用于自动化支持服务的方法和系统与流程

用于自动化支持服务的方法和系统
1.相关申请的交叉引用
2.该国际申请要求保护于2020年11月17日提交的美国非临时申请no.16/950,289的权益，其全部的公开内容通过引用明确地并入本文。
技术领域
3.本技术大体涉及用于自动化支持服务的方法和系统，并且尤其涉及用于通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法和系统。


背景技术：

4.许多商业实体必须运行包括众多计算设备和众多网络系统的巨大计算基础设施来进行商业活动。为了管理这些巨大的计算基础设施中固有的技术问题，商业实体提供支持服务以帮助用户识别并解决这些技术问题。历史上，由人类操作者提供的支持服务在操作效率和用户体验方面取得了不同程度的成功。
5.使用由人类操作者提供的常规支持服务的一个缺点是，在许多情况下，所提交的服务票证的快速增加将使支持系统不堪重负。结果，在充足的时间范围内不能解决关键的技术问题，导致操作低效和负面地影响用户体验。另外，由于人类操作者的使用，传统的服务票证通常包括问题的自然语言描述。因此，传统的计算机自动化技术常常是无效的和不可靠的。
6.因此，需要一种可扩展自动化支持服务，该可扩展自动化支持服务利用诸如机器学习等人工智能技术来自动识别并自动解决自然语言服务指令中的问题。


技术实现要素：

7.本公开通过其各个方面、实施例和/或特定特征或子组件中的一个或多个，尤其提供了用于通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的各种系统、服务器、设备、方法、媒介、程序和平台。
8.根据本公开的一个方面，公开了一种用于通过利用人工智能来提供自动化支持服务的方法。该方法可以由至少一个处理器来实施。该方法包括：经由图形用户接口从用户接收至少一个指令；通过使用语法分析来剖析至少一个指令；通过使用至少一个模型从剖析的至少一个指令识别至少一个因子，至少一个因子可以包括指令上下文和指令情绪中的至少一个；将至少一个指令与对应于该至少一个因子的类别相关联；通过使用至少一个模型，来确定是否能够基于至少一个因子和类别自动地解析至少一个指令；以及基于确定的结果发起至少一个动作。
9.根据示例性实施例，至少一个指令可以涉及与问题和任务中的至少一个相对应的支持服务查询。
10.根据示例性实施例，当从用户接收到至少一个指令时，该方法还可包括编译状态数据，该状态数据可包括网络数据、存储数据、服务器数据、应用程序数据和本地机器数据
中的至少一个；以及将状态数据与至少一个指令相关联。
11.根据示例性实施例，该方法还可以包括通过使用至少一个模型基于预定规则和至少一个因子识别至少一个自助资源，该至少一个自助资源可以包括教学视频、教学电子文档和超链接中的至少一个；响应于至少一个指令，经由通信接口向用户发送至少一个自助资源；以及利用与所识别的至少一个自助资源相关的信息来更新至少一个指令。
12.根据示例性实施例，该方法还可以包括通过使用至少一个模型，基于至少一个因子确定是否需要实时代理来解析至少一个指令；基于确定的结果，经由通信接口向实时代理发送至少一个指令；以及经由通信接口从实时代理接收至少一个指令已被解析的指示，该指示可以包括实时代理动作。
13.根据示例性实施例，该方法还可以包括通过使用至少一个模型来识别至少一个新指令，该至少一个新指令可以包括与该至少一个因子等效的新因子；以及发起实时代理动作以解析至少一个新指令。
14.根据示例性实施例，该方法还可以包括通过使用至少一个模型来确定是否需要来自用户的附加信息以自动地解析至少一个指令；以及基于确定的结果，经由通信接口向用户发送通知，该通知可以包括请求附加信息的电子邮件通知。
15.根据示例性实施例，该方法还可以包括生成支持票证，该支持票证可以涉及用户和支持提供者之间的交互；生成识别符；以及将识别符和至少一个指令与支持票证相关联。
16.根据示例性实施例，至少一个模型可以包括机器学习模型、数学模型、过程模型和数据模型中的至少一个。
17.根据示例性实施例，语法分析可包括至少一种自然语言处理技术，该至少一种自然语言处理技术与计算机软件对自然语言的自动操纵有关。
18.根据本公开的一个方面，公开了一种计算设备，该计算设备被配置为执行用于通过利用人工智能来提供自动化支持服务的方法。计算设备包括：处理器；存储器；以及通信接口，该通信接口耦合到处理器和存储器中的每一个，其中处理器被配置为经由图形用户接口从用户接收至少一个指令；通过使用语法分析来剖析至少一个指令；通过使用至少一个模型从所剖析的至少一个指令识别至少一个因子，该至少一个因子可以包括指令上下文和指令情绪中的至少一个；将至少一个指令与对应于至少一个因子的类别相关联；通过使用至少一个模型来确定是否能够基于至少一个因子和类别来自动地解析至少一个指令；以及基于确定的结果发起至少一个动作。
19.根据示例性实施例，至少一个指令可以涉及与问题和任务中的至少一个相对应的支持服务查询。
20.根据示例性实施例，处理器还可以被配置为当从用户接收到至少一个指令时编译状态数据，该状态数据可以包括网络数据、存储数据、服务器数据、应用程序数据和本地机器数据中的至少一个；以及将该状态数据与至少一个指令相关联。
21.根据示例性实施例，处理器可以还被配置为通过使用至少一个模型基于预定规则和至少一个因子来识别至少一个自助资源，该至少一个自助资源可以包括教学视频、教学电子文档和超链接当中的至少一个；响应于该至少一个指令，经由通信接口向用户发送至少一个自助资源；以及利用与所识别的至少一个自助资源相关的信息来更新至少一个指令。
22.根据示例性实施例，该处理器还可以被配置为通过使用至少一个模型，基于该至少一个因子确定是否需要实时代理来解析该至少一个指令；基于确定的结果，经由通信接口向实时代理发送该至少一个指令；以及经由通信接口从实时代理接收至少一个指令已被解析的指示，该指示可以包括实时代理动作。
23.根据示例性实施例，该处理器还可以被配置为通过使用至少一个模型来识别至少一个新指令，该至少一个新指令可以包括与该至少一个因子等效的新因子；以及发起实时代理动作以解析至少一个新指令。
