基于智能知识管理的咨询设计全过程管理

中通服咨询设计研究院有限公司 唐怀坤

党的十八大以来，随着我国经济由高速增长阶段转向高质量发展阶段，设计咨询行业也发生了巨大变革。与国际工程咨询行业相比，我国工程咨询费用在工程总投资中的占比依然较低。在西方发达国家，工程咨询已经成为项目投资前的一项十分重要的工作，德国的工程咨询费用约占工程造价的7.5%-14%，英国的占比为8.85%-13.25%；美国的占比为6%-15%，而2017年我国勘察设计行业营业收入占全社会固定资产投资规模的比重仅为3.05%，工程咨询费用率目前在我国的占比最低一般是1%左右，最高约为9%。当前，咨询设计行业一般采取的是以承担该项目人员的知识储备、隐性知识为基础的工作模式，往往会导致项目质量参差不齐，而通过人工智能的相关技术措施可以改变这一现状，大大降低成本，提高设计业务附加值。

作为国内大型咨询设计企业，中通服咨询设计研究院有限公司（以下简称“中通服设计院”）清醒地认识到：在现有资源条件下，如何增强盈利能力，不仅考验企业资源利用的能力，也考验着公司能否抓住行业趋势，果断、主动、坚持创新的能力。为此，中通服设计院主动分析行业大趋势，利用新技术为传统业务赋能；围绕企业核心价值链，探索开发和利用智能化技术；加强一体化管理，优化资源配置，精细化组织生产运行，最大限度挖掘资源的最大效益。在多年的咨询设计工作实践中，中通服设计院陆续研发了一些咨询业务工具、设计业务工具、勘察业务工具等，但是这些工具分散在不同的部门，没有上升为企业行为，也没有围绕企业核心价值链开展支撑和优化，不利于业务交付工作模式的升级和企业的可持续发展。

为此，中通服设计院建立了基于智能知识管理的咨询设计全过程管理的方法体系，制定基于智能知识管理对传统咨询设计业务进行转型升级的差异化竞争战略，围绕战略落实四大管理提升举措：组建人工智能赋能工作领导小组，搭建总工程师办公室、技术研究中心、人工智能开发委员会三层组织结构；导入阿米巴经营模型，围绕业务价值链优化逐步实施人工智能转型；创新划小核算单元，创新量化线上分配，优化预算管理，优化部门协同，优化作业模式，优化IT流程支撑差异化竞争战略；搭建人工智能信息化平台，为一线员工提供强大平台支撑。在咨询、规划、勘察、设计、校审、实施等全过程咨询设计服务领域，中通服设计院利用人工智能技术提高传统业务的项目实施效率，提高咨询设计技术深度和质量，实现咨询设计业务全生命周期面向人工智能演进的服务管理方式；通过人工智能提高一线工作管理活力，提高了业务实施效率，大大缩短了项目交付周期，提升了企业的核心竞争力（图1）。

图1 基于智能知识管理引领的咨询设计全过程管理

制定智能知识管理竞争战略，落实四项保障

制定基于人工智能的智能知识管理差异化竞争战略

2016年，中通服设计院博士后科研工作站（国家级）开展了社会经济形态与主要技术演进的研究课题并顺利结题。通过科学哲学分析、创新要素分析法、数据统计等方式，提出了社会形态演进六大阶段理论，即社会科技进步与经济形态演进模型，为企业发展方向提供了理论前沿依据。当前，我国已步入数字经济时代，正在大力发展数字孪生技术、工业互联网、物联网、各行业信息系统建设、打破信息孤岛，为未来人工智能社会的发展做好铺垫，而咨询设计行业将向人工智能的专用AI（Artificial Intelligence）演进领域迈进（图2）。

图2 社会科技进步与经济形态演进模型示意图

中通服设计院认为，人工智能是一种利用算法、算力、数据三大基础技术开展机器学习，通过计算机软件、智能硬件、仿人机器人等展现形式，使机器具备听、说、读、写、触觉、思考、行为等思想与判断、行动能力的部分或全部能力，并在专用领域或通用领域代替人的体力劳动或脑力劳动的社会生产力演进现象。人工智能明确了技术经济和技术创新的发展方向，所有产业发展的方向都将是人工智能，而这一过程是渐进式的，既不排斥也不高估人工智能，是一种循序渐进式的发展。

