TADетали:
Как внедрить искусственный интеллект в службу поддержки пользователей?
Сегодня компании по всему миру активно ищут пути повышения производительности и эффективности, опираясь на передовые технологии. В последние годы мейнстримом стали технологии искусственного интеллекта (ИИ) и машинного обучения (МО), они активно применяются в реальных бизнес-задачах. Результаты исследований, проводимых по всему миру, показывают, что технологии ИИ и МО в ближайшие годы будут наиболее востребованы как в автоматизации рутинных операций, так и в сложных задачах, там, где человеку тяжело самостоятельно принимать решение. Как автоматизировать с применением ИИ и МО обработку заявок пользователей ИТ-систем, помог разобраться Константин Родионов, старший руководитель группы в компании ICL Services (АйСиЭл Сервисез).
Содержание |
ИИ и МО для Сервис Деска
Одной из самых объемных задач в текущий момент на рынке ИТ-аутсорсинга является работа, связанная с обработкой запросов пользователей и инцидентов в ИТ-системах. В их растущем объеме проблема балансировки задач и верного пути их эскалирования становится все более трудоемкой и важной. Очень часто запросы пользователей содержат расплывчатые формулировки проблем, агентам служб обработки заявок (Сервис Деск) тяжело корректно классифицировать такие запросы и передавать компетентному инженеру.
В целях решения этой задачи эксперты ИТ-сервисной компании ICL Services несколько лет назад разработали и по текущий момент успешно реализуют комплексное решение по автоматизации данного процесса. Таким решением стал автоматический смарт-ассистент (ACA), позволяющий анализировать текст обращений пользователей или инцидентов, а также классифицировать их средствами МО, выбирая наиболее доступного и компетентного инженера – агента службы Сервис Деска – для последующего решения.
Инновационность автоматического смарт-ассистента (АСА) заключается в активном применении классических методов автоматизации процессов наряду с современными технологиями МО.
Эксперты компании ICL Services при разработке автоматического смарт-ассистента, в первую очередь, сосредоточились на рутинных операциях. Одной из таких задач является распределение запросов пользователей и инцидентов согласно требуемой экспертизе команды и отдельного инженера. Благодаря подготовленным моделям машинного обучения стало возможным учитывать экспертизу отдельных сотрудников и сопоставлять их с каждым конкретным случаем, обращением пользователя ITSM-систем. Константин Родионов, старший руководитель группы, ICL Services
|
Учет текущей нагрузки специалиста с точки зрения рабочего расписания позволяет определить самого доступного из выбранных экспертов. В решении этой задачи важно учитывать много аспектов и параметров работы инженеров поддержки и группы Сервис Деска. У каждой компании может быть свой подход к ответу на вопрос о доступности инженеров: от учета расписания до проверки статусов в корпоративном мессенджере. Автоматизировать также можно распределение по уровням поддержки на 2-ю и 3-ю линии, с учетом сделанного за определенный период времени.
Классификация запросов
Нередко технологических направлений, оказывающих поддержку ИТ-инфраструктур заказчиков, бывает огромное количество – иногда больше ста. В такой ситуации новому агенту службы поддержки первой линии (Сервис Деска) требуется помощь в классификации запросов. Эту задачу решает обученный на исторических данных алгоритм МО. Для решения такой задачи требуется объединение усилий специалистов, связанных с аналитикой данных и МО, а также специалистов, курирующих автоматизацию процессов ITSM.
Используя имеющуюся базу данных тикетов ITSM-систем, стало также возможно подготовить модели МО для классификации их по приоритету, определению технологического стрима и другим показателям. В комплексе возможно решение сквозной задачи передачи инцидента от пользователя сразу на уровень L2L3 требуемого технологического направления, выбрав при этом самого доступного инженера.Дмитрий Бородачев, DатаРу Облако: Наше преимущество — мультивендорная модель предоставления облачных услуг
'Функции автоматического смарт-ассистента (АСА)'
Оповещение о событиях в ITSM-системе
Не менее важными можно считать автоматизации, направленные на оповещение инженеров о событиях в ITSM (например, смена статуса инцидента из «в ожидании» в «получен ответ») через роботизированные чат-боты; сообщения о новых назначениях, истекающем SLA и другие.
Компания ServiceNow, как лидер ITSM-систем на мировом рынке, уделяет особенное внимание новым решениям, связанным с чат-ботами и применением МО (сервис Predictive intelligence). Но не все эти решения подходят с точки зрения необходимости разрабатывать процессы ITIL внутри самой ITSM с помощью встроенных workflow или использования облачного сервиса вендора для создания и использования моделей МО и применения ИИ.