24.根据示例性实施例，该处理器还可以被配置为通过使用该至少一个模型来确定是否需要来自用户的附加信息以自动地解析至少一个指令；以及基于确定的结果，向用户发送通知，该通知可以包括请求附加信息的电子邮件通知。
25.根据示例性实施例，处理器还可以被配置为生成支持票证，支持票证可以涉及用户与支持提供者之间的交互；生成识别符；以及将识别符和至少一个指令与支持票证相关联。
26.根据示例性实施例，该至少一个模型可以包括机器学习模型、数学模型、过程模型和数据模型中的至少一个。
27.根据示例性实施例，该语法分析可包括至少一种自然语言处理技术，该自然语言处理技术与计算机软件对自然语言的自动操纵有关。
附图说明
28.在以下详细描述中，参考所提到的多个附图，通过本公开的优选实施例的非限制性示例来进一步描述本公开，其中在附图的若干视图中，相同的符号表示相同的元件。
29.图1示出了示例性计算机系统。
30.图2示出了网络环境的示例性示图。
31.图3示出了用于实施通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法的示例性系统。
32.图4是用于实施通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法的示例性过程的流程图。
33.图5是示出根据示例性实施例的预测工作流的图，该预测工作流可用于实现通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法。
34.图6是示出根据示例性实施例的工作流的遥测图表，该工作流可用于实现通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法。
具体实施方式
35.通过本公开的各个方面、实施例和/或具体特征或子组件中的一个或多个，旨在产生如上文具体描述和下文指出的一个或多个优点。
36.示例还可以被体现为一个或多个非暂时性计算机可读媒介，该非暂时性计算机可读介质具有存储在其上的指令，这些指令用于如通过本文的示例所描述和图示的本技术的一个或多个方面。在一些示例中，指令包括可执行代码，当由一个或多个处理器执行时，该可执行代码使得处理器执行实施本文描述和示出的本技术的示例方法所必需的步骤。
37.图1是根据本文所述实施例使用的示例性系统。总体示出了系统100，并且该系统100可以包括概括地指示的计算机系统102。
38.计算机系统102可以包括指令组，该指令组可以被执行以使计算机系统102单独地或与其他描述的设备组合地执行本文公开的任何一个或多个方法或基于计算机的功能。计算机系统102可以作为独立设备运行，或者可以连接到其他系统或外围设备。例如，计算机系统102可以包括任何一个或多个计算机、服务器、系统、通信网络或云环境，或者被包括在任何一个或多个计算机、服务器、系统、通信网络或云环境中。更进一步地，指令可以在这样的基于云的计算环境中运行。
39.在联网部署中，计算机系统102可以作为服务器、或作为服务器-客户端用户网络环境中的客户端用户计算机运行、在云计算环境中作为客户端用户计算机运行，或在对等(或分布式)网络环境中作为对等计算机系统运行。计算机系统102或其部分可以被实现为或包含到各种设备中，诸如个人计算机、平板计算机、机顶盒、个人数字助理、移动设备、掌上计算机、手提计算机、台式计算机、通信设备、无线智能电话、个人信任设备、可穿戴设备、全球定位卫星(gps)设备、网络装置或能够执行指定该机器要采取的动作的指令组(顺序的或以其他方式的)的任何其他机器。此外，虽然示出了单个计算机系统102，但是附加实施例可以包括单独地或联合地执行指令或执行功能的系统或子系统的任何集合。在本公开中，术语“系统”应当被理解为包括系统或子系统的任何集合，该系统或子系统的任何集合单独地或联合地执行一个或多个指令组以执行一个或多个计算机功能。
40.如图1所示，计算机系统102可以包括至少一个处理器104。处理器104是有形的和非暂时性的。如本文所使用的，术语“非暂时性”不应被解释为状态的永久特性，而应被解释为将持续一段时间的状态的特性。术语“非暂时性”明确地否认短暂的特性，例如特定载波或信号的特性，或在任何时间在任何地方仅短暂存在的其它形式。处理器104是工业制品和/或机器组件。处理器104被配置为执行软件指令以便实现如本文的各种实施例中描述的功能。处理器104可以是通用处理器，或者可以是专用集成电路(asic)的一部分。处理器104还可以是微处理器、微型计算机、处理器芯片、控制器、微控制器、数字信号处理器(dsp)、状态机器或可编程逻辑设备。处理器104还可以是逻辑电路，包括诸如现场可编程门阵列(fpga)的可编程门阵列(pga)，或者包括分立门和/或晶体管逻辑的另一类型的电路。处理器104可以是中央处理单元(cpu)、图形处理单元(gpu)或两者兼有。另外，本文描述的任何处理器可包含多个处理器、并行处理器或两者兼有。多个处理器可以包括在单个设备或多个设备中，或者耦合到单个设备或多个设备。
41.计算机系统102还可以包括计算机存储器106。计算机存储器106可以包括通信中的静态存储器、动态存储器或两者兼有。本文描述的存储器是可以进行存储数据和可以执行指令的有形存储介质，并且在指令存储于其中的期间是非暂时性的。再次，如本文所使用的，术语“非暂时性”不应被解释为状态的永久特性，而是解释为将持续一段时间的状态的特性。术语“非暂时性”明确地否认短暂的特性，例如特定载波或信号的特性，或在任何时间在任何地方仅短暂存在的其它形式。存储器是工业制品和/或机器组件。本文描述的存储器是计算机可读介质，计算机可以从该计算机可读介质读取数据和可执行指令。如本文所述的存储器可以是随机存取存储器(ram)、只读存储器(rom)、闪存、电可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、寄存器、硬盘、高速缓存、可移动硬盘、磁
带、光盘只读存储器(cd-rom)、数字多功能盘(dvd)、软盘、蓝光盘或本领域已知的任何其它形式的存储介质。存储器可以是易失性或非易失性的、安全的和/或加密的、不安全的和/或未加密的。当然，计算机存储器106可以包括存储器的任何组合或单个存储装置。
