Designing AI Pipelines for Decision-Ready ITSM Intelligence
यह शोध पत्र एक सामाजिक-तकनीकी (sociotechnical) AI पाइपलाइन को प्रस्तुत और मूल्यांकित करता है जो विषम (heterogeneous) ITSM टिकट डेटा को LLM-आधारित सामान्यीकरण (normalization) और उन्नत क्लस्टरिंग के माध्यम से कार्रवाई योग्य, बहु-स्तरीय निर्णय-सहायता आर्टिफैक्ट्स में परिवर्तित करता है, जो व्याख्यात्मकता, कार्रवाईशीलता, विश्वास और उपयोग की संभावना के लिए उच्च हितधारक रेटिंग प्राप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल शोर और सिग्नल
कल्पना कीजिए कि आप एक विशाल, अराजक पुस्तकालय में घूम रहे हैं जहाँ हर दिन लाखों किताबें लिखी जा रही हैं, लेकिन कोई उन्हें व्यवस्थित नहीं कर रहा है। कुछ किताबें क्रेयॉन से लिखी गई हैं, कुछ अदृश्य स्याही से, और कुछ बस यादृच्छिक शब्दों की सूचियाँ हैं। एक कंपनी के आईटी विभाग के "डिजिटल मस्तिष्क" के भीतर ऐसा ही होता है। जब भी कोई कंप्यूटर खराब होता है, कोई पासवर्ड भूल जाता है, या कोई सॉफ़्टवेयर अपडेट विफल हो जाता है, तो एक डिजिटल नोट—जिसे "टिकट" कहा जाता है—बन जाता है। ये नोट्स डेटा के एक ऐसे पहाड़ में जमा हो जाते हैं जो अव्यवस्थित, असंगत और शोर से भरा होता है।
लंबे समय से, विशेषज्ञ गणित और कंप्यूटरों का उपयोग करके इस पहाड़ को समझने की कोशिश कर रहे हैं। वे "मशीन लर्निंग" (जो कंप्यूटर को पैटर्न खोजने के लिए सिखाने जैसा है) और "क्लस्टरिंग" (जो एक मिश्रित लेगो ब्रिक्स के बैग को लाल, नीले और हरे रंग के ढेरों में छाँटने जैसा है) जैसे उपकरणों का उपयोग करते हैं। लक्ष्य इस अराजक नोट्स के ढेर को एक स्पष्ट कहानी में बदलना है जिसे एक बॉस या सेल्सपर्सन समझ सके। लेकिन यहाँ पेच यह है: केवल इसलिए कि एक कंप्यूटर ईंटों को छाँट सकता है, इसका मतलब यह नहीं है कि परिणामी ढेर इंसानों के लिए समझ में आते हैं। एक कंप्यूटर "टूटा हुआ माउस" और "टूटा हुआ कीबोर्ड" को एक साथ समूहबद्ध कर सकता है, लेकिन एक इंसान को यह जानने की ज़रूरत होती है कि एक बड़े व्यावसायिक निर्णय के लिए यह क्यों मायने रखता है। यह शोध पत्र इस बात पर अन्वेषण करता है कि कैसे एक अव्यवस्थित कंप्यूटर दुनिया और स्पष्ट मानव दुनिया के बीच एक सेतु बनाया जाए, जिससे कच्चे डिजिटल शोर को निर्णय लेने के लिए एक उपयोगी मानचित्र में बदला जा सके।
स्पष्टता से अराजकता तक: एक AI पाइपलाइन
इस शोध पत्र के लेखकों ने, जो ऑटोमेशन एनीव्हेयर (Automation Anywhere) की एक टीम है, एक बड़ी समस्या देखी। कंपनियों के पास इन आईटी टिकटों का ढेर है, लेकिन वे एक "प्रक्रिया-डिज़ाइन अंतराल" (process-design gap) में फंसे हुए हैं। डेटा इतना अव्यवस्थित और एक कंपनी से दूसरी कंपनी के बीच इतना भिन्न है कि इसे साफ करने में मनुष्यों को घंटों लग जाते हैं। उन्हें एक "अमूर्तता अंतराल" (abstraction gap) का भी सामना करना पड़ता है: भले ही आप टिकटों को समूहित कर दें, हजारों छोटी शिकायतों को कुछ बड़े, स्पष्ट विषयों में कैसे बदलें जिन्हें एक सीईओ वास्तव में उपयोग कर सके? अंत में, एक "निर्णय-सहायता अंतराल" (decision-support gap) है: भले ही आप एक सुंदर चार्ट बना लें, क्या जिम्मेदार लोग वास्तव में उस पर भरोसा करते हैं और उसका उपयोग करते हैं?
