Выдержка из работы:
Некоторые тезисы из работы по теме Отчет по практике в ООО «Тензор»
Введение
Высокая нагрузка в эпоху цифровизации на службы технической поддержки ИТ-компаний, увеличение объема неструктурированных текстовых обращений от клиентов, архаичность и низкое качество ведения баз знаний в ручном режиме, необходимость в оперативном извлечении инсайтов для повышения качества программного продукта. Использование возможностей, предоставляемых актуальными методами искусственного интеллекта (NLP, машинное обучение) для решения подобных задач.
…………………………………………….
1 Анализ работ по теме исследования
1.1 Аннотированный анализ научных работ по выбранной проблеме исследования
Проблема организации технической поддержки для крупных компаний уровня ООО «Тензор» является очень актуальной. Изучение данной проблематики связано с несколькими направлениями исследований, в том числе включающих анализ основных принципов ITIL и 7R, например, приведенных в работе Клевнов О.Г., Мамедова И.А. [18]. В данной работе авторы предлагают совершенствование информационных потоков с использованием правил 7R адаптированных под особенности информационной логистики. Также в этом направлении можно отметить работу Щенникова В.С., Ивашковская Т.К. [42].
С другой стороны, вопрос о развитии технологий организации технической поддержки не стоит на месте, что отмечено в работе Суязова Е.Д. «Современные службы технической поддержки оснащены разнообразными функциями и возможностями, которые помогают компаниям эффективно управлять запросами клиентов. Некоторые из ключевых функций включают в себя автоматическую маршрутизацию запросов, системы управления знаниями, аналитические инструменты и многое другое» [36].
Суязова Е.Д. предлагает улучшение технологии обслуживания путем автоматической маршрутизации запросов, направляя их к соответствующим специалистам, а также улучшения дизайна. Дизайн службы справочного обслуживания играет решающую роль в повышении удовлетворенности клиентов. Важную роль в организации маршрутизации запросов пользователей отмечает также Абрамовская Е.В. [1], которая исследует проблемы своевременного распределения обращений пользователей в ИТ-службу.
Баканова Н.Б., Атанасова Т.В. в работе [2] описывают организацию режимов поддержки функционирования ИС на основе анализа обращений пользователей. Авторы отмечают, что «обращения пользователей содержат вопросы, касающиеся качества функционирования сети и сервисов прикладных систем, заявки на подключение к корпоративным или внешним программным комплексам, пожелания по изменению режимов доступа к информационным ресурсам и многие другие актуальные вопросы. Поток обращений свидетельствует об активной работе пользователей сети. На основании обращений можно судить об информационных потребностях пользователей, планируемых исследовательских работах и перспективах развития, недостатках в процессах функционирования сети» [2].
Данилова В.А., Дубровин А.С. анализируют модели классификации обращений пользователей [11], в том числе логические (деревья решений и другие); метрические (метод ближайших соседей (KNN) и другие); логистическая регрессия; методы на основе нейронных сетей (CNN, RNN, LSTM и другие). Костюченко М.Л., Шапошникова М.М. [21] выделяют, что методология ITSM акцентирует внимание на удовлетворение потребностей бизнеса. А также помогает управлять ИТ-отделом эффективно, по KPI, понятным как бизнесу, так и специалистам в области информационных технологий.
Несмотря на широту использования моделей ITSM/ITIL до сих пор возникают вопросы с точки зрения применения их для организации технической поддержки. Так в работе Якуповой А.А. [43] отражены особенности применения моделей ITSM/ITIL в условиях цифровизации бизнеса.
На рынке представлено множество систем, которые можно отнести к типу ServiceDesk однако специалисты отмечают множество проблем при обработке большого числа обращений. Решений данной проблемы предлагается множество, в том числе использование новых архитектурных решений и слабоструктурированных базы данных. В работе [48] Shamik P., Chandrima S.R., Preetha V. описывают разработку такой системы с использованием популярного веб-стека MERN Stack. MERN Stack широко применяется для разработки удобных для пользователей веб-приложений. В качестве потенциального решения для размещения приложения используется MongoDB Realm (гибкая объектно-ориентированная база данных). MongoDB Realm в основном используется для мобильных приложений, но может применяться и для веб-приложений на ПК.
Непосредственно эффективность применения искусственного интеллекта для повышения качества технической поддержки продемонстрирована в работах Чикишевой Е.Е. [40, 41].
Чикишева Е.Е. отмечает, что: «для сокращения времени обработки запроса, уменьшение штата сотрудников, снижение количества ошибок и нарушений SLA принято решение». При этом для характеристики эффективности процесса используются показатели метрик SLA (от англ. Service Level Agreement – соглашение об уровне обслуживания).
Метрики SLA призваны обеспечить прозрачность и предсказуемость взаимодействия, особенно важно при аутсорсинге или облачных решениях. Данный аспект очень важен для компании ООО «Тензор», которая предлагает программное обеспечение в основном на базе собственного PaaS-фрейморка.
…………………………………………….
Список используемых источников
1. Абрамовская Е.В. Организация технической поддержи предприятия. Проблемы своевременного распределения обращений пользователей в ИТ-службу // В сборнике: Наука молодых - устойчивое развитие Республики Коми. Сборник научных трудов студентов и магистрантов. Отв. редакторы О.А. Сотникова, Н.Н. Новикова. Сыктывкар, 2022. – С. 281-287.
2. Баканова Н.Б., Атанасова Т.В. Организация режимов поддержки функционирования ИС на основе анализа обращений пользователей // Электросвязь. 2021. № 1. С. 60-63.
3. Баркович А.A. Сентимент-анализ: лингвистический потенциал регламентации предобработки // Виртуальная коммуникация и социальные сети. 2023. №3 (7).
4. Белова Е.И., Хамитов Р.М. Применение языковых моделей нейронных сетей для оптимизации обработки обращений клиентов // Казанская наука. 2024. № 3. С. 321-323.
…………………………………………….