Designing AI Pipelines for Decision-Ready ITSM Intelligence
本文提出并评估了一种社会技术型人工智能流水线，该流水线通过基于大语言模型的归一化和高级聚类技术，将异构的 IT 服务管理（ITSM）工单数据转化为可操作的多层级决策支持人工制品，并在可解释性、可操作性、信任度和使用可能性方面获得了极高的利益相关者评分。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
数字噪音与信号
想象一下，你正走在一座巨大的、混乱的图书馆里，每天都有数百万本书正在被编写，但没有人对它们进行整理。有些书是用蜡笔写的，有些是用隐形墨水写的，还有些仅仅是随机单词的列表。这就是一家公司 IT 部门“数字大脑”内部发生的情况。每当电脑故障、密码被遗忘或软件更新失败时，就会生成一个被称为“工单”（ticket）的数字笔记。这些笔记堆积成一座数据大山，杂乱无章、不一致且充满了噪音。
长期以来，专家们一直试图利用数学和计算机来理清这座大山的头绪。他们使用被称为“机器学习”（类似于教计算机寻找模式）和“聚类”（类似于将一袋混合的乐高积木按红、蓝、绿进行分类）的工具。其目标是将这堆混乱的笔记转化为一个老板或销售人员能够理解的清晰故事。但难点在于：仅仅因为计算机可以对积木进行分类，并不意味着分类后的结果对人类来说是有意义的。计算机可能会将“鼠标损坏”和“键盘损坏”归为一类，但人类需要知道这对大型商业决策有何重要意义。本文探讨了如何搭建一座连接混乱的计算机世界与清晰的人类世界的桥梁，将原始的数字噪音转化为用于决策的有用地图。
从混沌到清晰：AI 流水线
来自 Automation Anywhere 的研究团队注意到一个大问题。公司拥有大量的此类 IT 工单，但它们陷入了“流程设计差距”。数据非常混乱且在不同公司之间差异巨大，导致人类需要花费数小时来清理它们。他们还面临着“抽象差距”：即使你对工单进行了分组，又该如何将成千上这样的微小投诉转化为几个 CEO 真正能使用的宏观主题？最后是“决策支持差距”：即便你制作了一张漂亮的图表，决策者是否真的信任并使用它？
为了解决这个问题，该团队构建了一个特殊的 AI 流水线——一个将原始工单转化为智能报告的逐步配方。可以将其想象为厨房里的一位高科技厨师。
首先，厨师拿到了大量的、杂乱的食材（原始工单），这些食材形状各异、大小不一且语言多样。第一步是模式分析（Schema Analysis），此时 AI 充当翻译员，阅读这些杂乱的笔记并将它们组织成标准格式，使它们看起来整齐划一。
接下来，厨师会对食材进行清洗。这是**数据预处理（Data Preprocessing）**阶段。AI 会移除“噪音”——例如那些并不能讲述实际故事的自动化警报——从而只保留有意义的人类投诉。
随后便是**主题识别（Topic Identification）**的神奇时刻。AI 使用一种称为 HDBSCAN 的聪明分类方法将相似的工单聚集在一起。想象一下，将一百万块乐高积木扔进一个巨大的箱子，然后让机器人根据它们的契合程度瞬间将它们分类。这些堆叠被称为“子主题”（如“打印机故障”或“网络连接缓慢”）。但机器人并没有就此停止。它使用另一种称为 HAC 的方法将这些较小的堆叠进一步组合成更大的“主主题”（如“硬件问题”或“连接问题”）。最后，AI 会阅读每个堆叠中最重要的 30 份工单，并为它写下一个智能标签，就像图书管理员为书命名一样。
最后一步是 UI 层（UI Layer），它将组织好的信息呈现为一份报告。这就像是一本面向商业领导者的“选择你自己的冒险”类书籍。他们可以从宏观层面（主主题）开始，点击深入查看具体问题（子主题），甚至可以深入钻研以阅读原始工单，以验证某个情况。
团队的研究发现
该团队在真实数据上测试了这一流水线，在约 6 小时内处理了多达 25 万份工单。为了验证其是否奏效，他们不仅观察数学指标，还邀请了真正的专业人士——销售工程师和高管——来阅读报告并进行评分。
结果令人振奋。阅读报告的人给出了高分，在 5 分制（5 分为完美）中平均得分超过 4 分。他们发现这些报告是值得信赖的（得分最高的类别，平均分为 4.33），这意味着他们相信 AI 没有凭空捏造。他们还发现报告具有可操作性，即报告能帮助他们决定下一步该做什么，比如与客户沟通或优化流程。
然而，团队也发现了一些有趣的细节。虽然 AI 在确保单个堆叠内的工单具有相似性（高“连贯性”）方面表现出色，但在确保不同堆叠之间具有完全差异性方面有时会遇到困难（较低的“区分度”）。这就像机器人非常擅长把所有红色的乐高归在一起，但有时“红色”堆叠看起来和“粉红色”堆叠太像了。
团队还将计算机自身的数学评分与人类评分进行了对比。他们发现，对于某些方面，如堆叠的区分度，计算机的数学逻辑与人类的观点是一致的。但在其他方面，例如一个堆叠的大小是否适合人类理解，计算机的数学逻辑与人类的感觉完全不符。这表明，虽然计算机擅长分类，但仍需要人类来判断这种分类对于现实世界的职业工作是否真正有意义。
核心结论
本文并未声称已经解决了 IT 数据领域的所有问题。团队承认其研究规模较小，仅使用了六份不同的报告和五位评审人员，因此目前还不能确定这是否适用于全球每一家公司。他们还指出，在某些情况下，计算机的数学逻辑会低估报告相对于人类感受的质量。
但其核心信息是明确的：通过将 AI 的速度与人类的判断力相结合，将混乱的 IT 工单大山转化为清晰、可靠的地图是完全可能的。这张地图能帮助领导者洞察全局、发现重复出现的问题，并在不迷失于噪音的情况下做出更好的决策。本文指出，这种方法是向前迈出的坚实一步，将原始数据转化为了人们真正想要使用的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。