इसे हल करने के लिए, टीम ने एक विशेष AI पाइपलाइन बनाई—कच्चे टिकटों को एक स्मार्ट रिपोर्ट में बदलने का एक चरण-दर-चरण नुस्खा। इसे एक रसोई में एक हाई-टेक शेफ की तरह समझें।
सबसे पहले, शेफ सामग्री का एक बड़ा, अव्यवस्थित ढेर (कच्चे टिकट) लेता है जो अलग-अलग आकार, प्रकार और भाषाओं में आता है। पहला चरण स्कीमा विश्लेषण (Schema Analysis) है, जहाँ AI एक अनुवादक की तरह कार्य करता है, अव्यवस्थित नोट्स को पढ़ता है और उन्हें एक मानक प्रारूप में व्यवस्थित करता है ताकि वे सभी एक जैसे दिखें।
इसके बाद, शेफ सामग्री को साफ करता है। यह डेटा प्रीप्रोसेसिंग (Data Preprocessing) का चरण है। AI "शोर" को हटा देता है—जैसे कि स्वचालित अलर्ट जो वास्तव में कोई कहानी नहीं बताते—ताकि केवल सार्थक मानवीय शिकायतें ही शेष रहें।
फिर विषय पहचान (Topic Identification) का जादू आता है। AI समान टिकटों को एक साथ समूहबद्ध करने के लिए HDBSCAN नामक एक चतुर छँटाई विधि का उपयोग करता है। कल्पना कीजिए कि आप एक लाख लेगो ब्रिक्स को एक बड़े बिन में फेंकते हैं और एक रोबोट तुरंत उन्हें उनके जुड़ने के तरीके के आधार पर ढेरों में छाँट देता है। ये ढेर "उप-विषय" (Sub-topics) कहलाते हैं (जैसे "टूटे हुए प्रिंटर" या "धीमा इंटरनेट")। लेकिन रोबोट वहीं नहीं रुकता। यह उन छोटे ढेरों को और भी बड़े "मुख्य-विषयों" (Main-topics) में समूहबद्ध करने के लिए HAC नामक एक अन्य विधि का उपयोग करता है (जैसे "हार्डवेयर संबंधी समस्याएँ" या "कनेक्टिविटी संबंधी समस्याएँ")। अंत में, AI प्रत्येक ढेर के शीर्ष 30 सबसे महत्वपूर्ण टिकटों को पढ़ता है और उसके लिए एक स्मार्ट लेबल लिखता है, ठीक वैसे ही जैसे एक लाइब्रेरियन किसी पुस्तक के लिए शीर्षक लिखता है।
अंतिम चरण UI लेयर (UI Layer) है, जो इस व्यवस्थित जानकारी को एक रिपोर्ट के रूप में प्रस्तुत करता है। यह व्यावसायिक नेताओं के लिए एक "चुनें-अपना-स्वयं-का-साहसिक-कार्य" (choose-your-own-adventure) वाली किताब की तरह है। वे बड़े चित्र (मुख्य-विषयों) से शुरू कर सकते हैं, विशिष्ट समस्याओं (उप-विषयों) को देखने के लिए नीचे क्लिक कर सकते हैं, और यदि उन्हें किसी कहानी को सत्यापित करने की आवश्यकता हो तो मूल टिकट को पढ़ने के लिए गहराई तक जा सकते हैं।
टीम को क्या मिला
टीम ने इस पाइपलाइन का परीक्षण वास्तविक डेटा पर किया, जिसमें लगभग 6 घंटे में 250,000 टिकटों को प्रोसेस किया गया। यह देखने के लिए कि क्या यह वास्तव में काम करता है, उन्होंने केवल गणित नहीं देखा; उन्होंने वास्तविक मनुष्यों—सेल्स इंजीनियरों और अधिकारियों—को रिपोर्ट पढ़ने और उन्हें रेटिंग देने के लिए कहा।