42.计算机系统102还可以包括显示器108，诸如液晶显示器(lcd)、有机发光二极管(oled)、平板显示器、固态显示器、阴极射线管(crt)、等离子体显示器或任何其他类型的显示器，其示例是本领域技术人员公知的。
43.计算机系统102还可以包括至少一个输入设备110，诸如键盘、触敏输入屏或平板电脑、语音输入、鼠标、具有无线小键盘的遥控设备、耦合到语音识别引擎的麦克风、诸如摄像机或静态摄像机之类的摄像机、光标控制设备、全球定位系统(gps)设备、高度计、陀螺仪、加速度计、接近传感器或其任何组合。本领域技术人员可以理解，计算机系统102的各种实施例可以包括多个输入设备110。此外，本领域技术人员还理解，上面列出的示例性输入设备110并不意味着是穷举的，并且计算机系统102可以包括任何附加的或替代的输入设备110。
44.计算机系统102还可以包括介质读取器112，该介质读取器112被配置为从本文描述的任何存储器读取任何一个或多个指令组，例如软件。当由处理器执行时，指令可以用于执行一个或多个如本文所述的方法和过程。在特定实施例中，在由计算机系统102执行期间，指令可完全或至少部分地驻留于存储器106、介质读取器112和/或处理器110内。
45.此外，计算机系统102可以包括任何附加设备、组件、部件、外围设备、硬件、软件或其任何组合，这些设备、组件、部件、外围设备、硬件、软件或其任何组合通常已知并被理解为包括在计算机系统内，诸如但不限于网络接口114和输出设备116。输出设备116可以是但不限于扬声器、音频输出、视频输出、遥控输出、打印机或其任何组合。
46.计算机系统102的每个组件可以经由总线118或其他通信链路互连和通信。如图1所示，每个组件可以通过内部总线互连和通信。然而，本领域技术人员可以理解，任何组件也可通过扩展总线连接。此外，总线118可以经由任何标准或其他通常已知和理解的规范来实现通信，所述标准或规范诸如但不限于外围组件互连、外围组件互连快速、并行高级技术附连、串行高级技术附连等。
47.计算机系统102可以经由网络122与一个或多个附加计算机设备120通信。网络122可以是，但不限于，局域网、广域网、因特网、电话网络、短距离网络、或本领域中公知和理解的任何其它网络。短距离网络可以包括例如蓝牙、物联网(zigbee)、红外、近场通信、超宽带或其任意组合。本领域技术人员可以理解，可以附加地或替换地使用已知和理解的附加网络122，并且示例性网络122不是限制性或穷举的。此外，虽然网络122在图1中被示为无线网络，但是本领域技术人员可以理解，网络122也可以是有线网络。
48.图1中将附加计算机设备120示为个人计算机。然而，本领域技术人员应理解，在本技术的替代实施例中，计算机设备120可以是手提计算机、平板pc、个人数字助理、移动设备、掌上计算机、台式计算机、通信设备、无线电话、个人信任设备、网络装置、服务器或任何其他设备，该任何其他设备能够顺序地或以其他方式执行指定该设备要采取的动作的指令组。当然，本领域技术人员应理解，上面列出的设备仅仅是示例性设备，并且设备120可以是本领域中公知和理解的任何附加设备或装置，而不脱离本技术的范围。例如，计算机设备120可以与计算机系统102相同或相似。此外，本领域技术人员类似地理解，该设备可以是设
备和装置的任何组合。
49.当然，本领域技术人员应当理解，计算机系统102的上述组件仅仅是示例性的，而不是穷举的和/或包括性的。此外，以上列出的组件的示例也意味着是示例性的，并且类似地不意味着是穷举的和/或包括性的。
50.根据本公开的各种实施例，本文描述的方法可以使用执行软件程序的硬件计算机系统来实施。此外，在示例性的、非限制性的实施例中，实施方式可以包括分布式处理、组件/对象分布式处理和并行处理。虚拟计算机系统处理可以被构造为实现如本文所述的一个或多个方法或功能，并且本文所述的处理器可以用于支持虚拟处理环境。
51.如本文所述，各种实施例提供了用于通过利用人工智能来识别和解决自然语言服务指令中的问题而提供自动化支持服务的优化方法和系统。
52.参考图2，示出了示例性网络环境200的示意图，该示例性网络环境200的示意图用于实施通过使用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法。在示例性实施例中，该方法可在任何联网的计算机平台上执行，例如个人计算机(pc)。
53.通过利用人工智能识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法，可以由自动化支持服务管理(assm)设备202来实施。assm设备202可与图1所述的计算机系统102相同或相似。assm设备202可存储一个或多个包括可执行指令的应用程序，当由assm设备202执行时，该可执行指令使assm设备202执行动作，例如发送、接收或处理网络消息，以及执行下面参考附图描述和说明的其它动作。一个或多个应用程序可被实现为其它应用程序的模块或组件。此外，一个或多个应用程序可以被实现为运行系统扩展、模块、插件等。
54.更进一步，一个或多个应用程序可以在基于云的计算环境中运行。一个或多个应用程序可以在一个或多个虚拟机或一个或多个虚拟服务器内执行，或者作为一个或多个虚拟机或一个或多个虚拟服务器执行，一个或多个虚拟机或一个或多个虚拟服务器可以在基于云的计算环境中被管理。而且，应用程序，并且甚至assm设备202本身，可位于在基于云的计算环境运行的虚拟服务器中，而不是连接到一个或多个特定物理网络计算设备。而且，该应用程序可在assm设备202上执行的一个或多个虚拟机(vm)中运行。另外，在本技术的一个或多个实施例中，在assm设备202上运行的虚拟机可由系统管理程序管理或监督。
55.在图2的网络环境200中，assm设备202经由一个或多个通信网络210耦合到主持多个数据库206(1)-206(n)的多个服务器设备204(1)-204(n)和耦合到多个客户端设备208(1)-208(n)上。assm设备202的通信接口，例如图1的计算机系统102的网络接口114，可操作地在assm设备202、服务器设备204(1)-204(n)和/或客户端设备208(1)-208(n)之间耦合和通信，这些设备都通过通信网络210耦合在一起，尽管以其它类型和/或数量的连接和/或配置连接到其它设备和/或元件的其它类型和/或数量的通信网络或系统也是可能的。
