机器学习对ITSM的影响

介绍

根据TechTarget，机器学习是一种人工智能（AI），赋予计算机无需明确编程即可学习的能力。对于像我这样需要更简单解释的人来说，机器学习处理的是能够从过去数据和经验中学习，以提升特定任务性能的系统。

机器学习已经开始在我们的日常生活中产生比任何人想象的更大的影响。例如，一对夫妇训练他们的喷灌系统，当猫进入草坪时自动开启以驱赶它们。

机器学习还有其他日常用途，如处理在线搜索请求，自动过滤电子邮件收件箱中的垃圾邮件，以及理解和回复智能手机上的语音命令。不足为奇的是，机器学习还可以通过以下方式惠及ITSM：

• 主动预测问题和故障
• 改进搜索功能和知识管理
• 更轻松地分类和路由问题

1. 高效处理一级事件

终端用户将能够搜索解决方案，并在无需技术人员介入的情况下自行解决事件。通过机器学习，帮助台可以被训练来扫描传入的工单，并基于系统的过往经验自动为终端用户提供解决方案。类似Google Assistant的聊天框也将帮助终端用户自行解决事件，甚至无需在帮助台提交工单即可获取信息。

例如，用户只需向帮助台发送“打印机无法工作”的消息，帮助台即可检查打印机的打印阈值，确认是否需要更换墨粉，并为此创建服务请求。若情况并非如此，系统还可以立即自动发送任何可能帮助终端用户的相关知识库文章。

帮助台还可以从过去的经验和数据中学习，将工单或任务路由到合适的技术人员或支持组，从而无需创建任何规则/工作流即可自动分配工单。机器学习将有助于缩短解决时间，提高帮助台团队的效率。

2. 服务请求的自动审批和自定义工作流

通过实施机器学习，帮助台可以被训练根据员工的角色、部门、工作地点及其他参数自动审批服务请求。例如，当设计师请求额外的设计工具/软件时，帮助台能够自动批准请求并启动工作流，无需等待经理批准。此外，帮助台还可以被训练自动检查分配给该设计师的工作站是否满足安装所请求工具/软件的最低系统要求，并在必要时创建升级系统的请求。所有这些都能自动完成。

帮助台系统还可能从过去的入职经验中学习，建议用户所需的软件和硬件类型、基于其角色/部门的访问权限、打印机配置设置等。这些都是提升向终端用户提供服务速度的选项。

3. 主动的问题预测与预防

通过机器学习，帮助台将能够分析事件模式并预测问题。更进一步，经过训练的帮助台可能能够自动触发通知或为预期问题创建问题工单，以便帮助台技术人员尽早处理。比如应用服务器性能开始下降时，帮助台能够根据该服务器的过往性能数据预测任何应用故障，警告可能受影响的终端用户，创建问题工单，并将任何相关的事件工单关联到该问题工单。

4. 高度动态的变更工作流

变更实施总是伴随着一定程度的风险。没有适当的计划和工作流，变更实施可能代价高昂。帮助台可以从以往的变更实施数据和经验中学习，帮助创建高度动态的工作流。

例如，通过实施机器学习，帮助台系统可能识别出变更实施失败的潜在迹象，并提示管理员在失败发生之前停止实施并执行回退计划。由机器学习指导的变更管理模块还能够在规划阶段根据以往经验提出建议。