1. 我是CIO首页
  2. 资讯
  3. 企业管理

ITSM中的10个AI和机器学习用例

ITSM中的10个AI和机器学习用例

CIO开始使用不同的AI和机器学习功能来改善IT服务管理流程。将AI集成到ITSM中的用例通常涉及自然语言处理和AI注入的ITSM数据挖掘。自然语言处理(NLP)用于自动执行用户对IT服务的请求。将机器学习应用于ITSM数据可以使IT从业人员对其基础架构和流程有更丰富的了解。自然语言处理(虚拟代理程序中的基础技术)通常是通过与员工已经使用的聊天服务(如Slack)集成来配置的,从而为用户提供了与IT服务台进行通信的熟悉界面。

原则上,由于ITSM系统生成的数据量很大,因此将机器学习应用于ITSM流程很有意义。系统收集有关请求内容的大量数据,以及有关何时,为什么以及由谁提供的信息。这些数据还可以一目了然地了解现有的IT资产和流程,并且可以帮助识别谁拥有它们,如何使用它们以及它们是否仍然相关。

AvePoint公共部门的首席技术官John Peluso表示:“数据是AI提供相关且有价值的见解的动力。机器学习产生的见解可帮助IT组织确定ITSM问题的优先级,采取预防措施,缩短解决时间并最终提高员工生产力。

准备好深入了解了吗?这是ITSM中AI和机器学习用例改变IT服务交付方式的10种方式。

1.使用聊天机器人对事件进行自动分类

集成到ITSM基础结构中的聊天机器人可用于对员工请求中的潜在问题进行分类。例如,Genpact已将BMC Chatbot添加到其BMC Helix SaaS套件中,该套件可跨云和本地基础架构自动实现与ITSM基础架构的连接。聊天界面简化了为50,000个Genpact用户分配优先级和自动化第一和第二级服务请求的能力。

2.智能分配传入请求

服务台团队具有不同的技能,其中一些团队比其他团队更擅长解决不同类型的IT请求。Equinix Inc.的CIO Milind Wagle说,将AI集成到ITSM中可以自动将票证分类为正确的支持组,而无需人工事先阅读票证中的内容来做出决定。

3.通过任务自动化自动满足基本要求

NLP可以帮助聊天代理处理请求和事件的类别。这些代理可以使用历史票证数据和ITSM 知识库来帮助回答常见问题。

Zoho Corp.旗下IT运营和服务管理提供商ManageEngine的产品经理Kumaravel Ramakrishnan表示,但是AI在ITSM中的这种应用要求知识管理专家创建一个适当的文档,以存储过去的请求历史和相关知识文章。

4.生成解决方案存储库

企业开始将IT运营供应工具直接嵌入开发人员使用的聊天服务中。这些DevOps机器人帮助生成一个统一的存储库,使开发人员和运营团队可以跟踪基础结构的更改以及如何成功解决不同类型的事件。以后,当出现类似问题时,人工智能引擎可以挖掘该存储库,以帮助运营团队更快地解决问题。

IT服务台也采用相同类型的工具来生成知识库,以用于更广泛的IT服务请求集。IT服务台提供商SysAid Technologies Ltd.产品副总裁Oded Moshe说:“有经验的优秀IT专业人员可以告诉您,他们今天解决的大多数问题都是基于过去解决问题的经验。” 人工智能还可以帮助将聊天渠道之外的IT服务请求数据挖掘到可用于解决当前问题的存储库中。扩充后的存储库加快了解决问题的过程。

5.事件解决指南

良好的ITSM存储库还可以通过ITSM工具指导事件解决。AI生成的建议可以像建议相关事件,解决方案文章或配置项一样简单,从而减少了思考如何定位项然后进行搜索所需的时间。

IT管​​理软件供应商SolarWinds的技术服务和ITSM的高级主管Matt Cox说,对ITSM工具的指导使用甚至更好。在这种情况下,AI会创建最佳实践,并自动将IT服务台从业人员指向该行为,而不是强迫他们确定ITSM工具的最佳用途。一个示例是创建一种算法,以识别相关事件及其趋势以进行问题管理,并建议代理打开问题记录。

6.通过机器学习优化的学习流程:用例

许多IT请求(例如员工入职)都需要人工代理执行一组复杂的步骤来满足请求。企业现在正在使用机器学习模型来观察人类如何执行这些流程,以便将来的请求可以更加自动化。在员工入职的情况下,机器学习模型会从历史记录的请求数据库中学习,该数据库涵盖根据新员工的工作类型,角色和部门采取的一系列行动。然后,训练有素的模型将新的请求分配给合适的技术人员。ManageEngine的Ramakrishnan说,通过识别员工入职请求数据库中的模式,基于机器学习的模型还可以建议员工在创建入职请求时需要正确的硬件或软件。

7.通过大数据分析提高主动解决问题的能力

大数据和分析技术的进步正在改善ITSM 的预测和相关功能。基于对存储库和用户行为模式的分析,人工智能和机器学习工具可以帮助减少最终用户遇到的IT问题的数量,或者在用户甚至不知道自己有问题之前就预测并满足他们的要求。

Broadcom Inc.企业解决方案架构师Ambarish Kayastha说:“可以预测从IT中断到单个用户硬件故障的问题,随着系统从过去的经验中吸取教训,自动应用或至少建议解决方案的成功率会越来越高。”

Dynatrace的DevOps活动家Andreas Grabner表示,通过AI,可以更好,更快,主动和自动化地解决因环境变化,最终用户行为变化或应用程序和服务内部变化而引入的问题。例如,Citrix正在Dynatrace,ServiceNow和AWS上使用ITSM集成。当Dynatrace引擎预测到问题时,它可以在影响客户之前进行根本原因分析。

8.通过标记异常重复事件来进行异常检测

通过传统的ITSM监视工具,某些IT事件的迹象可能不明显。AI机器学习模型正在训练中,以检测可能在多个IT系统中发生的异常行为。这些模型可以帮助在事件发生之前提醒IT人员注意问题。

9.使用预测性分析标记可能违反SLA的请求

IT服务请求可能导致软件和硬件配置混乱,从而降低应用程序性能,或者更糟糕的是,其完全崩溃。预测分析用于挖掘企业内部甚至企业之间的绩效数据,以识别潜在问题。这种见解可以为用户或IT服务台提供有关实现满足服务级别协议的请求的替代方法的指导。

10.识别安全漏洞

安全研究人员正在不断发现具有常用IT基础架构应用程序和配置的漏洞。这可以包括用于开发应用程序和基础结构的库。AI工具可以解释新报告并为安全团队确定问题的优先级,以便攻击者可以使用新发现的漏洞。

本文为作者 胡慧 独立观点,并不代表 我是CIO 立场。

发表评论

登录后才能评论