企业发展离不开明晰的战略，如果仅仅采取跟随战略则很难在激烈的市场竞争中取得先发优势。基于人工智能的发展考虑，中通服设计院提出了咨询设计业务人工智能竞争战略，在规划、勘察、设计、校审等全过程领域利用人工智能技术提高传统业务的项目实施效率，提高咨询设计技术深度和质量，实现面向咨询设计服务的全生命周期的人工智能演进服务管理方式，具体为“智能咨询、智能规划、智能勘察、智能设计、智能审核、智能实施”。

围绕智能知识管理竞争战略，制定四大管理提升举措

围绕人工智能差异化竞争战略，优化管理组织结构

为有效落实发展战略，中通服设计院将科技创新管理组织实施分为经营层、执行层和操作层，三个组织层面逐步细化目标、推进各项任务实施。公司经营层一直以来高度重视技术管理的组织建设，由公司领导直接统一部署人工智能赋能发展；执行层在总工程师办公室设立人工智能推进委员会，分别由智能规划、智能勘察、智能设计、智能审核等职能模块和开发小组组成，形成由公司总经理办公会最终决策、总工程师为最高执行官、以人工智能推进办公室为具体执行团队的组织架构；操作层面由需求分析人员、智能化工具开发人员、软件测试人员通力协作，共同推进基于人工智能的企业价值链提质增效工作。

导入阿米巴经营模式，优化内部价值链

为确保人工智能差异化竞争战略落地，中通服设计院全面推进阿米巴经营模式创新和改革，完成了公司全部门、全业务、全专业、全区域生产经营划小，在所有生产院组建了近百个阿米巴（划小核算单元），组织划小、独立核算，形成了全员参与、高度透明、自主成长的公司经营组织格局。划小核算单元（阿米巴）倒逼企业运营管理模式进行变革，实现组织扁平化，使企业快速将决策权延至企业生产、营销的最前线，使组织变得更加灵活、敏捷，富有柔性、创造性，同时也有助于培育更多具有自主经营意识的领导者，激发全公司竞争发展的内在活力和创新动力，为企业高质量发展提供了体制机制保障。

“一核二创四优化”，完善内部管理

在企业内部管理方面，中通服设计院完善“一核二创四优化”内部管理流程：“一核”为以价值贡献为导向的科学评价激励体系；“二创”为创新划小核算单元、创新量化线上分配；“四优化”为优化预算管理、优化部门协同、优化作业模式、优化IT系统。在阿米巴经营模式的指引下，中通服设计院积极强化市场协同开拓、加强生产协作共享、推进能力知识共享、推动人员轮岗流动，制定了一揽子解决方案，提升了企业一体化交付能力。

搭建人工智能信息化平台，为一线员工提供强大平台支撑

为适应阿米巴经营改革的需要，中通服设计院在不断梳理优化各类制度、流程的基础上，统筹规划和建设了市场管理、项目管理、分包采购管理、项目协同、财务管理、人力资源管理、经营分析等若干IT平台，固化管理机制、思路、规则和流程，实现了阿米巴全员参与、独立核算、高度透明经营模式的有效落地。

加强智能技术研发管理，推动智慧咨询

加强自主知识产权研发，赋能智慧咨询

中通服设计院将信息化工作作为人工智能的基础，同时将人工智能技术和实现模式反哺信息化，促进信息化的深度和智能化；实现从“企业数字化-互联网与物联网-信息系统”三个逐步发展的过程，并将信息系统的发展程度即大数据难题的解决程度作为人工智能的发展基础，将数据信息作为人工智能机器学习的基础。以智慧城市为例，中通服设计院将智慧城市定位为数字城市、智慧城市、人工智能城市三个阶段中的中间阶段，致力于智慧城市的信息系统的开发，减少信息孤岛，破解大数据难题。经过科研人员的不懈努力，中通服设计院获得了诸如“一种智慧城市海量数据采集优化方法”“一种基于机器学习的车辆跟车安全自动评估方法”“基于智慧城市的限行区域车辆实时自动稽查方法和系统”“基于320过车流水数据的套牌车发现算法”等50多项自主知识产权的人工智能发明专利，显著提升了基于自主知识产权的信息化业务核心竞争力。

