АСА-2021: новый виток развития «умного» ассистента

Сделано ранее

АСА — это многофункциональное решение, которое на сегодняшний день умеет анализировать текст обращений, классифицировать, распределять на наиболее подходящую для решения команду и направлять обращения доступному и наиболее компетентному инженеру, оповещать инженеров о событиях в ITSM-системе, новых назначениях и других изменениях, контролировать качество услуг и SLA, а также способно предлагать решения на основе истории того, как ранее был решен подобный запрос.

Как развивался АСА за последний год?

За последний год был продолжен выработанный ранее компанией подход по улучшению функциональной части смарт-ассистента. Идеи по развитию, по-прежнему, поступают от конечных пользователей — сотрудников, которые предоставляют сервисные услуги. Благодаря этому в 2021 году был добавлен новый функционал, и проделана работа по следующим направлениям:

— Автоматическое решение запросов на обслуживание (auto-resolve). Платформа ART (Auto resolve tool) была спроектирована и протестирована в конце 2020 года. В основу платформы были заложены следующие принципы: безопасность, эффективность и универсальность решения при минимальной стоимости внедрения и дальнейшего сопровождения. Поэтому был выбран «native» функционал ОС Windows, на котором и была построена платформа. С начала 2021 года платформа пилотируется на одном из сервисных проектов (поддержка O365, 2-ая и 3-я линия поддержки): за этот период было автоматически решено 350 запросов (среднее время выполнения 1 запроса — до двух часов). В ближайших планах увеличение количества проектов, в которых будет использоваться АRT, а также использование Azure DevOps для разработки, тестирования и доставки автоматизированных сервисов и платформы ART в целях автоматизации сервиса по доставке ПО через MS Intune.

- Оценка сложности инцидента. Если раньше при работе с ITSM-системами считалось количество запросов, которые решает инженер, то сейчас по каждому решенному тикету можно дать качественную оценку. Для этого используется несколько критериев. Например, уникальность тикета, количество комментариев по его решению, количество команд, участвовавших в решении. Кроме того, анализируется, как был получен тикет: если его оставил пользователь, то присваивается один вес, если тикет поступил от системы мониторинга, то — второй. На основании этой аналитики, по каждому тикету определяется сложность (complexity) в баллах — high, medium, low. Это дает возможность оценить производительность инженера, не только считая количество решенных им тикетов, но и учитывая их сложность. Например, Вася решил 10 тикетов, а Петя 5. И кажется, что Вася — более производительный инженер. Но если посчитать сложность решенных тикетов, то окажется, что все 10 тикетов, которые решал Вася, были простыми (low), и в сумме наша модель их оценила в 50 баллов, а Петя занимался пятью очень сложными тикетами (high), и модель их оценила в 100 баллов. На сегодняшний день данный функционал уже используется на одном проекте, но в планах протестировать на других.

— Автоматический demand- и trend- анализ, который проводится на неструктурированных данных. К примеру, есть несколько команд, у которых в ITSM-системе не проставлены классификаторы, и есть просто текст, который пишут пользователи. Его анализ — трудоемкая задача: когда таких событий много, их сложно оценить с точки зрения повторяемости и т.д. Для решения этой проблемы было разработано решение на базе машинного обучения c применением метода обучения без учителя (unsupervised learning) и алгоритмов обработки естественного языка (natural language processing). Используемая модель анализирует тексты обращений пользователей и объединяет однотипные события в группы (кластеры): чем больше группа — тем острее и популярнее проблема, и можно понять, на что стоит обратить внимание в первую очередь.

— Дополнительные сценарии для нотификации специалистов (notification bot). Для этого рассматривались события, которые еще можно передать на автоматический контроль. Было решено использовать алгоритм эскалаций: если какое-то событие произошло, а инженер не среагировал в отведенное время, то уведомление переключается на его тимлида (team leader). Бот является модулем контроля за ITSM-процессами, в котором прописаны сроки, задачи, ответственные и триггеры наступления событий.

Благодаря расширению функционала и всем принятым нововведениям на сегодняшний день решение АСА позволяет экономить более 5200 часов рабочего времени сотрудников, координировать более 170 тыс. запросов на обслуживание и инцидентов в год, выдавать более 130 рекомендаций по решению тикетов ежедневно.

Планы на ближайшее время

В планах у компании связать смарт-ассистент с корпоративной базой знаний (Knowledge Base) ICL Services. Чтобы помимо предложений с решениями на основании идентичных инцидентов, инженеру приходила подсказка на статью из базы знаний, которая могла бы ему помочь в решении тикета.

Кроме того, планируется усовершенствование сервиса взаимодействия с ITSM для управления системой через чат-бота, а также реализация автоматического решения инцидентов с помощью модели машинного обучения. Она будет предсказывать, на кого передать тикет (auto-resolve или инженер), и классифицировать тикет для определения процесса auto-resolve, по которому нужно отправить тот или иной инцидент, и решения, которое необходимо для него запустить.