雲博士依託於海量資料分析、自然語義分析和雲產品智慧型自學習等技術，面向使用者提供了最懂雲計算的智慧型問答服務，為阿里雲使用者提供秒級響應、多端觸達的智慧型化服務體驗。
阿里雲業務的快速發展，帶來了雲計算背後的巨大服務壓力！如何為使用者更快速高效把問題解決呢 ？我們在演算法推薦上做了很多實驗和突破，努力提公升答案的命中概率，為使用者的問題推送期望的知識點。後來我們逐漸發現：在使用者使用雲計算產品的過程中，很多時候只能看到問題現象，而經常有很多問題的現象是相同或者類似的，這時候即便我們推送答案的計算邏輯百分百正確，也不能解決使用者的所有問題。因為這些從描述上來說幾乎一樣的問題，背後的原因多種多樣，解決方案也千差萬別。
通過檢視大量的工單，我們看到售後工程師在解這些問題時，面對相同的「工單內容「，工程師們需要花費大量的時間，穿梭於不同的系統平台獲取使用者的線上例項資料，來解決這些看上去類似的問題。通過不斷實驗和討論，雲博士把這樣相同現象的問題合併形成一類問題，並針對每一類問題分別建立了決策樹，來替售後工程師更精準的解決使用者問題，從而大大提公升解決效率！將之前人工半小時才能解決的問題，在1秒內快速完成，整體提高了阿里雲使用者解決問題的體驗。
以上的工單內容都是使用者無法遠端連線到自己的ecs，面對同樣的語義，基於q/a原理的任何演算法都無法解上面的場景，但是雲博士卻針對性的給出了三個不同的解決方案，並且使用者檢視後主動關閉工單確認問題解決。那麼問題來了，雲博士是如何做到的呢？
ecs無法遠端這種問題現象對應的原因有很多種：ecs例項執行狀態(啟動中、關閉、關閉中等)、網路被黑洞清洗、主機的使用情況(cpu/記憶體/iops異常)等!
業務線的售後工程師作為需求方，給雲博士的開發團隊提需求，case by case的解類似的問題，但是這個方式有個弊端，每乙個千人千面的場景都需要售後工程師+開發同學逐一區別攻克，這樣會導致開發同學陷入了具體的業務場景裡，不斷去硬編碼這些業務邏輯。那麼有沒有更好的方式來解這個問題？
先來一張雲博士簡單的架構圖，讓大家對雲博士有乙個全景的認識!
雲博士的千人千面能力作為語義分析的一部分，去幫助雲博士解決那些語義相同但是答案不同的場景，並把這部分能力開放出來，讓普通、不懂演算法業務同學參與進來。
簡單流程如下：
通過上面的千人千面解決方案，我們把耦合在一起的開發和業務需求最大限度的隔離，開發不需要關心if else的先後順序、相關因素的組合關係、具體的解決方案是什麼，只需要一套**框架，做到了「一勞永逸「。對於業務同學，我們把「定製能力」開放給解工單的售後工程師，來方便的修改增加決策邏輯，更好的支援線上解決使用者問題以應對各種各樣的千人千面場景。
雲博士智慧型決策能力介紹
雲博士依託於海量資料分析 自然語義分析和雲產品智慧型自學習等技術，面向使用者提供了最懂雲計算的智慧型問答服務，為阿里雲使用者提供秒級響應 多端觸達的智慧型化服務體驗。阿里雲業務的快速發展，帶來了雲計算背後的巨大服務壓力！如何為使用者更快速高效把問題解決呢 我們在演算法推薦上做了很多實驗和突破，努力提...
智慧型機動決策 專欄
開啟新的專欄，該專欄主要梳理利用強化學習完成對抗博弈過程中機動決策問題，框架由簡單到複雜，演算法隨著問題進一步深化，希望該專欄能夠一直更新下去，有同方向或是感興趣的朋友一起學習實踐。2 蘭德公司ai空戰可行性分析報告 air dominance through machine learning a ...
決策智慧型悖論化
吳丹說 今天這個題目可能會有很多的不認同，但是我們想說的是任何行業的發展不僅僅取決於技術，還有行業規律和行業基礎。智慧型化行業說起來高大上，實際上在資訊化發展的行列裡，我們在底層梯隊。我們對未來的期許需要走很長的路，需要腳踏實地。下面請看張老師的剖析。在人工智慧方興未艾的今天，你可能會聽到很多有關決...