Designing AI Pipelines for Decision-Ready ITSM Intelligence

Il Rumore Digitale e il Segnale

Immaginate di camminare attraverso una biblioteca enorme e caotica dove milioni di libri vengono scritti ogni singolo giorno, ma nessuno li organizza. Alcuni libri sono scritti con i pastelli a cera, altri con l'inchiostro invisibile e altri ancora sono solo elenchi di parole casuali. Questo è ciò che accade all'interno del "cervello digitale" del dipartimento IT di un'azienda. Ogni volta che un computer si rompe, una password viene dimenticata o un aggiornamento software fallisce, viene creato un appunto digitale — chiamato "ticket". Questi appunti si accumulano in una montagna di dati che è disordinata, incoerente e piena di rumore.

Per molto tempo, gli esperti hanno cercato di dare un senso a questa montagna usando la matematica e i computer. Usano strumenti chiamati "machine learning" (che è come insegnare a un computer a trovare schemi) e "clustering" (che è come smistare un sacco di pezzi Lego misti in pile di colore rosso, blu e verde). L'obiettivo è trasformare questo mucchio caotico di note in una storia chiara che un capo o un venditore possa comprendere. Ma ecco la parte complicata: il fatto che un computer possa smistare i mattoncini non significa che le pile risultanti abbiano senso per un essere umano. Un computer potrebbe raggruppare "mouse rotto" e "tastiera rotta" insieme, ma un essere umano ha bisogno di sapere perché questo sia importante per una grande decisione aziendale. Questo articolo esplora come costruire un ponte tra il disordinato mondo dei computer e il chiaro mondo umano, trasformando il puro rumore digitale in una mappa utile per il processo decisionale.

Dal Caos alla Chiarezza: La Pipeline dell'IA

Gli autori di questo articolo, un team di Automation Anywhere, hanno notato un grosso problema. Le aziende hanno tonnellate di questi ticket IT, ma sono bloccate in un "gap di progettazione dei processi". I dati sono così disordinati e diversi da un'azienda all'altra che gli esseri umani impiegano ore per pulirli. Affrontano anche un "gap di astrazione": anche se raggruppate i ticket, come si trasformano migliaia di piccole lamentele in pochi grandi temi chiari che un CEO possa effettivamente utilizzare? Infine, c'è un "gap di supporto alle decisioni": anche se create un grafico accattivante, le persone al comando si fidano davvero e lo usano?

Per risolvere questo problema, il team ha costruito una speciale pipeline di IA — una ricetta passo dopo passo per trasformare i ticket grezzi in un rapporto intelligente. Pensatelo come uno chef ad alta tecnologia in una cucina.

Per prima cosa, lo chef prende un enorme e disordinato mucchio di ingredienti (i ticket grezzi) che arrivano con forme, dimensioni e lingue diverse. Il primo passaggio è l'Analisi dello Schema (Schema Analysis), dove l'IA agisce come un traduttore, leggendo le note disordinate e organizzandole in un formato standard affinché abbiano tutti lo stesso aspetto.

Successivamente, lo chef pulisce gli ingredienti. Questa è la fase di Preelaborazione dei Dati (Data Preprocessing). L'IA rimuove il "rumore" — come gli avvisi automatizzati che non raccontano davvero una storia — in modo che rimangano solo i significativi reclami umani.

Poi arriva la magia dell'Identificazione dei Temi (Topic Identification). L'IA utilizza un metodo di smistamento intelligente chiamato HDBSCAN per raggruppare insieme i ticket simili. Immaginate di gettare un milione di pezzi Lego in un enorme contenitore e avere un robot che li smista istantaneamente in pile basandosi su come si incastrano tra loro. Queste pile sono chiamate "Sotto-temi" (come "stampanti rotte" o "internet lento"). Ma il robot non si ferma qui. Utilizza un altro metodo chiamato HAC per raggruppare quelle pile più piccole in ancora più grandi "Temi principali" (come "Problemi Hardware" o "Problemi di Connettività"). Infine, l'IA legge i 30 ticket più importanti in ogni pila e scrive un'etichetta intelligente per essa, proprio come un bibliotecario che scrive il titolo di un libro.

L'ultimo passaggio è lo Strato UI (UI Layer), che presenta queste informazioni organizzate sotto forma di rapporto. È come un libro "scegli la tua avventura" per i leader aziendali. Possono partire dal quadro generale (Temi principali), cliccare verso il basso per vedere i problemi specifici (Sotto-temi) e persino scendere nel dettaglio per leggere il ticket originale se hanno bisogno di verificare una storia.

Cosa ha scoperto il Team

Il team ha testato questa pipeline su dati reali, elaborando fino a 250.000 ticket in circa 6 ore. Per vedere se funzionasse davvero, non si sono limitati a guardare la matematica; hanno chiesto a esseri umani reali — ingegneri delle vendite ed esecutivi — di leggere i rapporti e valutarli.

I risultati sono stati promettenti. Le persone che hanno letto i rapporti hanno dato punteggi alti, con una media superiore a 4 su una scala di 5, dove 5 è il massimo. Hanno trovato i rapporti affidabili (la categoria con il punteggio più alto, con una media di 4,33), il che significa che credevano che l'IA non stesse inventando nulla. Li hanno trovati anche azionabili, ovvero i rapporti li hanno aiutati a capire cosa fare dopo, come parlare con un cliente o correggere un processo.

Tuttari, il team ha anche scoperto alcuni aspetti interessanti. Mentre l'IA era brava a garantire che i ticket all'interno di una singola pila fossero simili (alta "coerenza"), a volte faticava a garantire che le diverse pile fossero totalmente diverse tra loro (minore "distintività"). È come se il robot fosse molto bravo a raggruppare tutti i Lego rossi insieme, ma a volte la pila "rossa" somigliasse troppo alla pila "rosa".

Il team ha anche confrontato i punteggi matematici del computer con le valutazioni umane. Hanno scoperto che per alcune cose, come quanto le pile fossero distinte, la matematica del computer e l'opinione umana concordavano bene. Ma per altre cose, come se una pila avesse la dimensione giusta per essere compresa da un essere umano, la matematica del computer non corrispondeva affatto alla sensazione umana. Ciò suggerisce che, sebbene i computer siano ottimi nel smistare, l'intervento umano è ancora necessario per decidare se lo smistamento abbia senso per un lavoro reale.

In sintesi

Questo articolo non sostiene di aver risolto ogni problema nel mondo dei dati IT. Il team ammette che il loro studio è stato piccolo, utilizzando solo sei diversi rapporti e cinque persone perlı valutarli, quindi non possono ancora affermare con certezza se questo funzioni per ogni azienda ovunque. Notano anche che la matematica del computer a volte sottostimava quanto fossero buoni i rapporti rispetto a ciò che percepivano gli umani.

Ma il messaggio centrale è chiaro: combinando la velocità dell'IA con il giudizio degli esseri umani, è possibile trasformare una montagna caotica di ticket IT in una mappa chiara e affidabile. Questa mappa aiuta i leader a vedere il quadro generale, individuare problemi ricorrenti e prendere decisioni migliori senza perdersi nel rumore. L'articolo suggerisce che questo approccio è un passo avanti significativo, trasformando i dati grezzi in uno strumento che le persone desiderano effettivamente utilizzare.