Otomatik Olay Kategorizasyonu için 3 Adım

BT destek temsilcilerinize Yapay Zeka ile yardımcı olmaya mı çalışıyorsunuz? Harika! Sizin ve ekibinizin "Cluster Purity", "Stop Words" veya "Levenshtein Distance” algoritması gibi konularda uzman olmaya vaktiniz yok mu? O halde bu makale, birkaç adımda AI destekli Olay Kategorizasyonundan nasıl yararlanabileceğiniz konusunda size yardımcı olabilir.


Adım 1 - Kategori Yapınızı Optimize Edin

Olay sınıflandırmanız için hangi eğitim verilerinin kullanılacağını, hangi filtrelerin uygulanacağını ve kaç kayıt kullanılacağını bile düşünmeden önce, mevcut olay kategorizasyonunuzun bir revizyonu hak edip etmediğini düşünmeniz gerekecektir. Gördüğüm örneklere dayanarak, bazı ITSM çözümlerinde, ortak AI algoritmalarıyla hemen çalışan kategorizasyon ağaçları olabilir. Ayrıca birinci seviyede 150'den fazla kategoriye sahip kategorizasyon yapıları ve çok dengesiz sonuç dağılımı gördük.



Dağıtılmamış sonuçlar, çok fazla sayıda vakanın "Belirlenmemiş" veya "Genel" gibi birkaç kategoriye atandığı, diğer kategorilerin ise tüm kayıtların yalnızca %0.01'inin kullanıldığı anlamına gelir. Hiçbir algoritma bu tür eğitim verilerini sevmez. Bu nedenle, otomatik olay sınıflandırmasının kullanıma sunulması, kategorizasyon ağacınıza yeniden bakmak için harika bir zaman olabilir. 7 ila 15 kategoriden oluşan anlamlı bir birinci düzey kategorizasyon bulabilir misiniz?


Kategorizasyon başlı başına bir sanattır. Hizmet masalarının farklı doğası ve destek kapsamı nedeniyle herkese uyan tek bir konsept yoktur. Ayrıca, son kullanıcılar genellikle bir sorunun hangi kategoriye ait olduğunu bilmezler. Ancak, herhangi bir BT organizasyonu için aşağıdaki genel kategorilerden bazıları şu anda sahip olduğunuzdan daha iyi bir başlangıç ​​noktası olabilir mi: Erişim Yönetimi, Varlık Yönetimi, ERP, İletişim, Bağlantı, Müşteri İlişkileri Yönetimi, Son Kullanıcı Cihazları, Tesis Yönetimi, Finansal Yönetim , Genel Ofis Araçları, İnsan Kaynakları Yönetimi, Bilgi Güvenliği, Altyapı Yönetimi, BT Hizmet Yönetimi, Baskı.


Ayrıca hemen tüm kategori ağacını düşünmek isteyebilirsiniz. Gelecekte iki seviyeli kategorizasyon için hangi kategorileri ve hangi alt kategorileri sunmak istiyorsunuz? İkinci seviye, sunduğunuz hizmetlerle mi ilgili yoksa sadece bir alt kategori mi? İkinci durumda, birinci düzey kategorileri şu şekilde daha da basitleştirmek isteyebilirsiniz: Erişim, Yazılım, Donanım, Yazdırma, Ağ ve Veritabanı.


Kategorinizi değiştirdiyseniz, artık her kategori için yeterli sayıda olayı nasıl elde edeceğinizi düşünebilirsiniz. Geçmiş olayları yeniden kategorize edebilir veya yeni kategorilerle birkaç ay çalışabilir ve fazladan çaba harcamadan yeterli eğitim verisi toplayabilirsiniz.


2. Adım – Eğitme Verilerinizi Seçin

AI algoritmaları için anlamlı bir kaynak veri seti seçmek, düşündüğünüzden daha az karmaşıktır. Amaçları ve karşılık gelen eylemleri tanımak için bir sohbet robotunu eğitmekten çok daha az emek yoğun olduğu kesin. Olay sınıflandırmasına yönelik eğitim seti, temel olarak iki faktörü dikkate almalıdır: miktar ve uygunluk.


Alaka düzeyi, verilerinizin güncelliği açısından önemlidir. 2 yıl önce farklı bir destek kapsamı veya farklı bir BT mimarisi (bulut, yerinde, vb.) ile kullanılan kategorizasyonu kullanmanın pek bir değeri olmayabilir.


İkincisi ve daha da önemlisi, veri miktarı önemlidir. Yapay zeka destekli olay sınıflandırmasına sahip her ITSM çözümü, kaç kaydın optimal olduğu konusunda bir şekilde farklı olabilir. Yine de, KnowITSM’de temel kural, eğitim verilerinin her kategori için en az 500 kayıt içermesidir. Ayrıca, toplam veri miktarı bir şekilde alakalıdır. Algoritmaya 50000'den fazla kayıt atmak, sonuçları artık pek iyileştirmeyebilir. Ancak her kategori için yeterli veriye ihtiyacınız var. Sonuç olarak, eğitim verilerinizi "seçmek", eski ve alakasız kayıtları arşivlemekten başka bir şey ifade etmeyebilir.


Deneyimlerimize dayanarak, müşteriler, değer katmayan en yaygın karakterleri ve kelimeleri hemen tanıyan güçlü bir algoritma kullanırken, verileri manuel olarak filtrelemek veya düzenlemek için zaman harcamazlar. Yeterli ilgili eğitim verisine sahip olduğunuzda, olay kategorizasyonunuz, temsilcilere günlük işlerinde yardımcı olmak için size yeterince iyi öneriler sunmalıdır.





3. Adım - Güven Puanlarınızı Ölçeklendirin

Olay kategorizasyonunuzla canlı yayına geçmeden önceki son ve basit adım daha çok estetik niteliktedir, ancak kullanıcının makine öğrenimi teknolojisini kabul etmesinde bir fark yaratır: güven puanlarınızı ölçeklendirmek. Güven puanı, önerilen her kategoriyle birlikte görüntülenen ve algoritmanın ilgili olaya uyan öneriden ne kadar emin olduğunu gösteren bir yüzde rakamıdır.


Daha önce de belirtildiği gibi, teorik olarak, her kategori için yeterli eğitim verisine ihtiyaç vardır. Ama gerçek hayat asla mükemmel değildir. Özellikle kategorilerinizi değiştirdikten sonra yeterli eğitim verisine sahip olmadığınızı varsayalım. Bu durumda, önerilen kategorilerle görüntülenen güven oranları, en iyi puanlama sonuçları için bile çok düşük olabilir. Neyse ki, olay kategorizasyonları için hemen hemen her AI uygulaması, güven oranlarının ölçeklendirme faktörünü ayarlamanıza izin verir. Ölçeklendirme faktörünü değiştirmeye yönelik iki veya üç denemeden sonra, yapay zeka destekli olay kategorizasyonunu ilk kez kullanan şüpheli olmayan aracı için anlamlı olan anlamlı güven oranları alacağınızdan eminim.


Özet

Otomatik veya destekli olay sınıflandırması, değer yaratmak için özel bir veri bilimcisi gerektiren roket bilimi olmak zorunda değildir. Temeli, yani gerçek kategori yapısını doğru alırsanız, gerisi çocuk oyuncağı olacaktır. Yine de, bir BT destek temsilcisinin günlük yaşamında çok yardımcı olabilir.


KnowITSM’in olay sınıflandırmasının nasıl çalıştığı hakkında daha fazla bilgi edinmek veya canlı bir demo görmek istiyorsanız, bizimle iletişime geçmekten çekinmeyin.