自然语言处理(Natural Language  Processing,NLP)是机器学习的一个专业子领域。它通常涉及到使用人类口头或书面的语言,实现人与机器之间的流畅交互。

凭借着大量文本的处理能力,NLP省去了人类需要花费大量的时间,去理解和处理海量的文本。因此,许多组织开始利用NLP,从他们的文本和自由格式数据中,获得各种实用的见解。

在IT服务管理(ITSM)的过程中,使用NLP可以为企业带来诸多好处。毕竟,它们能够通过生成和捕获大量的数据,获悉企业关键资产的运行状况、性能、以及用户体验。ITSM团队通常需要处理的数据种类包括:变更请求、事件、知识库文章、电子邮件和聊天记录。在某些情况下,组织还会使用社交媒体的渠道,来监控并跟踪其产品在使用中出现的任何问题与投诉。

所有这些ITSM类数据有着共同的特点:它们都是文本数据,而且都是非结构化的。因此,将NLP应用于此类数据上,会产生良好的处理结果,促进ITSM生产力的提高,并更快地解决问题。

由于NLP能够在多种机器学习方法与能力的帮助下,处理类型丰富的、由系统生成的文本、以及由用户产生的语音,因此其处理后的数据结果,具有非常实用的意义与价值。如下便是最常用的NLP方法:

下面,让我们来讨论一下,企业是如何利用AIOps工具,在NLP的协助下,实现更好的ITSM交付。

作为最常见、也是最重要的应用场景,NLP可以被用于从历史数据的文本字段中,挖掘出各种被隐藏的洞见,为运营和流程的转型与优化,提供第一手的参考资料。

具体而言,对于上述提到的各种典型数据,我们往往可以利用NLP来实现各种聚类、关键字的提取、情绪分析、以及自定义实体的识别等方法与功能,进而从中获得如下方面的关键信息:

我们通常可以使用诸如:ServiceNow、Jira、以及Remedy等各种ITSM工具的导出功能,将数据转换为CSV或Excel文件,并在此基础上,使用各种API去直接访问文件中的数据。

下图的示例展示了,从ServiceNow导出的约六千多个事件集的数据。它们可以被用于执行分析,并从中获取对于如下细分领域的深入洞见:

ServiceNow平台上的历史事件

在此类用例中,我们将主要使用分类(带监督或无监督两种)来根据事件文本数据的上下文,预测下一步的最佳行为。通常,带监督的分类更适合于预测分配组,而无监督的分类则更适合于知识库方案的推荐。当然,不同的分类模型,可能会因客户的实际环境、以及可用的数据类型,而有所不同。  我们将再次以ITSM工具—ServiceNow为例,基于其历史数据和可用的知识库方案,进行案例讨论。

下图的示例展示了,如何使用分类方法通过上下文数据,来挖掘事件背后的深层信息,进而协助ITSM团队快速地分类事件,并定位解决方案。

ServiceNow平台上的一个新事件

在上面的示例中,任务单一旦被创建或提交,NLP引擎就会自动选择、分析和更新上述提到的分配组、文字中的情绪、以及可推荐的知识库里的方案。

可见,采用NLP技术的AIOps,不但可以提供各种有价值的洞见,而且能够加快事件的解决过程,提出真实可行的操作型建议。在此基础上,我们甚至可以设置相应的自动化工作流,以更快地解决并修复问题。此外,随着事件数量的增加,由NLP构建的模型也会被训练得更加准确,这将有助于运维团队降低平均响应时间(Mean  Time To Response,MTTR)。

ServiceNow平台上已解决的事件

我将通过本用例和您讨论,从非结构化的数据中,提取关键信息,并以结构化的格式予以呈现。在ITSM团队没有任何专业背景知识、以及在系统迁移期间,该功能有助于他们快速了解故障单所描述的具体情况。

在下面的示例中,我们主要用到了NLP的文本处理和自定义实体识别的功能。其中,NLP引擎分析了某个非常复杂的故障单中附加的日志文件。NLP通过提取关键信息,有关该事件的某个预定字段会被呈现到用户的界面上。据此,ITSM团队将能够更方便、更快捷地采取行动。与此同时,那些需要被提取的信息,也可以通过配置企业专用的实体字典,来实现定制化。

ServiceNow的日志数据,及其自定义的实体任务单

上图展示了ServiceNow任务单处理关键信息的效果。诸如:应用程序、关键身份等实体,都会被提取并呈现给用户。

原文标题:Top 3 NLP Use Cases for ITSM,作者:Gurubaran Baskaran

【51CTO译稿,合作站点转载请注明原文译者和出处】

【编辑推荐】

来源:51CTO陈峻