业务智能组装，做大规模效应。以“雪亮工程”业务为例，这一市场需求业务类型是“天网工程”“蓝盾工程”的延续，其业务内容主要包括系统设计、交换机系统集成、监控探头选址、通信传输管线等。当前市场上能做此类业务的厂家很多，虽然中通服设计院在通信基础设施咨询设计领域具有一定的优势，但却很难摆脱价格战的困境。基于此，中通服设计院将智慧城市、智慧交通业务中使用的计算机视觉开发技术应用于“雪亮工程”中，改进车牌识别算法，将交通摄像头计算机视觉算法迁移到“雪亮工程”中，提升了技术含量。目前，该技术已在公司内部推广，并借助公司推广渠道，以点带面快速提升业务水平。

把握网络升级机遇，谋求差异竞争

通信是整个信息化时代的基础设施，通信行业的发展最能代表信息化发展的趋势。从模拟通信到数字通信，人类社会步入了数字化时代。移动通信网络从2G、 3G、4G一直发展到当前的5G实验网建设，日益成为人工智能的基础设施。交换网络从纵横制、程控交换、软交换、软件自定义网络与网络虚拟化一路发展过来，网络的智能化程度得到逐步提高。传送网从电路传送到光网络传送，最后到软件调度式的光网络自定义，智能化水平也随之越来越高。

AI适用于解决网络难题，一切基于软件的复杂多维问题都可以借助于AI的帮助，复杂的多层、多域、多协议、多接口、多参数、多厂家的网络和业务问题也不例外，只是AI在不同的层面和领域的作用和引入路径不同。AI网络应用的一般原则为：越高层、越集中、跨域分析能力越强，对计算能力的要求也越高，所需数据量也越大，更适合对全局性的策略集中进行训练和推理；越低层、越接近终端、专项分析能力越强，对实时性要求往往越高，对计算能力要求则满足业务。

在网络建设规模需求分析阶段，需要利用神经网络技术，增强客户需求的准确度，网络建设规模的依据首先要基于用户需求，按照需求量的判断决定项目投资是否最佳。传统的方法是采取现有用户增长数据的多项式拟合方式，而中通服设计院经过业务的摸索，将人工智能技术用于获取一地区若干个月内的VLR用户数以及电信业务中对VLR用户数有影响的5个指标，包括移动公司市场占有率、移动电话普及率、每月节假日天数、居民可支配收入及常驻人口数；建立灰色系统模型神经网络；对灰色系统模型神经网络进行训练和测试；利用通过测试的灰色系统模型神经网络来预测一地市的VLR用户数。该发明能够在已知信息少、缺乏部分系统特性知识的情况下，准确、快速地预测电信业务量，并且能够很好地反映电信业务量随人口流动等因素变化而出现的波动性。

利用机器学习，实现规划智能

网络规划阶段，利用机器学习进行网络最优的资源配置，开发光网络智能规划平台，将在一定程度上替代手动操作。随着传输新技术的发展，人脑已经难以胜任未来光网络的网络规划和业务规划，亟须通过人工智能算法和软件实现。中通服设计院通过预先设定的物理拓扑、业务需求、通用网络参数等信息和先进完备的路由频谱分配策略算法，提供网络最优的资源配置方法，极大地提升了光网络的业务生存能力和资源利用效率，具备国际先进水平。该规划平台还可以作为规划类手机软件，最终实现规划结果的一键下发和部署，大大提高了规划阶段的工作效率和精确度（图3）。

图3 软件自定义光网络规划平台图

采用数据云化管理模式，提高勘察效率

智能应用辅助，实现云化查勘

随着中通服设计院在全国通信行业勘察设计业务的持续拓展，基础性查勘工作量变得越来越大，常规查勘常常会面临以下问题：一是查勘工作效率低下，作业纸上采集查勘现场信息到现场信息的电子化录入、分析以及结果输出工作量较大，且容易出错，单站点通常需要2～3个小时；二是查勘现场信息采集不规范。现场信息填写会因为查勘人员的专业水平和责任心差异，导致采集信息的质量参差不齐；三是查勘信息无法便捷共享。查勘资料往往由查勘人员保存，虽然可保存在云盘系统，但查阅等均需要消耗较大的时间成本；四是查勘信息的存储安全性不足。查勘人员离职交接、人员区域间调整调度、云盘存储账号的安全性等，都会造成查勘信息的丢失；五是查勘人员管理成本高、难度大。查勘人员的实际工作量数据无法得到实时有效提取，易造成人员需求与实际不符，导致生产成本增加。