परिणाम उत्साहजनक थे। रिपोर्ट पढ़ने वाले लोगों ने उच्च अंक दिए, औसतन 5 में से 4 से ऊपर स्कोर किया जहाँ 5 पूर्ण है। उन्होंने पाया कि रिपोर्ट विश्वसनीय (सबसे अधिक रेट किया गया श्रेणी, औसत 4.33 के साथ) थी, जिसका अर्थ है कि वे विश्वास करते थे कि AI अपनी बातें नहीं बना रहा है। उन्होंने इसे कार्रवाई योग्य (actionable) भी पाया, जिसका अर्थ है कि रिपोर्ट ने उन्हें यह तय करने में मदद की कि आगे क्या करना है, जैसे कि किसी ग्राहक से बात करना या किसी प्रक्रिया को ठीक करना।
हालाँकि, टीम ने कुछ दिलचस्प पेच भी खोजे। जबकि AI एक एकल ढेर के भीतर टिकटों को समान रखने में बहुत अच्छा था (उच्च "सुसंगतता" या coherence), इसे विभिन्न ढेरों को एक-दूसरे से पूरी तरह अलग रखने में कभी-कभी संघर्ष करना पड़ा (कम "विशिष्टता" या distinctiveness)। यह ऐसा है जैसे रोबोट सभी लाल लेगो को एक साथ रखने में बहुत अच्छा था, लेकिन कभी-कभी "लाल" ढेर "गुलाबी" ढेर जैसा दिखने लगा।
टीम ने कंप्यूटर के अपने गणितीय स्कोर की तुलना मानव रेटिंग से भी की। उन्होंने पाया कि कुछ चीजों के लिए, जैसे कि ढेरों की विशिष्टता, कंप्यूटर का गणित और मानव की राय अच्छी तरह मेल खाती थी। लेकिन अन्य चीजों के लिए, जैसे कि क्या कोई ढेर मानव समझ के लिए सही आकार का था, कंप्यूटर का गणित मानव की भावना से बिल्कुल मेल नहीं खाया। यह सुझाव देता है कि जबकि कंप्यूटर छाँटने में महान हैं, फिर भी यह तय करने के लिए कि क्या छँटाई वास्तविक दुनिया के काम के लिए समझ में आती है, मनुष्यों की आवश्यकता होती है।
मुख्य निष्कर्ष
यह शोध पत्र आईटी डेटा की दुनिया की हर समस्या को हल करने का दावा नहीं करता है। टीम स्वीकार करती है कि उनका अध्ययन छोटा था, जिसमें केवल छह अलग-अलग रिपोर्ट और समीक्षा करने के लिए पांच लोग शामिल थे, इसलिए वे अभी यह निश्चित रूप से नहीं कह सकते कि क्या यह हर कंपनी में हर जगह काम करता है। वे यह भी नोट करते हैं कि कंप्यूटर का गणित कभी-कभी मानव भावना की तुलना में रिपोर्ट की गुणवत्ता को कम आंकता है।
लेकिन मुख्य संदेश स्पष्ट है: AI की गति को मानव निर्णय के साथ जोड़कर, आईटी टिकटों के अराजक पहाड़ को एक स्पष्ट, विश्वसनीय मानचित्र में बदलना संभव है। यह मानचित्र नेताओं को बड़े चित्र को देखने, बार-बार होने वाली समस्याओं को पहचानने और शोर में खोए बिना बेहतर निर्णय लेने में मदद करता है। यह शोध पत्र सुझाव देता है कि यह दृष्टिकोण एक मजबूत कदम है, जो कच्चे डेटा को एक ऐसे उपकरण में बदल देता है जिसे लोग वास्तव में उपयोग करना चाहते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।