Задачи автоматической обработки инцидентов
Службы поддержки крупных компаний работают с огромным потоком обращений и инцидентов. Чтобы радикально улучшить их работу, нужно автоматизировать выполнение некоторых задач:
- В реальном времени обнаруживать массовые сбои и отказы в обслуживании. Информировать о них диспетчера и руководителя службы поддержки, чтобы своевременно принять необходимые меры.
- Сократить время на маршрутизацию инцидентов. Автоматически определять при регистрации инцидента, относится ли он к какой-то типовой, массовой или просто уже известной проблеме.
- Предлагать готовое решение, если инцидент относится к известной проблеме.
- Получать актуальную информацию для анализа качества работы поддерживаемых систем и сервисов. Регулярно формировать отчеты, чтобы управлять качеством продуктов и правильно распределять усилия разработчиков и персонала службы поддержки.
Чтобы эффективно автоматизировать обработку инцидентов, нужно решить две взаимосвязанные технические задачи:
- Кластеризация. Определить перечень групп инцидентов, включая неизвестные заранее группы, которые могут появиться в результате сбоев и массовых проблем в обслуживании.
- Классификация. Проверить, относится ли каждый инцидент к той или иной группе.
Технологии NLU для обработки инцидентов
Такие задачи обычно решаются средствами машинного обучения (ML). Однако применить методы ML для обработки обращений в техподдержку не так легко. В описаниях близких по смыслу инцидентов могут использоваться разные слова, а в различных по смыслу инцидентах – наоборот, слова могут быть одинаковыми.
Чтобы качественно сгруппировать инциденты, необходимо извлечь суть из их текстового описания. Добиться этого помогают технологии NLU (Natural Language Understanding). Обработка описаний инцидентов средствами NLU включает несколько этапов:
- анализ грамматической структуры предложений
- определение лексической основы каждого слова
- поиск концептов – формально определенных терминов
- составление «семантического портрета» каждой фразы – извлечение формальных утверждений.
Как работает EKG Language Processing?
Такой алгоритм оценит общность инцидентов, даже если они описаны разными словами. Он «понимает» отрицание и модальности – такие выражения как «может», «должен», «требует».
Мы представляем DataVera EKG Language Processing – инструмент для обработки текстов на естественном языке, входящий в состав нашей платформы. Его можно использовать для кластеризации и классификации инцидентов. Инструмент интегрируется с любыми системами Service Desk и разворачивается в инфраструктуре Заказчика. Вам не нужно заранее задавать группы инцидентов и типовые проблемы – сервис определит их сам. Можно управлять работой сервиса, «помогая» ему определять одинаковые по смыслу инциденты, или «показывая разницу» между близкими, но отличающимися с точки зрения бизнеса инцидентами.
Обрабатываемые данные в интерфейсе платформы. Инциденты, которые удалось сгруппировать, привязаны к типовым проблемам. Названия типовых проблем формируются автоматически с помощью суммаризации. В свойствах каждого инцидента мы можем увидеть элементы структурированного описания его смысла, которые используются при сравнении с другими инцидентами. Эти описания содержат ссылки на концепты, упоминаемые в описании инцидента. Интерфейс платформы позволяет аналитикам исследовать результаты классификации инцидентов и управлять работой алгоритма. Работа специалистов техподдержки происходит в привычной для них системе Service Desk, куда экспортируются результаты классификации.
Если для вас важно улучшить работу службы технической поддержки и наладить управление проблемами – обращайтесь к нам. Мы проведем демонстрацию продукта и обсудим, как решить ваши задачи с его помощью.