为此，中通服设计院在网络勘察报告编制阶段，通过“手机勘察机器人”快速输出查勘报告，“手机勘察机器人”的研发、应用和推广，提高了查勘成果输出的效率和准确性，现场部分查勘信息实现自动化智能输入，如经纬度、基站地址等信息通过软件定位自动识别填写；电脑端可自动整理查勘照片并自动导出查勘信息表和查勘报告，提高了查勘资料整理的效率，降低了人为整理输出查勘成果的错误率；提升了管理成效，实现管理信息化。

“手机勘察机器人”的“风云榜”模块使得查勘工作量公开化、透明化，便于管理者了解项目组成员的实际工作量，进而实现人员调控，实现降本增效，得到了一线员工的好评。截至2017年11月28日，共计82805个基站使用了智能化查勘软件，据统计可提高效率约30%。传统查勘方式下4个人每人每天查勘4个基站的工作量，使用查勘软件只需3人即可完成，全院普及使用后可节约直接成本约500多万元。

此外，“手机勘察机器人”的应用，有利于部门领导对各生产一线的生产组织管控，具有良好的管理效益。在查勘软件中，各生产一线工作量实现了量化和透明化，部门领导可依据查勘软件中不同省份、不同地市的工作量进行项目人员的调配，为部门领导和项目管理者提供了人员管理的数据支撑，提升了人员复用度。

机器视觉建模，探索远程查勘

从勘察设计工作的角度来讲，视觉SLAM遍历一个室内场景的特点，实际上与勘察记录的工作异曲同工。勘察设计人员在勘察时，需要遍历机房的每一个角落，利用相机、尺子等工具记录设备的状态、尺寸和位置。机器人在室内自主导航时，室内所有物体的位置、大小都将被机器人记录，并可以通过三维重建进行精确还原。机器人在自主导航时，可以根据需要，输出室内的三维模型，且与勘察设计人员绘制现场图纸输出结果一致。再进一步结合BIM的应用场景，设计人员在机房的三维图纸上，通过计算机辅助设计工具选取三维新增设备摆放到相应位置，接上线缆，图纸就可以自动完成，工作量、材料量可以自动计算出来，这样利用视觉SLAM就可以辅助完成室内的自动勘察绘图工作。目前，中通服设计院已经开始从建筑板块的室内装修领域向通信机房领域拓展，特别适用于高端数据中心机房的可视化总包实施和设计管理。

探索自动设计智能工具，缩短交付周期

机器学习算法，快速推导计算

以移动通信基站铁塔设计为例，新建落地站设计时，按照传统的设计思路，待建设方和无线专业定好塔型后，土建设计人员根据地勘报告结合自己的设计经验确定基础形式，再根据规范中相关条文及公式确定基础尺寸，要想获得最优尺寸，还需要经过多次试算。这种方式依赖于设计人员的经验且效率较低，还不一定能获得最优解。在这种情况下，企业迫切需要开发一款工具，能够快速且准确地提供最优的解决方案。

现有各种设计工具如Morgain、世纪旗云、理正结构工具箱等，各计算模块之间相互独立，不利于快速判断最优方案，因此，方案比选工具应运而生。此工具根据铁塔集团的标准塔图集，针对常用的三种塔型（单管塔、三管塔、角钢塔）编制快速计算软件，软件紧扣相关设计规范，利用VB语言在Excel中的运用，对于不同基础形式的计算，采用机器学习算法，不断优化计算参数和算法，达到一键生成最优基础尺寸，提供计算书，及时呈现最优造价及相应的基础形式。