56.一个或多个通信网络210可与图1所述的网络122相同或相似，尽管assm设备202、服务器设备204(1)-204(n)和/或客户端设备208(1)-208(n)可通过其它拓扑结构耦合在一起。另外，网络环境200可包括其它网络设备，其它网络设备诸如一个或多个路由器和/或交换机，例如，它们在本领域中是公知的，因此在此将不进行描述。该技术提供了许多优点，包括方法、非暂时性计算机可读媒介和assm设备，其有效地实施了通过利用人工智能识别和
解析自然语言服务指令中的问题来提供自动化支持服务的方法。
57.仅作为示例，一个或多个通信网络210可包括一个或多个局域网(lan)或一个或多个广域网(wan)，并且可使用以太网上的tcp/ip和工业标准协议，尽管也可使用其它类型和/或数量的协议和/或通信网络。在该示例中，一个或多个通信网络210可以采用任何适当的接口机制和网络通信技术，包括例如任何适当形式(例如语音、调制解调器等)的长途通信业务、公共交换电话网络(pstn)、基于以太网的分组数据网络(pdn)、以及它们的组合等。
58.assm设备202可以是独立设备或与一个或多个其它设备或装置集成，例如一个或多个服务器设备204(1)-204(n)。在一个具体的例子中，assm设备202可包括服务器设备204(1)-204(n)之一或由其主持，其它布置也是可能的。此外，assm设备202的一个或多个设备可在相同或不同的通信网络中，包括例如一个或多个公共、专用或云网络。
59.多个服务器设备204(1)-204(n)可以与图1所述的计算机系统102或计算机设备120相同或相似，包括关于其所述的任何特征或特征组合。例如，服务器设备204(1)-204(n)中的任何一个可以包括一个或多个处理器、存储器和通信接口，其通过总线或其他通信链路耦合在一起，尽管可以使用其他数量和/或类型的网络设备。在该示例中，服务器设备204(1)-204(n)可根据例如基于http和/或javascript对象表示法(json)协议处理通过通信网络210从assm设备202接收的指令，尽管也可使用其它协议。
60.服务器设备204(1)-(204)可以是硬件或软件，或者可以表示在池中具有多个服务器的系统，该池可以包括内部或外部网络。服务器设备204(1)-204(n)主持数据库206(1)-206(n)，该数据库206(1)-206(n)被配置为存储数据，该数据与服务指令、识别符、状态数据、机器学习模型、已完成动作和自助资源相关。
61.尽管服务器设备204(1)-204(n)被示为单个设备，但是服务器设备204(1)-204(n)中的每一个服务器设备的一个或多个动作可以分布式地在一个或多个不同的网络计算设备上，这些设备一起构成服务器设备204(1)-204(n)中的一个或多个。此外，服务器设备204(1)-204(n)不限于特定配置。因此，服务器设备204(1)-204(n)可包含使用主/从方法运行的多个网络计算设备，由此服务器设备204(1)-204(n)中的一个网络计算设备运行以管理和/或协调其它网络计算设备的运行。
62.服务器设备204(1)-204(n)可以是在例如集群架构、对等架构、虚拟机或云架构内运行的多个网络计算设备。因此，本文公开的技术不应被解释为限于单个环境，并且还设想了其他配置和架构。
63.多个客户端设备208(1)-208(n)也可与图1所述的计算机系统102或计算机设备120相同或相似，包括关于其所述的任何特征或特征组合。例如，在该示例中，客户端设备208(1)-208(n)可包括任何类型的计算设备，其可通过通信网络210与assm设备202交互。因此，客户端设备208(1)-208(n)可以是例如用于主机聊天、电子邮件或语音转文本应用程序的移动计算设备、台式计算设备、手提计算设备、平板计算设备、虚拟机(包括基于云的计算机)等。在示例性实施例中，至少一个客户端设备208是无线移动通信设备，即智能电话。
64.客户端设备208(1)-208(n)可运行接口应用程序，例如标准网页浏览器或独立客户应用程序，其可提供接口以通过通信网络210与assm设备202通信，以便传送用户指令和信息。除了其它特征之外，客户端设备208(1)-208(n)还可包括显示设备，例如显示屏或触摸屏，和/或输入设备，例如键盘。
65.尽管本文描述和说明了具有assm设备202、服务器设备204(1)-204(n)、客户端设备208(1)-208(n)和通信网络210的示例性网络环境200，但也可使用其它拓扑中的其它类型和/或数量的系统、设备、组件和/或元件。应当理解，本文描述的示例的系统是出于示例性目的，因为如相关领域的技术人员将理解的，用于实现示例的特定硬件和软件的许多变型是可能的。
66.网络环境200中描述的一个或多个设备，例如assm设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n)，可被配置为在相同物理机器上作为虚拟实例操作。换句话说，assm设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n)中的一个或多个可在相同的物理设备上操作，而不是作为通过通信网络210通信的单独分开的设备。另外，可具有比图2所示的更多或更少的assm设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n)。
67.另外，在任何示例中，两个或更多个计算系统或设备可以替代系统或设备中的任何一个。因此，分布式处理的原理和优点，诸如冗余和复制，也可以根据需要被实现，以增加示例的设备和系统的鲁棒性和性能。示例还可以在使用任何合适的接口机制和通信技术以跨任何合适的网络扩展的一个或多个计算机系统上实现，包括仅作为示例的任何合适形式(例如，语音和调制解调器)的长途通信业务、无线通信网络、蜂窝状通信网络、分组数据网络(pdn)、因特网、内联网及其组合。
68.assm设备202在图3中被描述和示出为包括自动化支持服务管理模块302，尽管其可包括例如其它规则、策略、模块、数据库或应用程序。如以下将描述的，自动化支持服务管理模块302被配置为实施用于通过利用人工智能来识别和解决自然语言服务指令中的问题而提供自动化支持服务的方法。
