Agent Intelligence от ServiceNow — нейронные сети на службе у техподдержки

    По данным опроса ServiceNow, 89% ИТ-руководителей используют либо внедряют технологии машинного обучения в своих организациях. Из них 87% отмечают, что автоматизация бизнес-процессов приносит большую пользу для бизнеса: экономит время, средства и человеческие ресурсы.

    Внедрение машинного обучения требует серьезных изменений в работе организации. Однако на эти изменения — согласно тому же опросу — решились пойти только 48% респондентов. Помимо организационных изменений использование машинного обучения требует привлечения специалистов — в частности, аналитиков по данным. А спрос на них, согласно исследованию IBM, намного превышает предложение. По прогнозам, к 2020 году ситуация станет ещё хуже. Расскажем, чем в этой ситуации может помочь решение от ServiceNow.


    / Фото / Chris Isherwood / CC

    Как решить проблему


    Один из вариантов решения предлагает компания ServiceNow. Новый продукт компании Agent Intelligence встроен в саму платформу, поэтому не требует дополнительных затрат на внедрение и доступен без привлечения штата специалистов по дата-майнингу. По словам разработчиков, Agent Intelligence автоматизирует классификацию, приоритизацию и назначение задач. Это сокращает время разрешения инцидентов, уменьшает количество ошибок и повышает удовлетворенность клиентов.

    Как это работает


    Agent Intelligence использует машинное обучение, чтобы создавать из заданных шаблонов модели взаимодействия с пользователями. Эти модели основаны на сохранённых данных клиентов ServiceNow. Данные применяются для прогнозирования значений поля тикета. Обучение на базе паттернов и анализ текста в описании тикета позволяет системе автоматически определять категорию, приоритет и группу назначения обращения.

    Модели Agent Intelligence можно улучшать — добавлять другие данные: сегменты, важность и предпочтения клиентов или часто встречающиеся решения инцидентов. После отладки шаблона нужно задать пороговые значения классификаторов, протестировать модель и запустить ее в работу.

    В процессе работы модель использует текст в поле описания тикета и другие данные, чтобы предложить категорию, приоритет и группу назначения специалисту первой линии технической поддержки.

    Каждый тикет, параметры которого модель определила верно, считается успешным. Изменение параметров вручную фиксируется как ошибка. Эти ошибки используются при запланированном периодическом переучивании (retraining) модели. Интервалы повторного обучения задаёт пользователь.

    Особенности Agent Intelligence


    Ускорение категоризации и приоритизации. Исследование ServiceNow показало, что 40% специалистов службы поддержки вынуждены классифицировать инцидент в одну из 100 возможных групп, а 25% специалистов — в одну из 300 групп. Поиск нужной группы может занимать у человека слишком много времени.

    По данным отчёта Accenture Consulting, специалисты техподдержки тратят 12% своего времени, чтобы присвоить запросу категорию и приоритет.

    Agent Intelligence мгновенно анализирует и классифицирует запросы. Это помогает избавить людей от ручной сортировки и перенаправления запросов. Специалистам больше не нужно прокручивать несколько списков или искать, какую категорию или группу присвоить запросу.

    Сокращение времени разрешения инцидентов и числа ошибок. Автоматическая маршрутизация привлекает внимание профильного специалиста к задачам и инцидентам, которые следует решить в первую очередь. За счёт этого повышается общий уровень удовлетворённости клиентов.

    Agent Intelligence классифицирует и направляет запросы быстрее и с меньшим количеством ошибок. Это увеличивает производительность специалистов службы поддержки.

    Панель инструментов и отчётность. Точность категоризации и маршрутизации можно отслеживать в реальном времени с помощью панели инструментов. Система даёт обратную связь и контролирует текущую деятельность для постоянного улучшения качества обслуживания.

    В чем выгода


    Запуск пилотной версии программы показал, что пользователи могут рассчитывать на экономию 8% рабочего времени или 26 тысяч часов в год за счёт улучшения классификации, приоритизации и назначения инцидентов.

    Эксперты подсчитали, что Agent Intelligence экономит 100 000 долларов за 3 года использования и окупается через 10 месяцев.

    Когда выйдет


    Первое решение ServiceNow на базе машинного обучения Agent Intelligence будет доступно вместе со следующей версией платформы Kingston.

    Подробнее о продукте можно почитать здесь.

    Отзывы пользователей пилотной версии ищите тут.

    Пара ссылок по теме


    ИТ Гильдия 105,04
    Российский интегратор ITSM решения ServiceNow
    Поделиться публикацией
    Комментарии 3
    • +3
      К сожалению в статье даже общих черт решения нет, только неясные экономические выгоды внедрения.
      Было бы неплохо ее развернуть с маркетинговой дорожки на техническую.
      Для определения профита решения — его необходимо развернуть и на двух моделях наполнения базы понять характеристики предложенного алгоритма. Накопив некоторую массу данных — интерпретировать результаты в экономические показатели и сделать выводы о результативности ML и соответствии полученного ожидаемому.
      Дальше уже по результатам…
      • 0
        Поддерживаю предыдущего оратора. Какие источники данных можно подключить? Какие виды информации кроме текста анализируются на входе? И проч.
      • 0
        Ниже скрин из одной из ссылок
        Coverage — доля заявок, по которым ИИ (можно я буду использовать это сокращение, несмотря на его некорректность?) дал предсказания.
        Accuracy — доля тех заявок, по которым ИИ ещё и угадал при этом
        Оно в принципе феерически некорректно при multi-class классификации оперировать метрикой accuracy. Например, если один класс сильно преобладает по количеству заявок, то выигрышная стратегия для модели будет «в любой непонятной ситуации вали всё в тот класс». Что даст очень хорошую accuracy, но некоторые классы определяться не будут вообще.
        Ещё хороший вопрос — эти проценты получены всё-таки на отложенной выборке (любопытно знать её объём) или на кросс-валидации? Если на кросс-валидации, то я не понимаю, чем они хвалятся, ибо 80-85% accuracy на CV берутся элементарно.

        В лучшем случае система даёт 18% ошибок. Каждая пятая заявка — неверно классифицирована.

        Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

        Самое читаемое