BIM设计工具，构建协同设计

在BIM的载体软件revit中，员工充分利用BIM所具备的信息关联性优势，所有建筑信息模型在被修改时可实现同步更新，避免出现大量人工反复修改工作；充分利用BIM所具备的可视化优势，可以很好地平衡各专业对接不畅等问题。此外，需要耗费大量人工在PS上完成的手工填色工作在revit中可由软件智能识别填色，快速且准确，极大地提高了工作效率，施工图出图时间得以大幅缩短。目前，中通服设计院建筑板块运用BIM技术出施工图，出图速度更快、步骤更规范、条理更清晰，员工对BIM技术的运用愈发成熟；利用AI丰富建筑设计工件质量，开展包括基于案例的建筑设计、建筑风格学习的模式识别和建筑风格多样性和复杂性的机器学习，利用遗传算法对建筑设计进行优化。为降低算法的复杂性，中通服设计院还探索出一种神经网络结合遗传算法的建筑优化设计方法，与传统遗传算法相比，该方法可以有效降低算法的迭代次数和运算误差。

“三化”融合服务，形成自主品牌

建筑行业的发展趋势是绿色建筑、建筑工业化，目前我国已在绿色建筑方面成效显著，但在建筑工业化方面即装配式、工业化建筑起步较晚，产业链发展不健全。当前，我国正在BIM等建筑工程信息化方面加快步伐，建筑设计的智能化、人工智能建筑开始萌芽，呈现出“三化”融合的趋势。基于此，中通服设计院把“三化建筑”作为建筑设计服务管理升级的特色品牌，落实到智能化协同设计、质量管理、品牌管理中。

推行设计智能化审核，优化质量管控

预设检查细项，减少人工干预

设计院的质量管理主要服务于项目的顺利开展和回款、获得客户好评和市场长期的维系、获得工程质量监督管理部门的认可和抽查认可。而目前的审核审定流程存在如下缺点：一是全过程多为人工完成，效率低且出错概率大；二是标准不一，不同人员审核发现的问题不一致；三是缺乏有效的批量抽查手段。结合上述问题，中通服设计院专门开发了设计质量管理系统，鉴于质量管理体系庞大、功能点多，需要不断扩展开发，现阶段初步完成如下功能：web化服务、标准爬虫设计说明文本识别等。

数据智能匹配，问题迭代修正

拥有多年工作经验成熟的审核人员或者责任心较强的审核人员效率较高，容易预判新设计差错，从而发现审核问题，但若人才流动、岗位变化，就会出现以下现象：传统的人工模式下，每位审核人员每个月要面对上百本不同的设计材料，数据量庞大，且审核人员本身也有设计任务，因此单靠人工审核每个设计文本中语句和数据已很难胜任。中通服设计院将设计文件进行模块化，每个模块的内容进行标准化预设，模块之间的数据通过机器学习进行自行校对，对出现差错的问题进行统一汇总，并反馈给所有员工进行学习，使之有则改之，以迭代优化设计，减少人为差错。

参考文献

[1] 吴庆海.人工智能时代下的知识管理[J].知识管理论坛,2019,4(06):321-331.

[2] Engineering - Industrial Engineering; Beijing University of Post & Telecommunications Reports Findings in Industrial Engineering (Intelligent Electromagnetic Compatibility Management of Cell Phones By Using Knowledge Graphs)[J].Journal of Engineering,2019.

[3] 何淳真,燕昊,康莹,王瑞,王瑶.面向智能决策的知识管理平台框架研究[J].电脑知识与技术,2019,15(16):239-241.

[4] 张省,周燕.人工智能环境下知识管理模式构建[J].情报理论与实践,2019,42(10):57-62.

[5] 慕春晖,戴勇,范兴丰,蒋洋.知识管理与智能服务系统KMIS模式探讨[J].江苏科技信息,2018,35(11):63-65.

[6] King Lun Tommy Choy,Kai Yuet Paul Siu,To Sum George Ho,CH Wu,Hoi Yan Lam,Valerie Tang,Yung Po Tsang. An intelligent casebased knowledge management system for quality improvement in nursing homes[J].VINE Journal of Information and Knowledge Management Systems,2018,48(1).

[7] Gang Kou,Lean Yu. Intelligent knowledge management in operations research[J]. Annals of Operations Research,2015,234(1).

[8] 石勇,张玲玲,陈懿冰.智能知识管理发展研究[A].2012-2013年管理科学与工程学科发展报告:中国优选法统筹法与经济数学研究会,2014:72-94+155-156.