Достаточно распространенный и простой в реализации способ автоматизации – это использование API ITSM-систем, позволяющих избежать зависимости от групп поддержки ITSM-решений и вести самостоятельную и непрерывную работу по автоматизации и улучшению процессов, а также снизить затраты на такие работы за счет внутренних инициатив и рабочей силы, – рекомендует Константин Родионов. |
Простые и сложные модели МО: что выбрать?
Качественная подготовка данных перед обучением модели МО является ключевым шагом в создании точных алгоритмов. Данные после извлечения из ITSM-систем очищаются, текст переводится в численно-векторный формат. После обучения каждая из моделей должна проверяться на точность в соответствии с заложенными параметрами и только после успешного прохождения тестирования подключаться к работе в решении.
При выборе инструментов МО следует соблюдать баланс стоимости эксплуатации решения и необходимого качества моделей МО. Исследования и обширная практика компании ICL Services показала, что не всегда рационально использовать сложные методы и алгоритмы создания моделей МО. Иногда правильнее сделать выбор в сторону широко распространенных библиотек МО, нетребовательных к вычислительным ресурсам систем. Использование «легких» методов и библиотек МО позволяет сокращать издержки эксплуатации.
Для более сложных вычислений там, где требования к информационной безопасности данных это позволяют, компания ICL Services на своих мощностях также готовит модели МО, в том числе с построением нейронных сетей. Решение АСА работает без привязки к конкретным ITSM-системам и может быть размещено как в центрах обработки данных (ЦОД) заказчика, так и в популярных облачных средах. Оно имеет свой API для настройки под любую ITSM-систему и обладает гибкостью, позволяющей автоматизировать практически любой ITIL-процесс.
Высокий ROI и SLA: что еще?
Ранее задачу обработки запросов выполняли люди. В условиях большого количества запросов, распределенных команд и специфики проблем она имела рутинный характер. Методы вытягивания специалистами задач из ITSM-систем занимали время инженеров и агентов группы поддержки пользователей, руководителям групп специалистов необходимо было вовлекаться в балансировку нагрузки внутри команд. Полезный эффект от сокращения ручного труда сильно зависит от специфики работы команды, тех проблем, которые им приходится решать повседневно.
Исходя из нашего опыта, решение АСА показывает положительный возврат инвестиций (ROI) уже на командах поддержки от 10 специалистов и более. Благодаря активному применению методологии DevOps, интеграция решения проходит в кратчайшие сроки, а ее развитие точно следует интересам вовлеченных и заинтересованных сторон. Это также в существенной степени позволяет достигать высокой эффективности на ранних этапах проекта, – отмечает Константин Родионов. – В результате автоматизации процесса обработки заявок один из наших заказчиков получил молниеносную реакцию требуемых групп поддержки, сократилось время реакции (Response SLA). С другой стороны, мы помогли исключить возможность ошибки со стороны агента службы Сервис Деска при определении технологического стрима, устранив по возможности агентов из ручной обработки. Заказчик сэкономил время агентов и сократил общее время жизни тикетов за счет быстрой передачи. |
Справедливые и прозрачные правила распределения задач с учетом специфики и уровня квалификации специалистов повышают вовлеченность и мотивацию большинства сотрудников. Менеджмент компаний, внедривших АСА, отмечает положительный вклад с точки зрения минимизации времени обработки инцидентов и запросов, быстрой реакции на проблемы и сбои, сокращения издержек и рабочего времени для выполнения работы инженерами и другими специалистами.
На сегодняшний день АСА также помогает специалистам в решении проблем через систему рекомендаций, проводит аналитику по внештатным ситуациям и инцидентам, способствует формированию баз знаний (Knowledge Base) для более быстрого решения схожих инцидентов и запросов пользователей. Взаимодействовать с ITSM-системами теперь можно не только через стандартный интерфейс, но и через бот-сервис в составе решения АСА, что добавляет гибкости и удобства в работу специалистов.
В заключение следует отметить, что за несколько лет применения решения АСА были обработаны сотни тысяч событий в ITSM-системах, ежедневно достигаются высокие показатели SLA по предоставляемым сервисам. Компания ICL Services с интересом продолжает развивать и активно внедрять новые решения, основанные на технологиях ИИ и МО, для удовлетворения как собственных внутренних нужд, так и бизнес-задач заказчиков – компаний крупного бизнеса.
Смотрите также
- Искусственный интеллект (ИИ, Artificial intelligence, AI)
- Машинное обучение (Machine Learning)
- Service Desk, IT Service Management, Системы управления ИТ-службой