随着汽车行业的不断发展，售后维修业务也变得愈加重要。处理问题是否及时？服务是否周全？这些都成为影响车主信任和企业“品牌力”构建的重要因素。
一大早，上汽通用的IT人工智能与数据挖掘团队就在会议室里开始了头脑风暴。“现在，经销商在遇到复杂、棘手的维修问题时，会向公司售后技术支持部门（简称‘TAC’）寻求维修专家的支持。”数据分析工程师夏宇静说，“举个例子，公司累计产销量达到2000万辆，TAC工程师每年就要接听10多万个技术热线电话，处理20多万个技术案例，不但只能依靠个人经验和历史案例，而且平均每人每10分钟就要准确无误地处理一个案例，十分耗时、耗力。”
“是的，反馈效率受限于维修专家的经验和时间，客户体验还存在优化空间。”团队高级经理郑婕补充道，“所以，我们考虑借助人工智能技术，建设一个故障维修智能诊断系统，实现售后技术支持的数字化转型。”
目标已定，但在实现的道路上，依然困难重重。
首先面临的是标注数据的问题。“现在的人工智能技术，是有多少人工就有多少智能。”虽然是句玩笑话，但是机器学习需要足够高质量的标注数据驱动，这是不能避免的事实。而售后故障维修案例的标注存在技术壁垒，必须具备专业维修知识才能保证标注的准确性及一致性。在无法借助外部力量的情况下，由售后技术支持TAC团队的雷蕾带队，开始不分昼夜地对多年来积累的历史案例进行分类、画框、注释。经过一年多时间的努力，项目组终于积累了7万条标注数据，为数字化转型打下了夯实的基础。
迈出重要的一步后，项目组就开始用这7万条数据来训练机器学习模型。然而，因为售后问题的特殊性，故障数据类别多达5000多种，分布极不均衡，许多故障类别下只有个位数案例，导致智能算法难以捕捉到特征，识别准确率只有65%。对于高要求的团队来说，这个数字远远不能让他们满意。
难道之前的努力就此付诸东流吗？并没有。TAC工程师和IT算法工程师没有服输，他们决定无论如何也要“背水一战”。一方面，数据挖掘团队不断调整算法模型和新技术；另一方面，TAC工程师对模型自动识别的结果逐条进行人工修正，用于标注模型迭代的数据量，从7万条基础数据增加到24万条。又经过了一年时间的埋头苦干，系统上线时，模型准确率已经高达86%。
售后技术智能支持平台的建成，不仅帮助经销商快速解决问题，也为车主提供更好的售后服务体验。系统上线后，维修质量提升，修复时间缩短，经销商体验大幅提升，有效回复率达到98%以上。其中，25%的经销商问题可在无需人工介入的情况下成功解答，单个案例提交时间减少3分钟，TAC回复效率提升10%，单个案例标注时间减少70%。系统试运行仅半年，就节约人力成本104万元。
完成了这个项目后，IT人工智能与数据挖掘团队没有停下脚步，他们继续响应上汽通用“引领智慧出行，成就美好生活”的愿景，用AI技术为公司各个业务场景全方位赋能，在“业务数字化、数据业务化”的探索中加速奔跑，描绘着一个又一个创业奋斗者的感人画面。（郑婕 李婷）
微评
这个汽车售后故障维修智能诊断系统，是以业务为导向的数字化创新转型的一次尝试。在探索过程中，上汽通用始终用“瞄准镜”深入理解用户的关注点，用“放大镜”用心挖掘用户需求的敏感性和预见性，用“望远镜”放眼将来，将个性化需求上升为服务客群的独特优势，在“业务数字化、数据业务化”的探索中加速奔跑，为公司赢取竞争优势。 上汽通用党委书记 赵雪林
