Chatbots de ITSM: 6 casos de uso baseados em IA para o seu service desk

Chatbots.

Os chatbots podem ser treinados para abordar uma categoria específica de solicitações e incidentes, desde que haja uma documentação adequada do histórico de solicitações anteriores e todos os artigos de conhecimento relevantes. Aqui, vamos discutir dois cenários em que os chatbots podem ajudar os service desks: O primeiro é uma aplicação da inteligência artificial restrita, que já está disponível, e o segundo se baseia na inteligência artificial geral, que é mais eficiente, mas pode levar mais tempo para ser desenvolvida.

Chatbots – Cenário 1: Resolver o problema da impressora (IA, restrita)

Um problema que parece assombrar tanto os usuários finais quanto os técnicos de TI é quando a impressora para de funcionar. Na maioria dos service desks de TI, a solução para cada problema de impressora já está bem documentada, o que significa que muitos usuários finais podem resolver esses problemas por conta própria, sem envolver um técnico de TI. Ainda assim, diversos incidentes com impressoras são reportados, o que pode minar a produtividade. Esses incidentes podem ser tratados por um chatbot treinado para abordar especificamente os problemas com impressoras.

Em uma conversa típica entre um chatbot e um usuário final que comunica um problema na impressora, o chatbot responde ao usuário com base nos artigos disponíveis da base de conhecimentos. O chatbot sugere primeiro ao usuário a solução com maior taxa de sucesso, seguida pelas demais soluções disponíveis na ordem do seu percentual de sucesso. Quando o chatbot fica sem soluções para sugerir, ele pode colocar um técnico humano para ajudar o usuário final; ele pode até ser treinado para criar um ticket em nome do usuário e atribuí-lo ao técnico adequado ou a um grupo de suporte com base em dados anteriores. Com diversas ferramentas de chatbot de terceiros no mercado, e várias soluções fornecidas por provedores de service desk de TI, os service desks podem implementar chatbots nesse exato momento.

Chatbots – Cenário 2: Resolver o problema da impressora (IA, geral).

Conforme a tecnologia que impulsiona a IA avança, os chatbots conseguirão fazer mais do que apenas sugerir soluções. Por exemplo, imagine o mesmo problema da impressora de antes com um chatbot mais envolvente. Os algoritmos de IA e os chatbots podem se tornar mais inteligentes do que são atualmente e, em breve, poderão identificar problemas proativamente e fornecer a resolução necessária.

Por exemplo, uma solicitação pode ser criada para a substituição do toner antes mesmo de o usuário reportar o problema. Com modelos baseados em machine learning (ML), as solicitações de serviço podem ser criadas automaticamente para a substituição do toner e outros suprimentos antes que eles acabem. Além disso, quando o usuário reportar o problema, o chatbot poderá consultar o banco de dados de solicitações para determinar se uma solicitação já foi criada para o mesmo problema antes de verificar o módulo de soluções. Se e quando identificar uma solicitação, o chatbot poderá fornecer todos os detalhes relevantes para atualizar o usuário. Embora essa funcionalidade ainda não esteja disponível, talvez não demore muito para que isso aconteça.

Além desses dois cenários, há várias maneiras pelas quais os chatbots podem ser úteis. Alguns exemplos são apresentados abaixo.

Chatbots – Cenário 3: Solicitação de ativo de usuário remoto

Um usuário final em campo (por exemplo, um vendedor) reporta que seu laptop está lento e precisa ser substituído. Ele tenta encontrar a maneira correta de atualizar o ativo, mas não consegue. Em seguida, ele tenta ligar para o service desk, mas não consegue falar com ninguém. Como último recurso, ele recorre ao chatbot.

Chatbots – Cenário 4: Adicionar notas, comentários ou anotações a uma solicitação

Um técnico de TI está trabalhando remotamente para diagnosticar um problema em uma estação de trabalho, e por isso não consegue acessar o portal do service desk para atualizar os detalhes da solicitação. Em vez disso, ele usa o chatbot de assistente técnico para fazer seu trabalho.

Gestão do Conhecimento

Algoritmos de IA e chatbots são tão eficazes quanto a base de conhecimentos disponível. Felizmente para nós, a IA também pode ajudar a construir uma base de conhecimentos robusta. Discutiremos dois casos de uso para entender como a IA pode contribuir para a Gestão do Conhecimento em service desks de TI.

Gestão do Conhecimento – cenário 1: Classificar soluções automaticamente para aprová-las e rejeitá-las

Para cada incidente ou categoria de incidente, pode haver várias soluções e artigos da base de conhecimentos que foram utilizados durante um período. Modelos específicos baseados em ML podem ser treinados para identificar a taxa de sucesso de cada uma dessas soluções com base no desempenho histórico. Isso pode ser feito considerando vários fatores, como a taxa de reabertura de tickets, a classificação dos artigos pelo usuário final e pelo técnico e o reconhecimento dos usuários finais.

