Según TechTarget, el machine learning es un tipo de inteligencia artificial (IA) que proporciona a los computadores la capacidad de aprender sin ser programados explícitamente. Para la gente que, como yo, necesita una definición más simple, el machine learning consiste en sistemas capaces de aprender de datos y experiencias anteriores para mejorar el rendimiento de una tarea concreta.
El Machine learning ya ha empezado a marcar la diferencia en nuestra vida cotidiana más de lo que nadie podría haber imaginado. Por ejemplo, digamos que una pareja entrena su sistema de aspersores para que se encienda automáticamente cuando los gatos entran en su césped para ahuyentarlos.
El machine learning también tiene otros usos cotidianos, como procesar las solicitudes de búsqueda en línea, filtrar automáticamente el spam de nuestras bandejas de entrada de correo electrónico, así como comprender y responder a nuestros comandos de voz en los teléfonos inteligentes. No es una sorpresa que el machine learning también pueda beneficiar a ITSM de estas maneras:
Los usuarios finales podrán buscar soluciones y resolver incidentes por sí solos sin la intervención de ningún técnico. Mediante el machine learning, las mesas de ayuda se pueden entrenar para escanear los tickets entrantes y ofrecer soluciones a los usuarios finales de forma automática, basándose en la experiencia previa del sistema. Los cuadros de chat al estilo de Google Assistant también ayudarán a los usuarios finales a resolver incidentes por sí mismos o a obtener información sin ni siquiera registrar un ticket en la mesa de ayuda.
Por ejemplo, un usuario sólo tendría que enviar un ping a la mesa de ayuda diciendo que "la impresora no funciona", y la mesa de ayuda podría comprobar el nivel de umbral de impresión de la impresora, comprobar si necesita una sustitución del tóner y crear una solicitud de servicio para ello. O si ese no fuera el caso, el sistema también podría enviar de forma inmediata y automática cualquier artículo de la KB relevante que pudiera ayudar al usuario final.
Las mesas de ayuda también podrían aprender de la experiencia pasada y de los datos para dirigir las solicitudes o tareas a los técnicos o grupos de soporte adecuados, automatizando así el proceso de asignación de tickets sin tener que crear reglas o flujos de trabajo. El machine learning ayudaría a reducir los tiempos de resolución y a mejorar la eficacia del equipo de mesa de ayuda.
Al implementar machine learning, se puede entrenar a las mesas de ayuda para que aprueben automáticamente las solicitudes de servicio en función del rol del empleado, el departamento, el lugar de trabajo y otros parámetros. Por ejemplo, cuando un diseñador solicite herramientas/softwares de diseño adicionales, la mesa de ayuda podrá aprobar automáticamente la solicitud e iniciar un flujo de trabajo sin esperar a la aprobación del responsable. Además, la mesa de ayuda también puede ser entrenada para revisar automáticamente la estación de trabajo asignada a ese diseñador respecto a los requisitos mínimos del sistema para instalar las herramientas/softwares solicitados y crear una solicitud para actualizar el sistema, si es necesario. Todo por sí mismo.
Los sistemas de mesa de ayuda también podrían aprender de las experiencias anteriores de incorporación y sugerir el tipo de software y hardware que necesita el usuario, los permisos de acceso que necesita en función de su rol/departamento, la configuración de la impresora, etc. Todas estas son opciones para mejorar la velocidad del servicio prestado a los usuarios finales.
Con el machine learning, las mesas de ayuda podrán analizar patrones de incidentes y anticiparse a los problemas. Además de esto, las mesas de ayuda entrenadas podrían activar automáticamente notificaciones o crear un ticket de problema para los incidentes previstos, de modo que los técnicos dela mesa de ayuda puedan revisarlo lo antes posible. Supongamos que el rendimiento de un servidor de aplicaciones empieza a deteriorarse. Las mesas de ayuda podrían anticipar cualquier fallo de la aplicación a partir de los datos de rendimiento anteriores de ese servidor concreto, advertir a los usuarios finales que pueden verse afectados, crear un ticket de problema y asociar cualquier ticket de incidente pertinente con el ticket de problema.
Las implementaciones de cambios siempre están asociadas a un cierto nivel de riesgo. Sin un plan y un flujo de trabajo adecuados, la implementación de cambios puede resultar costosa. Las mesas de ayuda pueden aprender de los datos y la experiencia de anteriores implementaciones de cambios para ayudar a crear flujos de trabajo altamente dinámicos.
Por ejemplo, al implementar machine learning, los sistemas de la mesa de ayuda podrían reconocer posibles signos de fallo en la implementación de los cambios e indicar a los administradores que detengan la implementación y ejecuten el plan de backout incluso antes de que se produzca el fallo. Los módulos de gestión de cambios guiados por machine learning también podrán hacer recomendaciones durante la fase de planificación basándose en experiencias anteriores.
Un gran número de incidentes se produce debido a activos de TI antiguos cuyo rendimiento se ha degradado. El machine learning puede ayudar a identificar automáticamente qué activos podrían fallar repetidamente, basándose en factores como sus niveles de rendimiento, los incidentes asociados a ellos, etc. Una vez detectados esos activos, la mesa de ayuda puede utilizar el machine learning para enviar notificaciones a los técnicos e incluso ayudar a solicitar sustituciones. El caso más sencillo podría ser que la mesa de ayuda creara automáticamente solicitudes de sustitución de tóner de impresora después de que una impresora haya impreso N número de páginas.
Estos son algunos de los casos de uso más sencillos que muestran cómo el machine learning puede hacer la vida más fácil tanto para el equipo de la mesa de ayuda como para los usuarios finales. Aunque puede que no estén disponibles como soluciones out-of-the-box, no están demasiado lejos en el futuro.