Dans les blogs précédents, j'ai évoqué les avantages du traitement du langage naturel. L'apprentissage automatique est un autre domaine d'intérêt. L'apprentissage automatique est très prometteur pour la gestion des services informatiques, par exemple pour la catégorisation et l'acheminement des incidents. Dans ce blog, je souhaite démystifier l'apprentissage automatique et faire en sorte que votre équipe de service desk se sente à l'aise. Je parlerai de trois cas d'utilisation dans le service d'assistance informatique où l'apprentissage automatique génère des avantages commerciaux tangibles pour les clients.
CLUSTERING
Le clustering fait référence au concept de classification non supervisée, appartenant à la grande famille de l'apprentissage non supervisé. Le clustering vise à déterminer une segmentation de la population étudiée sans " a priori " sur le nombre de classes, et à interpréter " a posteriori " les groupes ainsi créés. Ici, l'homme n'assiste pas la machine dans sa découverte des différentes typologies puisqu'aucune variable cible n'est fournie à l'algorithme lors de sa phase d'apprentissage. Le clustering revient à rechercher une structure "naturelle" dans les données, puisqu'aucune typologie cible n'est préalablement fournie à l'algorithme. L'idée est de déterminer des classes qui doivent être à la fois les plus homogènes possibles tout en se distinguant le mieux possible les unes des autres.
Le clustering est un cas d'utilisation très intéressant pour les Service Desk Managers car il s'agit essentiellement de la possibilité de regrouper leurs enregistrements ITSM sur la base d'une analyse sémantique. En général, les équipes du 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, etc. Elles analysent le volume de tickets pour les incidents, les demandes, les problèmes. Cependant, il est désormais possible d'ajouter une analyse de regroupement basée sur l'apprentissage automatique. En effet, pour la plupart des enregistrements dans l'ITSM, il existe une longue description textuelle qui provient soit de l'utilisateur final, soit de l'agent du service desk. Le regroupement fournira donc sa propre représentation des données. Il regroupera les cas similaires. Le regroupement aidera à identifier les incidents récurrents et les demandes qui sont de bons candidats à l'automatisation. Il permettra également d'identifier les incidents similaires qui ne sont pas associés à un article de connaissance. C'est un cas d'utilisation très important pour calculer le retour sur investissement potentiel d'un agent virtuel. Je vous encourage à lire notre histoire de réussite avec Veolia.
CLASSIFICATION
La classification automatique ou supervisée est la catégorisation algorithmique des objets. Elle consiste à attribuer une classe ou une catégorie à chaque objet (ou individu) à classer, sur la base de données statistiques. Elle fait généralement appel à l'apprentissage automatique. Cette classification renvoie à l'action de classer, donc de "placer dans une classe". La classification renvoie à l'action de classer, donc de "déterminer des critères de classification, définir des classes".
Dans le domaine du Service Desk, la classification fournit des modèles prédictifs qui recommandent et catégorisent automatiquement les champs critiques (catégorie, priorité...) pour les utilisateurs ou les agents. Elle automatise les processus répétitifs et fastidieux de création, de classification et d'acheminement des tickets pour les agents. La classification soutient les équipes du service desk grâce à l'analyse historique des tickets. Il peut soit recommander une nouvelle classification, soit effectuer une classification automatique basée sur l'historique des tickets. Par exemple, certaines entreprises pourraient réduire les ressources allouées au support de niveau 0, qui consiste à qualifier les tickets et à les acheminer vers le meilleur groupe de résolution. La classification réduit le MTTR, les taux de rebond et les erreurs de classification des tickets.
SIMILARITÉ
L'apprentissage par similarité est un domaine de l'apprentissage automatique supervisé en intelligence artificielle. Il est étroitement lié à la régression et à la classification, mais l'objectif est d'apprendre une fonction de similarité qui mesure le degré de ressemblance ou de parenté de deux objets. Il trouve des applications dans le classement, les systèmes de recommandation, le suivi des identités visuelles, la vérification des visages et la vérification des locuteurs. L'apprentissage par similarité utilise l'approche du plus proche voisin pour identifier la similarité entre deux ou plusieurs objets sur la base de fonctions de distance algorithmiques. Pour que l'apprentissage par similarité fonctionne à la vitesse et à l'échelle des normes d'apprentissage automatique, deux capacités essentielles sont nécessaires : l'indexation à grande vitesse et les fonctions de distance métriques et non métriques.
En réutilisant des enregistrements similaires, l'apprentissage par similarité peut aider les agents ou les utilisateurs à fournir rapidement la meilleure résolution pour un incident entrant ou les meilleurs articles de catalogue pour une demande. Ce cas de figure est également très utile pour le service d'assistance informatique. Selon une étude, 40 % des appels au service d'assistance informatique concernent des cas récurrents ou similaires. Il devient évident que le Service Desk peut alors déléguer à un agent virtuel la capacité de répondre aux questions fréquentes sur la base de l'apprentissage par similarité.
AUTRES SCÉNARIOS
L'apprentissage automatique s'appliquera à de nombreux autres services pertinents pour le service d'assistance informatique. Si vous dirigez une entreprise multinationale, vous proposez une assistance informatique en 5 ou 10 langues. Cela signifie que vous voulez des services intelligents tels que l'agent virtuel pour prendre en charge les conversations avec vos employés dans différentes langues. La traduction automatique, parfois désignée par l'abréviation MT, est un sous-domaine de la linguistique informatique qui étudie l'utilisation de logiciels pour traduire un texte ou un discours d'une langue à une autre. Vous souhaitez ajouter des fonctionnalités vocales ou d'appel et, dans ce cas, vous aurez recours à la synthèse vocale et à la conversion de la parole en texte.
VOTRE FEUILLE DE ROUTE POUR L'APPRENTISSAGE AUTOMATIQUE
Les clients qui ont placé les données au cœur de leur Service Desk seront en mesure de tirer rapidement parti 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 le clustering. Cela pourrait vous donner un aperçu de votre maturité numérique et de vos lacunes. Sur cette base, vous serez en mesure de définir votre feuille de route stratégique. Voici un exemple ci-dessus. Vous pouvez également consulter l'un de mes blogs précédents sur l 'application de l'apprentissage automatique à l'agent virtuel.