Com base em métricas como essas, um modelo baseado em ML pode até sugerir quais artigos devem ser retirados e quais podem ser melhorados. A classificação das soluções com base no seu desempenho ao longo do tempo também ajuda o service desk de TI a fornecer as soluções corretas para os usuários no momento da criação do ticket e ajuda os chatbots durante uma sessão de chat.

Gestão do Conhecimento – cenário 2: Identificar áreas problemáticas e agrupar artigos da base de conhecimentos

Modelos baseados em ML, como aqueles discutidos no cenário 1, podem ser treinados para identificar as categorias de incidentes que apresentam o maior número de incidentes L1 recebidos, incidentes repetidos e incidentes reabertos. Consequentemente, um modelo de ML pode sinalizar essas categorias com base na gravidade dos parâmetros acima. Ele também pode fornecer informações sobre quais categorias precisam de mais esforços de gestão do conhecimento da equipe de service desk de TI, como documentar as soluções adequadas, revisá-las e publicá-las. Isso ajuda a equipe de service desk a identificar as áreas que precisam de mais trabalho e a criar soluções relevantes e artigos da base de conhecimento para ajudar tanto os usuários finais quanto os técnicos.

Gerenciamento de solicitações de serviço

Atualmente, as solicitações de serviços complexas, como integração de funcionários, são coordenadas manualmente por técnicos ou baseadas em automações predefinidas. A execução manual dessas tarefas pode ser ineficiente e complicada. No que tange às automações atuais, a maioria dos processos são estáticos e não têm inteligência. Essas automações não atendem necessariamente a todos os cenários possíveis e exigem intervenção humana periodicamente para continuarem no caminho certo. No entanto, com a aplicação da tecnologia de IA, como Machine Learning, modelos e algoritmos podem ser treinados para automatizar fluxos de trabalho de solicitação de serviço dinamicamente com base no histórico de solicitações. Esses modelos de automação baseados em ML continuam aprendendo com cada bit de dados ativos para ajustar os fluxos de trabalho visando obter maior eficiência.

Gerenciamento de mudanças de TI

O gerenciamento de mudanças de TI é um processo que pode representar o sucesso ou fracasso da infraestrutura de TI de uma empresa. Grande parte do planejamento e da avaliação de riscos é incorporada nas mudanças antes delas serem implementadas. Apesar de todo esse esforço, as mudanças ainda podem falhar devido a erro humano. Quando se trata de analisar mudanças, as pessoas também podem ter dificuldades para extrair insights do enorme volume de dados gerados no gerenciamento e implementação de mudanças de TI. A IA pode ajudar a minimizar os riscos de gerenciamento de mudanças, evitando erros humanos e melhorando a análise.

Gerenciamento de ativos de TI

O Gerenciamento de Ativos de TI e um banco de dados de gerenciamento da configuração (CMDB) servem como base sobre a qual todos os processos de ITSM funcionam. A IA também pode ajudar as equipes de service desk de TI a monitorar e gerenciar melhor os ativos de hardware e software de TI. Os sistemas de ML podem monitorar constantemente o desempenho de um item de configuração (IC) ou analisar os dados de desempenho de ICs disponíveis e prever falhas, poupando os usuários finais e as equipes de TI de uma pilha de problemas. A IA pode ajudar as ferramentas de service desk de TI a sinalizar anomalias e gerar avisos críticos ao ligar os pontos em diversas áreas, o que é quase impossível de ser realizado manualmente.

Estas são algumas áreas nas quais a IA começará a deixar uma impressão no ITSM. Algumas capacidades de IA podem ser obtidas imediatamente e outras ainda demorarão alguns anos. Os chatbots e a categorização baseada em ML serão as primeiras ferramentas imediatas de aplicação da IA no ITSM. Alguns fornecedores de ferramentas de ITSM já começaram a oferecer essas duas capacidades aos seus usuários finais. Também há vários fornecedores terceirizados que fornecem soluções plug-and-play que podem realizar essas operações. Em apenas alguns anos, poderemos ver mais do que apenas casos de uso projetados para recursos baseados em IA. Em breve, esses casos de uso poderão ser a nossa realidade.

Preparando-se para a onda de IA no ITSM

Considerando que a IA tem o potencial de redefinir a maneira na qual os service desks e as equipes de service desk de TI trabalham, é fundamental que os service desks estejam preparados para a próxima onda de IA. Conforme explicado acima, a eficácia de qualquer aplicação ou modelo de IA depende dos dados em que ele é treinado, bem como do conhecimento disponível de itens como soluções documentadas.

Para aproveitar a IA ao máximo, as equipes de service desk de TI precisam documentar todas as suas solicitações, problemas e mudanças adequadamente, manter um banco de dados preciso do service desk de TI, e construir uma base de conhecimentos bem preparada. Conforme os fornecedores de ferramentas de ITSM tentam integrar a IA aos seus produtos, é importante que as equipes de service desk se preparem para realmente colher os benefícios da IA no ITSM.

Este artigo foi publicado originalmente na DATAVERSITY.