69.图3中示出了示例性过程300，该示例性过程300用于实现一种机制，该机制通过利用图2所示的网络环境来如图3地执行，以利用人工智能识别和解决自然语言服务指令中的问题，从而提供自动化支持服务。具体地，第一客户端设备208(1)和第二客户端设备208(2)被示为与assm设备202通信。在这点上，第一客户端设备208(1)和第二客户端设备208(2)可为assm设备202的“客户端”，且在此正是描述为客户端。然而，已知并理解的是，第一客户端设备208(1)和/或第二客户端设备208(2)不必是assm设备202的“客户端”，或本文中与其相关描述的任何实体。任何另外的或可替换的关系可在第一客户端设备208(1)和第二客户端设备208(2)中的任一个或两个与assm设备202之间存在，或不存在关系。
70.此外，assm设备202被示为能够访问指令、识别符和状态数据存储库206(1)以及机器学习模型和已完成动作数据库206(2)。自动化支持服务管理模块302可以被配置为访问这些数据库，以便实施提供自动化支持服务的方法，即利用人工智能来识别和解决自然语言服务指令中的问题的方法。
71.第一客户端设备208(1)可以是例如智能电话。当然，第一客户端设备208(1)可以是本文所述的任何附加设备。第二客户端设备208(2)可以是例如个人计算机(pc)。当然，第二客户端设备208(2)也可以是本文所述的任何附加设备。
72.该过程可以经由一个或多个通信网络210来执行，该通信网络210可以如上所述地包括多个网络。例如，在示例性实施例中，第一客户端设备208(1)和第二客户端设备208(2)中的任一个或两个可通过宽带或蜂窝通信与assm设备202通信。当然，这些实施例仅仅是示
例性的，而不是限制性的或穷举的。
73.一旦被启动，自动化支持服务管理模块302便执行用于通过利用人工智能来识别和解决自然语言服务指令中的问题而提供自动化支持服务的过程。在图4中的流程图400处概括地指示了通过利用人工智能来识别和解决自然语言服务指令中的问题，从而提供自动化支持服务的示例性过程。
74.在图4的过程400中，在步骤s402，可以经由图形用户接口从用户接收指令。该指令可以涉及与问题和任务中的至少一个相对应的支持服务查询。在示例性实施例中，可以从集成图形用户接口(例如客户支持门户)以及通信信道(例如社交媒介信道、实况消息传送信道和电子邮件信道)接收指令。在另一示例性实施例中，该指令可以包括唯一识别符。该唯一识别符可用于在反馈回路内跟踪定量和定性反馈。
75.在另一示例性实施例中，该指令可以发起支持票证的创建。支持票证可以包括描述用户和服务代表之间的交互的信息。例如，当用户有问题时，用户可以经由图形用户接口提交指令。系统然后可以生成与用户和问题相关联的支持票证。服务代表可以与用户交互以解决问题，并且可以更新支持票证以包括服务代表所采取的动作。
76.在另一示例性实施例中，可以从计算平台(诸如使得能够管理企业环境中的数字工作流的云计算平台之类)接收指令。计算平台可以包括第三方计算平台，例如servicenow云计算平台以及内部开发的计算平台。如本领域普通技术人员将理解的，本技术中公开的系统可以与计算平台分开运行，以及经由被放置在软件容器中的算法以及虚拟节点上的对接器映像直接集成到计算平台中。
77.在另一示例性实施例中，当从用户接收到指令时，状态数据可以被编译。状态数据可以包括网络数据、存储数据、服务器数据、应用数据和本地机器数据中的至少一个。在另一示例性实施例中，状态数据可以表示计算环境的当前状态。状态数据可用于执行系统检查，例如网络检查、交换检查和本地机器检查。在另一示例性实施例中，状态数据可以与所接收的指令相关联。
78.在步骤s404中，可以通过使用语法分析来剖析所接收的指令。语法分析可包括自然语言处理技术，该自然语言处理技术涉及计算机软件对自然语言的自动操纵。在示例性实施例中，语法分析可结合情绪引擎。情绪引擎可以包含自然语言处理器，该自然语言处理器读取与所接收的指令相对应的环境上下文。在另一示例性实施例中，情绪引擎可以分析经剖析的指令以识别用户情绪、搜寻合适的名称、识别所讨论的产品以及推断所描述的问题发生的位置。
79.在步骤s406，可以通过使用模型从剖析的指令中识别因子。该因子可以包括指令的上下文和指令情绪中的至少一个。在示例性实施例中，因子可以包括计算得分，其总结上下文和情绪得出，例如用户害怕因子得分。例如，指令的上下文可以包括提及团队执行工作活动所必需的集成计算系统。基于该上下文，可以对指令设置更高的重要性。在另一示例中，指令的情绪可以基于对问题的描述中出现的紧急语气所包括的极度焦虑。基于该情绪，可以对指令加标记并立即升级到实时服务代表。
80.在另一示例性实施例中，模型可以包括数学模型、过程模型、数据模型和机器学习模型中的至少一个，例如用于客户体验(alice)模型的人工智能语言接口。该模型可以包含情绪引擎、实时规则引擎以及预测引擎，该预测引擎可用于基于接收到的多个指令中的趋
势的热图以及基于对收集的状态数据的取证数据库分析来预测用户影响。该模型还可包括随机模型，例如，用于对随机变化的系统建立的马尔可夫(markov)模型。在随机模型中，可以假设系统的未来状态仅取决于系统的当前状态。
81.在另一个示例性实施例中，机器学习和模式识别可以包括监督学习算法，例如，k-类聚分析、回归分析、决策树分析、随机森林分析、k-最近邻分析、逻辑回归分析等。在另一个示例性实施例中，机器学习分析技术可以包括无监督学习算法，例如先验分析、k-均值聚类分析等。在另一个示例性实施例中，机器学习分析技术可以包括强化学习算法，例如马尔可夫决策过程(markov decision process)等。
82.在另一示例性实施例中，模型可以基于机器学习算法。机器学习算法可以包括计算机在计算和解决其他问题操作中要遵循的过程和规则组中的至少一个，例如线性回归算法、逻辑回归算法、决策树算法或朴素贝叶斯算法(naive bayes algorithm)。
