进入分析页面。
        • 3. 投诉内容分析:词频统计图,显示热点词和主要议题。
        • 4. 投诉分布分析:地图和表格展示投诉的时间和地域分布。
        • 5. 用户分析:堆叠柱状图显示不同用户群体的投诉情况。
        • 6. 情感分析:面积图显示投诉文本的情感倾向分布。
        • 7. 交互过滤:可以通过地区、时间、投诉内容等进行交互过滤分析。
        • 8. 生成报告:汇总以上分析成可导出的报告。