Sugestões de solicitações de mudança em aberto relevante para um incidente

Versão de lançamento: Xanadu

Atualizado 1 de ago. de 2024

6 min. de leitura

Use este modelo para recomendar solicitações de mudança em aberto semelhantes para ajudar a agilizar sua investigação de incidentes e processos de resolução.

Antes de Iniciar

Função necessária: piwb_manager ou piwb_viewer

Por Que e Quando Desempenhar Esta Tarefa

Este modelo de caso de uso ajuda a melhorar sua resolução na primeira chamada ITSM e reduz o tempo necessário para investigar as etapas de resolução para solicitações de mudança. O modelo também fornece um link para o aplicativo da plataforma Inteligência preditiva e a documentação associada.

O caso de uso utiliza um modelo preditivo baseado em semelhança que compara uma solicitação de mudança em aberto com solicitações de mudança resolvidas no passado para proporcionar uma resolução mais inteligente. Mudanças abertas semelhantes são exibidas em Assistência do agente e também no formulário de incidentes por meio da pesquisa relacionada.

Nota:

Você precisará de usuários comerciais para validar os resultados de pesquisa de mudanças abertas semelhantes. Contate Suporte e atendimento ao cliente, se necessário, para configurar fontes para pesquisa contextual.

Quando o modelo de caso de uso mostra o rótulo Pré-treinado, você pode ir diretamente para a seção de implementação Teste de modelos. Caso contrário, você começará criando um modelo de aprendizado de máquina.

Procedimento

Se você iniciou este procedimento diretamente do módulo Criar novo a partir do modelo do produto Workbench de inteligência preditiva e clicou no link de documentação do produto para acessá-lo, pule esta etapa.
Caso contrário, navegue até Workbench de inteligência preditiva > Casos de uso > Criar novo a partir do modelo.
Selecione o modelo Sugerir solicitações de mudança em aberto relevante para um incidente.
O pop-up Sugerir solicitações de mudança em aberto relevante para um incidente é aberto com um link para este procedimento e um link para o produto Inteligência preditiva da plataforma e para a documentação associada.
Crie e treine um modelo preditivo de aprendizado de máquina.
A criação de um modelo envolve o seguinte: criar um corpus de palavras, definir uma regra de previsão de semelhança, definir a frequência de treinamento inicial e definir a frequência de atualização.
1. Crie um corpus de palavras.
  
  Ao criar um corpus de palavras no formulário Conteúdo do corpus de palavras, selecione Incidente [incidents] e Mudança [change] no campo Tabela e defina o intervalo de tempo que melhor descreve o uso atual de palavras no campo Filtro. Por exemplo, se o seu sistema de TI passou por uma grande mudança na infraestrutura há seis meses, use apenas os dados dos últimos seis meses. No campo Lista de campos, defina somente os campos que melhor capturam as palavras: Descrição, Descrição resumida e Anotações de resolução. Essa definição por si só normalmente é suficiente, já que a regra de previsão deve encontrar solicitações de mudança com base na descrição resumida.
  
  A criação do corpus de palavras prepara você para a próxima etapa, criando a regra de previsão de semelhança.
2. Crie e treine uma solução de semelhança.
3. Para esta criação de modelo inicial, forneça o rótulo de definição de solução de semelhança Solicitações de mudança semelhantes em aberto no campo Rótulo.
4. Defina o campo Frequência de treinamento como Executar uma vez.
  É possível redefinir essa configuração depois de implementar esse caso de uso em seus processos de negócios e monitorar o desempenho no painel Workbench de inteligência preditiva.
5. Defina o campo Frequência de atualização como A cada 15 minutos.
  Essa configuração define a frequência com que as solicitações de mudança anteriores são atualizados na janela de pesquisa.
  Quando possível, e se aplicável, use um corpus de palavras existente, criado para outro caso de uso, a fim de reduzir os corpos de palavras gerais e facilitar a gestão desses registros. No campo Tabela do formulário Definição de semelhança, selecione somente as entradas de semelhança que estarão disponíveis no momento da previsão para solicitações de mudança. Você pode selecionar mais entradas no campo Tabela de teste, se necessário, para comparação. É melhor começar com campos semelhantes para os campos Tabela e Tabela de teste.
  As condições do campo Filtro determinam a janela de pesquisa de solicitações de mudança resolvidas no passado. Configure as condições do filtro para otimizar o melhor conjunto de solicitações de mudança resolvidas para pesquisar. Isso inclui muitas considerações, como intervalo de tempo, local, categoria em que as solicitações de mudança são relevantes e muito mais.
6. Clique em Enviar e treinar para criar seu registro de solução de semelhança e treiná-lo.
  Como alternativa, você pode clicar em Enviar para salvar seu registro de solução de semelhança e retornar para treiná-lo mais tarde.
Avalie e ajuste seu modelo

Se você tiver uma pontuação de semelhança acima de 60, mas os dois incidentes não forem semelhantes, convém criar outro modelo, corpus de palavras ou ambos, alterando entradas e filtros. Lembre-se de que modificar a definição da solução ajudará você a criar uma nova solução, mas invalidará a solução anterior.

Se você quiser reverter para a definição da solução anterior, será necessário redefinir os parâmetros e treinar novamente a solução. Portanto, primeiro tente criar um novo modelo de semelhança antes de criar um novo corpus de palavras.

Se você quiser ajustar a pontuação da sua solução de semelhança, consulte Atualizar seu limite de pontuação de semelhança.
Quando tiver um modelo satisfatório, teste a previsão de solução de semelhança.
Você pode fornecer entradas manualmente e selecionar os principais valores de resultados semelhantes.
Depois de testar o comportamento, configure a experiência do usuário para mostrar os resultados atribuídos e as ações executadas nos resultados.
Você pode configurar esses resultados e ações por meio da IU Espaço para Assistência do agente ou por meio de Now Platform para Pesquisa contextual. Configure ações e contexto de pesquisa pela configuração de Tabelas e a experiência do usuário e o layout do cartão usando Pesquisa contextual > Configuração de exibição do resultado da pesquisa.
Integre modelos treinados exportando-os para produção.

Nota:
Para obter detalhes sobre a implementação de integração de casos de uso treinados, consulte Integração e personalização de Workbench de inteligência preditiva.
Monitore os resultados de semelhança e verifique se os agentes de TI estão fornecendo um feedback útil.

A experiência do sistema base Inteligência preditiva inclui um mecanismo de feedback interno para distinguir se os resultados de semelhança são úteis. Treine seus agentes de TI para fornecer feedback, on-line e off-line, para capturar esses dados para emissão de relatórios futuros. Como este é um algoritmo não supervisionado, pode ser necessário obter feedback periódico dos agentes de TI para verificar se o modelo de semelhança ainda está fornecendo resultados satisfatórios. Este feedback é a única maneira de determinar se o modelo se desviou e requer novo treinamento. Assegure que parte de sua estratégia de implementação e integração, bem como seu processo de gestão de mudanças, incluam o treinamento de agentes de TI para fornecer feedback de resultados de semelhança.
Comunique o valor de Inteligência preditiva às partes interessadas vinculando os KPIs (principais indicadores de desempenho) às métricas de aprendizado de máquina.

Selecione um ou mais KPIs que você considere mais benéficos para os seus agentes de TI. Crie um painel Performance Analytics que mostra a tendência desses KPIs. As "curtidas" que você recebe dos agentes de TI por meio do mecanismo de feedback ajudam a comunicar o valor de Inteligência preditiva.

Para obter informações sobre o painel Predictive Intelligence workbench, consulte painel Workbench de inteligência preditiva para ITSM.