83.在另一示例性实施例中，模型可以包括训练模型，诸如，机器学习模型被生成以进一步在附加数据上训练。一旦训练模型被充分训练，训练模型就可以被部署到要被利用的各种连接的系统上。在另一示例性实施例中，当诸如留出法(holdout method)、k折交叉验证法(k-fold-cross-validation method)和自助法(bootstrap method)之类的模型评估方法确定训练模型的最小平方误差率、真阳性率、真阴性率、假阳性率和假阴性率在预定范围内时，训练模型可以被充分地训练。在另一示例性实施例中，训练模型可以是可操作的，即，由组织主动利用，同时继续使用新数据来训练。在另一示例性实施例中，可以使用人工神经网络技术、决策树技术、支持向量机技术、贝叶斯网络技术和遗传算法技术中的至少一种来生成模型。
84.在步骤s408，经剖析的指令可以与对应于所识别的因子的类别相关联。在示例性实施例中，类别可以涉及指令的特性。本技术中描述的系统可以利用该类别来分类多个类似的指令。例如，类别可以包括对应于电子邮件客户端的紧急问题。在另一示例性实施例中，可以基于类别生成当前问题的热图，以预测未来服务指令。例如，对应于非响应电子邮件客户端的类别的增加的热图可以示出对该特定问题的服务指令的增加。基于热图，系统可以预期将来将接收到类似的服务指令。在另一示例性实施例中，系统可以基于预期错误抢先地标记未来指令。
85.在步骤s410，可以基于所识别的因子和类别通过使用模型来确定经剖析的指令是否可以被自动解析。在示例性实施例中，模型可以利用预测引擎和实时规则引擎来确定指令中的问题可以在没有人为干扰的情况下自动解决。例如，模型可利用(诸如上下文和情绪之类)因子来确定可通过向用户发送自助资源来自动解析与语音邮件的设置有关的指令。
86.在另一示例性实施例中，模型可以利用机器学习技术，根据所检测的模式和来自模式的特性做出决策。该模型可以决定该指令可以被自动解析而无需进一步的人类交互。在另一示例性实施例中，模型可以使决策基于由商业实体建立的预定准则。如本领域普通技术人员将理解的，模型可以利用检测到的模式和预定准则的任何组合来做出确定。
87.在步骤s412，可以发起基于确定结果的动作。该动作可以对应于由模型做出的确定。例如，模型可确定自助资源最适合于解决与用户的语音邮件的设置有关的问题。基于该确定，模型可发起向用户发送关于建立语音邮件的自助资源的动作。
88.在另一示例性实施例中，可以利用实时规则引擎来响应于该指令确定适当的动
作。实时规则引擎可按需响应用户票证，向用户发送自助资源，并关闭票证。在另一示例性实施例中，实时规则引擎可以直接与用户交互以请求关于所提交问题的附加细节以及设置用户期望。实时规则引擎可管理多个指令，并通过更新支持票证来维护支持票证。
89.在另一示例性实施例中，可以通过使用模型基于预定规则和因子来识别自助资源。自助资源可以包括教学视频、教学电子文档和超链接中的至少一个。然后，响应于该指令，可以经由通信接口向用户发送自助资源。可以利用与所识别的自助资源相关的信息来更新该指令。
90.在另一示例性实施例中，可以通过使用模型基于因子来确定是否需要实时代理来解析指令。然后，指令可以基于确定的结果经由通信接口传输到实时代理。指示可以经由通信接口从实时代理接收指令已经被解析。该指示可以包括被采取来解析指令的实时代理动作。
91.在另一示例性实施例中，新指令可以通过使用模型来识别。新指令可以包括新因子，该新因子与已解析指令中的因子等效。然后，可以发起实时代理动作以解析新指令。例如，模型可以接收关于问题a的指令，该指令模型被识别为需要来自实时代理的人工干预。实时代理可以通过发起实时代理动作a并更新支持票证来解决问题。基于更新的支持票证，模型可以自动地发起实时代理动作a以解决来自其他用户的新的、进入的指令，该指令已被标记为包括问题a。
92.在另一示例性实施例中，可以通过使用模型来确定是否需要来自用户的附加信息以自动地解析指令。可以基于确定的结果经由通信接口向用户发送通知。该通知可以包括请求附加信息的电子邮件通知。在另一示例性实施例中，模型可通过以自然语言格式参加和用户的对话来向用户请求附加信息。
93.在另一示例性实施例中，可以生成支持票证。支持票证可以涉及用户与支持提供者之间的交互。在另一示例性实施例中，也可以生成识别符。识别符和指令可以与所生成的支持票证关联在一起。
94.图5是示出根据示例性实施例的预测工作流的图500，该预测工作流可用于实施通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的方法。图500可包括打开票证步骤502、决策和交互步骤504以及实时代理升级步骤506。
95.如图5所示，预测工作流开始于步骤502。在步骤502，接收来自用户的服务指令，并且可以打开对应于该指令的票证。在示例性实施例中，当票证打开时，模型可立即执行网络检查、交换检查和本地机器检查。然后，预测工作流移动到步骤504，其中模型可以与用户交互并且做出对应于指令的决策。在另一示例性实施例中，模型可确定下一动作，诸如经由图形用户接口与用户交互，以自动地更新用户的指令的状态。该模型还可以根据支持票证的计算的因子权重和情绪分析，将指令升级到操作管理者，并且将指令发布到仪表板。
96.接下来，预测工作流可以移至实时代理升级步骤506。在另一示例性实施例中，实时代理可以参与解决问题并更新支持票证。一旦更新，模型可以沿着相同的发布路径重新发起取证检查。然后，模型可以关闭已经被标示为具有类似问题的其他服务票证。该模型还可以向已经提交了类似支持票证的用户提供更新，该更新包括与解决的问题有关的信息。
97.图6是遥测图表600，该遥测图表600示出根据示例性实施例的工作流，该工作流可用于实现通过使用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持
服务的方法。
98.如图6所示，本技术中公开的系统可以包括诸如客户服务团队、客户接口、自然语言处理引擎、核心引擎和客户端侧交互机制的组件。工作流从用户与客户接口组件的图形用户接口交互以提交服务指令开始。然后，核心引擎组件累积对应于指令的所有数据馈送。核心引擎组件可以将指令和对应的数据发送到机器学习引擎。机器学习引擎可以基于对应的数据来决定该指令还不是合格的。然而，当该指令及格时，机器学习引擎将指令移动到自然语言处理引擎。
