НЕОБХОДИМОСТЬ АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ ОБРАЩЕНИЙ ПОЛЬЗОВАТЕЛЕЙ В СФЕРЕ СОПРОВОЖДЕНИЯ ИНФОРМАЦИОННЫХ СИСТЕМ

Любой IT-проект имеет риски, поэтому управление ими является неотъемлемой частью управления проектом. Говоря об управлении рисками проекта – это совокупность методов анализа и нейтрализации факторов риска, включающих в себя процессы, обеспечивающие идентификацию, анализ, планирование рисков, разработку откликов и контроль в течение всего жизненного цикла проекта.

Одной из важнейших мер по уменьшению влияния рисков на такого рода проектах является техническая поддержка системы, постоянный мониторинг и ее тестирование. Техническая поддержка – сложный процесс, который, как правило, состоит из нескольких процессных пулов (первая, вторая и третья линии поддержки). Например, вторая линия поддержки обладает более глубокими техническими навыками, нежели первая. Это позволяет решать проблемы, связанные с ошибками в работе функционала системы, что уже нельзя назвать простой консультацией.

Процесс сопровождения

Например, сопровождение одной из государственных систем, как видно на рисунке 1, это сложный бизнес-процесс, включающий несколько линий поддержки.

Рисунок 1. Общий процесс сопровождения

Если у Пользователя возникает проблема, он обращается на первую линию поддержки. В случае, если консультанты находят решение в базе знаний, то пользователь сразу же получает консультацию по устранению возникших трудностей. Однако при инцидентах, требующих экспертизы технически подкованных специалистов, заявка передается на следующие уровни – вторую и третью линию поддержки.

В ходе обработки заявки, как показано на рисунке 2, сотрудник анализирует заявку. В случае, если данных, предоставленных пользователем в заявке, оказывается недостаточно, то специалисты службы поддержки, как правило, запрашивают у него дополнительные сведения, необходимые для диагностики инцидента и выработки решения. Если же информации, предоставленной пользователем, достаточно, специалист службы поддержки проводит диагностику, подготавливает решение и отправляет его пользователю. Обращение может быть открыто пользователем повторно, в случае если предоставленное ему решение не устранило имеющуюся проблему. Зачастую требуется несколько итераций для решения наиболее сложных инцидентов.

Рисунок 2. Подпроцесс «Обработать заявку»

В случаях, если для выработки решения требуется привлечение непосредственно разработчиков, то обращение передается на третью линию поддержки.

Нужно отметить, что данный процесс имеет узкие места. Проблемность сугубо очевидна на этапе анализа заявок – из-за их большого количества они начинают «копиться». Следующее узкое место возникает на этапе подготовки решения, занимающее достаточно времени за счет трудоемкости процесса, что также создает очередь. Узкие места общего процесса сопровождения и декомпозированного подпроцесса «Обработать заявку» обозначены на рисунках 1 и 2.

Анализируя частоту предоставления отчетности на рисунке 3, можно спрогнозировать «высокий сезон» обращений с однотипными проблемами.

Рисунок 3. График предоставления государственной отчетности

Автоматизированная обработка

Для решения проблем, обозначенных выше, но с минимальным участием человека все чаще используются алгоритмы автоматизированной обработки.

Алгоритмом обрабатывается входная информация и в зависимости от изменений своего состояния во времени формируется совокупность выходных сигналов. К примеру, нейронные сети сейчас находят широкое применение в направлениях разработки искусственного интеллекта. Основа нейросетевого подхода заключается в рассмотрении очень простых однотипных объектов, соединенных в сложную и крупную сеть [1].

Другое не менее важное свойство автоматизированной обработки – способность к машинному обучению и обобщению накопленных знаний, не упуская деталей [2]. Натренированный на ограниченном множестве данных алгоритм способен обобщать полученную информацию и показывать хорошие результаты на данных.

Классификации методом машинного обучения лежат в основе большинства современных систем распознавания и синтеза речи. Обычно документы, в нашем случае обращение пользователя, преобразуются в векторное представление в пространстве (называемое также пространством признаков), так как большинство алгоритмов машинного обучения работает именно в нем.

В основе таких алгоритмов заключены сложные математические модели, благодаря которым они способна к обучению. Классический подход к решению подобной задачи включает несколько шагов. Анализ набора данных, выделение ключевых слов и фраз, и в зависимости от количества слов, встречающихся в обращении, определение координат каждого из них в пространстве признаков.

В ходе сопровождения системы нарабатывается большая база, как возможных ошибок, так и пар «вопрос-ответ». Такой набор данных отлично подойдет для обучения автоматизированных алгоритмов. Имея начальные параметры «вопросы» и ожидаемые результаты «ответы», алгоритм, изменяя весовые коэффициенты, со временем станет меньше ошибаться.

Конечно, работа с обращениями включает и обработку естественного языка, а также анализ эмоциональной окраски. Для этого можно использовать в том числе уже готовые фреймворки.

В связи с этим можно говорить и об экономии трудозатрат. В среднем для решения консультационного вопроса специалист тратит от 3 до 5 минут рабочего времени. А, к сравнению, обученная нейронная сеть же может предоставить готовое решение в течение нескольких секунд. Разница очевидна в масштабах одной заявки, что говорить о тысячах.

Голосовые помощники, такие как «Алиса» от Яндекс или, например, «Siri» являются примером успешного внедрения многослойных нейронных сетей для решения проблем и поиска решений. Они могут верно классифицировать запрос человека и подбирать верное решение.

На данный момент алгоритмы автоматизированной обработки обращений пользователей все больше становится необходимостью для процесса технической поддержки. К исследованию и разработкам подобных методов обращаются все больше крупных компаний, желая автоматизировать и упростить поиск решения проблем своих пользователей.

Список литературы:

1. Бугаков С. С. Перспективы внедрения нейронных сетей в реализацию систем поддержки принятия решений // Молодой ученый. — 2016. — №4. — С. 343-346. — URL https://moluch.ru/archive/108/26199/ (дата обращения: 02.09.2018).
2. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.