Проблема: «Слепые зоны» в данных ITSM
Системы управления IT-услугами (ITSM) накапливают огромные объемы гетерогенных данных в виде тикетов. Для отделов продаж и топ-менеджмента эта информация часто превращается в «шум», из которого невозможно извлечь actionable intelligence (действенные инсайты). Традиционные методы отчетности не справляются с семантической сложностью и разрозненностью записей.
Решение: Гибридный AI-конвейер
Команда авторов (Archan Dutta, Yash Dharmadhikari, Marat Valiullin, Rahul Guha, Alexander Liss) разработала и оценила социотехнический пайплайн, основанный на принципах дизайн-исследований. Архитектура решения включает три ключевых этапа:
- Нормализация схемы на базе LLM: Использование больших языковых моделей для приведения разнородных полей тикетов к единому стандарту.
- Кластеризация подтем (HDBSCAN): Выявление скрытых тематических групп внутри нормализованных данных.
- Иерархическая агломеративная кластеризация: Формирование двухуровневой структуры: глобальные «Main-topics» для руководства и детальные «Sub-topics» для операционных команд.
Результаты оценки: Доверие и полезность
Валидация проводилась на выборке из пяти респондентов, работающих в ролях Sales Engineering и Customer Success. Оценивались четыре метрики принятия решений. Результаты показали, что все индикаторы превысили порог в 4.0 балла из 5.0, что свидетельствует о высокой готовности бизнеса использовать инструмент.
| Метрика оценки | Средний балл (из 5.0) | Ключевой вывод |
|---|---|---|
| Интерпретируемость (Interpretability) | > 4.0 | Результаты легко понять без глубокой технической экспертизы |
| Действенность (Actionability) | > 4.0 | Инсайты позволяют принимать конкретные бизнес-решения |
| Доверие (Trust) | > 4.0 | Наиболее стабильный показатель; пользователи верят выводам AI |
| Вероятность использования (Likelihood of use) | > 4.0 | Высокий потенциал интеграции в рабочие процессы |
Значение для индустрии
Исследование позиционирует аналитику ITSM не просто как техническую задачу, а как проблему информационных систем (IS), требующую трансформации, абстракции и человеко-ориентированного дизайна. Успех подхода доказывает, что сочетание семантического понимания (LLM) и статистической строгости (кластеризация) способно закрыть разрыв между сырыми данными и стратегическим управлением.
Источник: arXiv cs.AI ↗