99.自然语言处理引擎可以寻找意图，并且可以针对服务指令、针对经历问题的产品、或者针对经历问题的服务向客户提供害怕因子得分。自然语言处理引擎可以使用在服务指令中的上下文来决定是处理服务指令，还是请求来自用户的附加信息。包括基于语言风格的用户意图的报告可以实时生成并发送给客户服务团队。当需要附加信息时，自然语言处理引擎可以经由客户端侧交互机制向用户请求附加细节，该机制包括例如电子邮件通知。
100.当作出处理服务指令的决策时，工作流移动到客户服务、工程规则引擎。规则引擎可确定自然语言处理上下文是否匹配已知上下文。规则引擎还可以在必要时直接与用户对话。当工程规则与自然语言处理上下文不匹配时，服务指令被发送到客户服务团队以被解析。当所述上下文阈值满足预定最小标准时，核心引擎判定服务指令的自动解析是否是可能的。
101.基于自动化确定的结果，当工程规则和自然语言处理上下文不匹配于已知解决路径时，服务指令可以被发送到客户服务团队以被解析。然而，当工程规则和自然语言处理上下文匹配已知解决路径时，可以执行“如何运行”自动化。其他可执行自动化任务可包括向用户发送自助资源、在发生改变时更新用户、将用户重定向到正确的服务组、以及传达升级。核心引擎组件还可以为客户服务团队生成执行报告。执行报告可以包括与服务指令的解析相关的信息。
102.因此，利用该技术，提供了用于通过利用人工智能来识别和解决自然语言服务指令中的问题来提供自动化支持服务的优化过程。
103.尽管已经参照几个示例性实施例描述了本发明，但是应当理解，所使用的词语是描述和说明性的词语，而不是限制性的词语。在不偏离本公开在其方面的范围和精神的情况下，在所附权利要求书的范围内可以进行改变，如目前所陈述的和修改的那样。尽管已经参考特定的装置、材料和实施例描述了本发明，但是本发明并不限于所公开的细节；相反，本发明扩展到所有功能上等同的结构、方法和用途，例如在所附权利要求的范围内。
104.例如，虽然计算机可读介质可以被描述为单个介质，但是术语“计算机可读介质”包括单个介质或多个媒介，诸如集中式或分布式数据库，和/或存储一个或多个指令组的相关联的高速缓存和服务器。术语“计算机可读介质”还应当包括任何能够存储、编码或承载指令组的介质，用于由处理器执行或使计算机系统执行本文公开的任何一个或多个实施例。
105.计算机可读介质可以包括非暂时性计算机可读介质或媒介，和/或包括暂时性计算机可读介质或媒介。在特定非限制性示例性实施例中，计算机可读介质可以包括固态存储器，诸如存储卡或容纳一个或多个非易失性只读存储器的其他封装。此外，计算机可读介质可以是随机存取存储器或其它易失性可重写存储器。另外，计算机可读介质能包括磁光
或光学介质，例如硬盘或磁带或其他存储设备，以捕获载波信号，例如通过传输介质传送的信号。因此，本公开被认为包括其中可以存储数据或指令的任何计算机可读介质或其他等同物和后继媒介。
106.尽管本技术描述了可以被实现为在计算机可读媒介中的计算机程序或代码段的具体实施例，但是应当理解，可以构造诸如专用集成电路、可编程逻辑阵列和其他硬件设备之类的专用硬件实施方式来实现本文描述的一个或多个实施例。可包括本文阐述的各种实施例的应用可广泛地包括各种电子和计算机系统。因此，本技术可以包含软件、固件和硬件实施方式或其组合。本技术中的任何内容都不应被解释为仅用软件而不是硬件来实现或能够实现。
107.尽管本说明书描述了可以在特定实施例中参考特定标准和协议实现的组件和功能，但是本公开不限于这样的标准和协议。这些标准周期性地被具有基本相同功能的更快或更有效的等同物所取代。因此，具有相同或相似功能的替换标准和协议被认为是其等同物。
108.本文所述的实施例的说明旨在提供对各种实施例的概括理解。这些说明不是要用作利用本文所述的结构或方法的装置和系统的所有元件和特征的完整描述。在阅读本公开内容后，许多其它实施例对于本领域技术人员来说是显而易见的。可以利用其他实施例并且从本公开中导出其他实施例，使得可以在不脱离本公开的范围的情况下做出结构和逻辑替换和改变。另外，这些图示仅是代表性的，并且可以不按比例绘制。图示中的某些比例可能被夸大，而其它比例可能被最小化。因此，本公开和附图应被认为是说明性的而非限制性的。
109.本公开的一个或多个实施例在本文中可以单独地和/或共同地由术语“发明”来指代，这仅仅是为了方便，而不是旨在主动地将本技术的范围限制于任何特定发明或发明概念。此外，尽管本文已经示出和描述了具体实施例，但是应当理解，被设计成实现相同或类似目的任何后续布置可替代所示的具体实施例。本公开旨在覆盖各种实施例的任何和所有后续修改或变化。在阅读了本说明书之后，上述实施例的组合以及本文未具体描述的其它实施例对于本领域技术人员将是显而易见的。
110.本公开提交的摘要，应当理解，其将不用于解释或限制权利要求的范围或含义。另外，在前述详细描述中，为了使本公开流畅，可以将各种特征分组在一起或者在单个实施例中描述。本公开不应被解释为所要求保护的实施例包括的特征比每个权利要求明确记载的特征更多。相反，如所附权利要求所反映的，发明主题可以涉及少于任何所公开的实施例的所有特征。因此，以下权利要求被并入详细描述中，其中每个权利要求独立地要求保护各自的主题。
111.以上公开的主题应被认为是说明性的而非限制性的，并且所附权利要求旨在覆盖落入本公开的真实精神和范围内的所有修改、改进和其他实施例。因此，在法律允许的最大程度上，本公开的范围由所附权利要求及其等同物的最广泛的可允许解释来确定，并且不应受到前述详细描述的约束或限制。

技术特征：
