4 min read

COMMENT LE MACHINE LEARNING AUTOMATISE LE Service Desk IT

12 mars 2021 16:36:21

Dans les blogs précédents, j’ai discuté des avantages du traitement du langage naturel. Un autre domaine d’intérêt est l’intelligence artificielle (IA) et l’apprentissage automatique (ML). Mais la confusion et le battage médiatique peuvent masquer les avantages réels de ces technologies. Dans ce blog, je veux discuter de trois cas d’utilisation dans IT service desk où l’apprentissage automatique génère des avantages tangibles pour les clients.

CLUSTERING

 

Le regroupement fait référence au concept de classification non supervisée, appartenant à la grande famille de l’apprentissage non supervisé. Le regroupement vise à déterminer une segmentation de la population étudiée sans « a priori » sur le nombre de classes, et à interpréter « posteriori » les groupes ainsi créés. Ici, l’homme n’aide pas la machine dans sa découverte des différentes typologies puisqu’aucune variable cible n’est fournie à l’algorithme pendant sa phase d’apprentissage. Clustering se résume à la recherche d’une structure « naturelle » dans les données, car aucune typologie cible n’est précédemment fournie à l’algorithme. L’idée est de déterminer les classes qui doivent être à la fois aussi homogènes que possible tout en se distinguant les unes des autres le mieux possible.

Le clustering est un cas d’utilisation très intéressant pour les gestionnaires de bureau de service car il est essentiellement la capacité de regrouper leurs enregistrements ITSM basés sur l’analyse sémantique. En général, les équipes de Service Desk analysent leurs données, telles que les incidents, à un niveau macro basé sur des filtres tels que la priorité, la catégorie, le type et ainsi de suite. Ils analysent le volume de tickets pour incident, demande, problèmes. Toutefois, il est maintenant possible d’ajouter une analyse de clustering basée sur l’apprentissage automatique. En fait, pour la plupart des enregistrements dans l’ITSM il ya une longue description textuelle qui vient soit de l’utilisateur final ou de l’agent de bureau de service. Le Clustering fournira donc sa propre représentation des données. Il regroupera des cas similaires. Le regroupement aidera à identifier les incidents récurrents et à demander qui sont de bons candidats pour l’automatisation. Il identifiera également les incidents similaires qui n’ont pas d’article de connaissance associé. Il s’agit d’un cas d’utilisation très important pour calculer le retour sur investissement potentiel d’un agent virtuel. Je vous encourage à lire notre success story client avec Veolia.

Agent Virtuel: calculer vos économies potentielles

cLASSIFICATION

 

La classification automatique ou la classification supervisée est la catégorisation algorithmique des objets. Il consiste à attribuer une classe ou une catégorie à chaque objet (ou individu) à classer, sur la base de données statistiques. Il utilise couramment l’apprentissage automatique. Cette classification fait donc référence à l’action de classification du « placement dans une classe ». La classification fait référence à l’action de classification donc de « détermination des critères de classification, définition des classes ».


Konverso - page tiquetIQ

Dans le domaine du Service Desk, la classification fournit des modèles prédictifs qui recommandent et classent automatiquement les champs critiques (catégorie, priorité...) pour les utilisateurs ou les agents. Il automatise les processus répétitifs et longs de création, de classification, de routage des tickets pour les agents. Classification prend en charge les équipes de bureau de service par l’analyse historique des tickets. Il peut recommander une nouvelle classification ou effectuer une classification automatique basée sur des tickets historiques. Par exemple, certaines entreprises pourraient réduire les ressources allouées au support de niveau 0 qui consistent à qualifier les tickets et à acheminer les tickets vers le meilleur groupe de résolution. La classification réduit le MTTR, les taux de rebond et la classification erronée des tickets.

 

SIMILARITE

 

L’apprentissage par similarité est un domaine de l’apprentissage automatique supervisé dans l’intelligence artificielle. Il est étroitement lié à la régression et la classification, mais l’objectif est d’apprendre une fonction de similitude qui mesure comment similaires ou liés deux objets sont. Il a des applications dans le classement, dans les systèmes de recommandation, le suivi de l’identité visuelle, la vérification du visage, et la vérification des haut-parleurs. L’apprentissage de la similitude utilise une approche voisine la plus proche pour identifier la similitude de deux objets ou plus les uns avec les autres en fonction des fonctions algorithmiques de distance. Pour que la similitude fonctionne à la vitesse et à l’échelle des normes d’apprentissage automatique, deux capacités critiques sont nécessaires : l’indexation à grande vitesse et les fonctions de distance métriques et non métriques.
En réutilisant des enregistrements similaires, l’apprentissage de la similitude peut aider les agents ou les utilisateurs à fournir rapidement la meilleure résolution pour un incident entrant ou les meilleurs éléments de catalogue pour une demande. C’est également un cas tout à fait utile pour le bureau de service d’IT. Selon la recherche, 40 % des appels au bureau des services de l’information portent sur des cas récurrents ou similaires. Il devient évident que Service Desk peut alors déléguer à un agent virtuel la possibilité de répondre à des questions fréquentes basées sur l’apprentissage de la similitude.

 

autres SCENARIi

 

Machine Learning s’appliquera à de nombreux autres services qui sont pertinents pour it service desk. Si vous dirigez une multinationale, vous offrez un support IT en 5 ou 10 langues. Cela signifie que vous souhaitez des services intelligents tels que Virtual Agent pour prendre en charge les conversations avec votre emploi dans différentes langues. La traduction automatique, parfois mentionnée par l’abréviation MT, est un sous-domaine de la linguistique computationnelle qui étudie l’utilisation d’un logiciel pour traduire le texte ou la parole d’une langue à l’autre. Vous souhaitez ajouter des capacités vocales ou d’appel, et, dans ce cas, vous vous fierez au texte à la parole et à la parole au texte.

 

VOTRE FEUILLE DE ROUTE POUR L’APPRENTISSAGE AUTOMATIQUE

Les clients qui ont placé les données au cœur de leur service desk pourront profiter rapidement de l’IA et de l’apprentissage automatique. Pour comprendre où en est votre maturité numérique en ce qui concerne les données et l’apprentissage automatique, je vous recommande d’explorer vos données et de commencer par clustering. Cela pourrait vous donner un aperçu de votre maturité numérique et où se trouvent les lacunes. Sur cette base, vous serez en mesure de définir votre feuille de route stratégique. Voici un exemple. Vous pouvez également consulter un de mes blogs précédents sur la façon dont l’apprentissage automatique s’applique à l’agent virtuel.

Essayez notre calculateur de ROI

Bertrand Lafforgue

Written by Bertrand Lafforgue

Bertrand has co-founded Konverso where he leads strategy, sales, partnerships and business development. Konverso has developed a vertical chatbot powered by artificial intelligence to augment the Service Desk team to better support millions of employees everyday.