Designing AI Pipelines for Decision-Ready ITSM Intelligence

デジタル・ノイズとシグナル

想像してみてください。あなたは、毎日何百万冊もの本が書かれているものの、誰もそれを整理していない、巨大で混沌とした図書館を歩いています。中にはクレヨンで書かれた本もあれば、透明なインクで書かれたもの、あるいは単なる単語の羅列のような本もあります。これが、企業のIT部門における「デジタル・ブレイン（デジタルの脳）」の中で起きていることです。コンピュータが故障したり、パスワードを忘れられたり、ソフトウェアのアップデートに失敗したりするたびに、「チケット」と呼ばれるデジタル・ノートが作成されます。これらのノートは積み重なり、乱雑で一貫性がなく、ノイズに満ちたデータの山となります。

長い間、専門家たちは数学やコンピュータを使ってこの山を理解しようと試みてきました。彼らは「機械学習」（コンピュータにパターンを見つける方法を教えるようなもの）や、「クラスタリング」（混ざったレゴブロックの袋を、赤、青、緑の山に仕分けするようなもの）と呼ばれるツールを使用しています。その目的は、この混沌としたノートの山を、上司や営業担当者が理解できる明確なストーリーに変えることです。しかし、ここが難しいところです。コンピュータがブロックを仕分けることができたとしても、その結果できた山が人間に意味を持つとは限りません。コンピュータは「壊れたマウス」と「壊れたキーボード」を一緒のグループにできるかもしれませんが、ビジネス上の大きな意思決定において、それがなぜ重要なのかを人間は知る必要があります。本論文は、この乱雑なコンピュータの世界と明晰な人間の世界との間に架け橋を築き、生のデジタル・ノイズを意思決定のための有用な地図へと変える方法を探求します。

混沌から明晰さへ：AIパイプライン

Automation Anywhereのチームである著者らは、大きな問題に気づきました。企業はこうしたITチケットを大量に保有していますが、それらは「プロセス設計のギャップ」に陥っています。データがあまりに乱雑で、会社ごとに異なっているため、人間がそれをクリーンアップするのに何時間もかかってしまうのです。また、彼らは「抽象化のギャップ」にも直面しています。たとえチケットをグループ化できたとしても、数千もの小さな不満を、CEOが実際に活用できるいくつかの大きな明確なテーマへと、どうやって変換すればよいのでしょうか？さらに、「意思決定支援のギャップ」もあります。たとえ綺麗なチャートを作成したとしても、責任者たちがそれを本当に信頼し、活用してくれるのでしょうか？

これを解決するために、チームは、生のチケットをスマートなレポートへと変えるためのステップ・バイ・ステップのレシピである、特別なAIパイプラインを構築しました。これは、ハイテクな厨房におけるシェフのようなものだと考えてください。

まず、シェフは、形や大きさ、言語がバラバラな、巨大で乱雑な食材の山（生のチケット）を受け取ります。最初のステップは**スキーマ分析（Schema Analysis）**です。ここではAIが翻訳者のように振る舞い、乱雑なノートを読み取り、それらがすべて同じ形式に見えるように標準的なフォーマットへと整理します。

次に、シェフは食材を洗浄します。これが**データ前処理（Data Preprocessing）**の段階です。AIは、物語を伝えていない自動アラートなどの「ノイズ」を取り除き、意味のある人間の不満だけを残します。

そして、**トピック特定（Topic Identification）**という魔法がやってきます。AIはHDBSCANと呼ばれる巧妙な仕分け手法を用いて、似たチケットをグループ化します。百万個のレゴブロックを巨大な箱に入れ、ロボットがそれらがどのように組み合わさっているかに基づいて、瞬時に山へと仕分けていく様子を想像してください。これらの山は「サブトピック（Sub-topics）」（例：「壊れたプリンター」や「インターネット接続不良」）と呼ばれます。しかし、ロボットはそこで止まりません。別の手法であるHACを使用して、それらの小さな山をさらに大きな「メイン・トピック（Main-topics）」（例：「ハードウェアの問題」や「接続性の問題」）へとグループ化します。最後に、AIは各グループの中で最も重要な上位30件のチケットを読み、本のタイトルを付ける司書のように、スマートなラベルを書き込みます。

最終ステップは、整理された情報をレポートとして提示する**UIレイヤー（UI Layer）**です。これは、ビジネスリーダーのための「選択型アドベンチャー・ブック」のようなものです。彼らは、全体像（メイン・トピック）から始まり、詳細な問題（サブトピック）へと掘り下げ、必要に応じて元のチケットを読んでストーリーを確認することさえできます。

チームの発見

チームはこのパイプラインを実データでテストし、最大25万件のチケットを約6時間で処理しました。これが実際に機能するかどうかを確認するために、彼らは単に数学的な数値を見るだけでなく、実際の人間——セールスエンジニアやエグゼクティブ——にレポートを読んでもらい、評価を依頼しました。

結果は有望でした。レポートを読んだ人々は、5点満点中平均4点以上の高いスコアを付けました。彼らは、レポートが信頼できる（最も高く評価されたカテゴリーで、平均4.33）と感じました。これは、AIが勝手なことを言っていないと彼らが信じていることを意味します。また、レポートが**実行可能（アクション可能）**であることも分かりました。つまり、レポートが、顧客への連絡やプロセスの修正といった「次に何をすべきか」を判断する助けになったということです。

しかし、チームは興味深い問題点も見つけました。AIは、単一のグループ内のチケット同士が類似していること（高い「コヒーレンス／一貫性」）には優れていましたが、異なるグループ同士が完全に異なっていることを保証すること（低い「ディスティンクティブネス／識別性」）には時として苦戦しました。それは、ロボットがすべての赤いレゴをまとめることには非常に長けているものの、時としてその「赤」の山が「ピンク」の山と少し似すぎてしまうようなものです。

また、チームはコンピュータ自身の数学的スコアと人間の評価を比較しました。その結果、グループがいかに明確に区別されているかといった点では、コンピュータの数学と人間の意見はよく一致していました。しかし、グループのサイズが人間にとって理解しやすいかどうかといった点については、コンピュータの数学と人間の感覚は全く一致しませんでした。これは、コンピュータは仕分けには優れているものの、その仕分けが現実の仕事において意味をなすかどうかを判断するには、依然として人間が必要であることを示唆しています。

結論

本論文は、ITデータの世界のあらゆる問題を解決したと主張しているわけではありません。チームは、本研究が6つの異なるレポートと5人のレビュアーのみを用いた小規模なものであることを認めており、これが世界中のあらゆる企業で機能すると断言することはできません。また、コンピュータの数学が、人間が感じているほどレポートの質を高く見積もっていない場合があることも指摘しています。

しかし、核心となるメッセージは明確です。AIのスピードと人間の判断力を組み合わせることで、混沌としたITチケットの山を、明確で信頼できる地図へと変えることが可能です。この地図は、リーダーが全体像を把握し、繰り返される問題を特定し、ノイズの中で迷うことなく、より良い意思決定を行うための助けとなります。本論文は、このアプローチが、生のデータを人々が実際に使いたいと思うツールへと変える、力強い一歩であると示唆しています。