1.一种利用人工智能提供自动化支持服务的方法，所述方法由至少一个处理器实施，所述方法包括：由所述至少一个处理器经由图形用户接口从用户接收至少一个指令；由所述至少一个处理器使用语法分析来剖析所述至少一个指令；由所述至少一个处理器通过使用至少一个模型从所剖析的至少一个指令中识别至少一个因子，所述至少一个因子包括指令上下文和指令情绪中的至少一个；由所述至少一个处理器将所述至少一个指令与对应于所述至少一个因子的类别相关联；由所述至少一个处理器使用所述至少一个模型来确定是否能够基于所述至少一个因子和所述类别来自动地解析所述至少一个指令；以及由所述至少一个处理器基于所述确定的结果来发起至少一个动作。2.根据权利要求1所述的方法，其中，所述至少一个指令涉及与问题和任务中的至少一个相对应的支持服务查询。3.根据权利要求1所述的方法，还包括：当从所述用户接收到所述至少一个指令时，由所述至少一个处理器编译状态数据，所述状态数据包括网络数据、存储数据、服务器数据、应用数据和本地机器数据中的至少一个；以及由所述至少一个处理器将所述状态数据与所述至少一个指令相关联。4.根据权利要求1所述的方法，还包括：由所述至少一个处理器使用所述至少一个模型基于预定规则和所述至少一个因子来识别至少一个自助资源，所述至少一个自助资源包括教学视频、教学电子文档和超链接当中的至少一个；由所述至少一个处理器响应于所述至少一个指令经由通信接口向所述用户发送所述至少一个自助资源；以及由所述至少一个处理器利用与所识别的至少一个自助资源相关的信息来更新所述至少一个指令。5.根据权利要求1所述的方法，还包括：由所述至少一个处理器使用所述至少一个模型基于所述至少一个因子确定是否需要实时代理来解析所述至少一个指令；由所述至少一个处理器基于所述确定的结果经由通信接口向所述实时代理发送所述至少一个指令；以及由所述至少一个处理器经由所述通信接口从所述实时代理接收所述至少一个指令已被解析的指示，所述指示包括实时代理动作。6.根据权利要求5所述的方法，还包括：由所述至少一个处理器使用所述至少一个模型来识别至少一个新指令，所述至少一个新指令包括与所述至少一个因子等效的新因子；以及由所述至少一个处理器发起所述实时代理动作以解析所述至少一个新指令。7.根据权利要求1所述的方法，还包括：由所述至少一个处理器使用所述至少一个模型来确定是否需要向所述用户请求附加
信息以自动地解析所述至少一个指令；以及由所述至少一个处理器基于所述确定的结果经由通信接口向所述用户发送通知，所述通知包括请求所述附加信息的电子邮件通知。8.根据权利要求1所述的方法，还包括：由所述至少一个处理器生成支持票证，所述支持票证涉及所述用户与支持提供者之间的交互；由所述至少一个处理器生成识别符；以及由所述至少一个处理器将所述识别符和所述至少一个指令与所述支持票证相关联。9.根据权利要求1所述的方法，其中，所述至少一个模型包括机器学习模型、数学模型、过程模型和数据模型中的至少一个。10.根据权利要求1所述的方法，其中，所述语法分析包括至少一种自然语言处理技术，所述自然语言处理技术涉及计算机软件对自然语言的自动操纵。11.一种被配置为实施利用人工智能提供自动化支持服务的方法的计算设备，所述计算设备包括：处理器；存储器；以及通信接口，所述通信接口耦合到所述处理器和所述存储器中的每一个，其中，所述处理器被配置为：经由图形用户接口从用户接收至少一个指令；通过使用语法分析来剖析所述至少一个指令；通过使用至少一个模型从所剖析的至少一个指令识别至少一个因子，所述至少一个因子包括指令上下文和指令情绪中的至少一个；将所述至少一个指令与对应于所述至少一个因子的类别相关联；通过使用所述至少一个模型来确定是否能够基于所述至少一个因子和所述类别来自动地解析所述至少一个指令；以及基于所述确定的结果发起至少一个动作。12.根据权利要求11所述的计算设备，其中，所述至少一个指令涉及与问题和任务中的至少一个相对应的支持服务查询。13.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：当从所述用户接收到所述至少一个指令时编译状态数据，所述状态数据包括网络数据、存储数据、服务器数据、应用数据和本地机器数据中的至少一个；以及将所述状态数据与所述至少一个指令相关联。14.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：通过使用所述至少一个模型基于预定规则和所述至少一个因子来识别至少一个自助资源，所述至少一个自助资源包括教学视频、教学电子文档和超链接当中的至少一个；响应于所述至少一个指令，经由所述通信接口向所述用户发送所述至少一个自助资源；以及利用与所识别的至少一个自助资源相关的信息来更新所述至少一个指令。15.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：
通过使用所述至少一个模型，基于所述至少一个因子确定是否需要实时代理来解析所述至少一个指令；基于所述确定的结果，经由所述通信接口向所述实时代理发送所述至少一个指令；以及经由所述通信接口从所述实时代理接收所述至少一个指令的已被解析的指示，所述指示包括实时代理动作。16.根据权利要求15所述的计算设备，其中，所述处理器还被配置为：通过使用所述至少一个模型来识别至少一个新指令，所述至少一个新指令包括与所述至少一个因子等效的新因子；以及发起所述实时代理动作以解析所述至少一个新指令。17.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：通过使用所述至少一个模型来确定是否需要向所述用户请求附加信息以自动地解析所述至少一个指令；以及基于所述确定的结果，向所述用户发送通知，所述通知包括请求所述附加信息的电子邮件通知。18.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：生成支持票证，所述支持票证涉及所述用户与支持提供者之间的交互；生成识别符；以及将所述识别符和所述至少一个指令与所述支持票证相关联。19.根据权利要求11所述的计算设备，其中，所述至少一个模型包括机器学习模型、数学模型、过程模型和数据模型之中的至少一个。20.根据权利要求11所述的计算设备，其中，所述语法分析包括至少一种自然语言处理技术，所述自然语言处理技术与计算机软件对自然语言的自动操纵有关。

技术总结
本发明公开了一种通过利用人工智能来提供自动化支持服务的方法。该方法包括经由图形用户接口接收来自用户的指令；通过使用语法分析来剖析所述指令；通过使用诸如机器学习模型之类的模型来从所剖析的指令识别因子，所述因子包括指令上下文和指令情绪；将所述指令与对应于所述因子的类别相关联；通过使用所述模型，基于所述因子和所述类别来确定是否能够自动地解析所述指令；以及基于确定的结果发起至少一个动作。少一个动作。少一个动作。


技术研发人员：K
受保护的技术使用者：摩根大通国家银行
技术研发日：2021.11.15
技术公布日：2023/7/22