Nem biztos, hogy azt mondhatjuk, hogy az „elsődleges kérdőív/szolgáltatási pult mesterséges intelligencia-ra cseréje” általános ötlet? Valójában világos, hogy mit akarok tenni. Csökkenteni szeretnénk a várakozási időt, csökkenteni a kezelői terheket, csökkenteni a személyzetet és kiegyenlíteni a válaszadás minőségét. E cél ellen nincs kifogás.

Gyakori hiba, hogy gyakran a „hadd RAG egyen mindent” módszert választják. Személyesen teszteltem egy olyan konfigurációt, amely egyszerre viszi be a múltbeli naplókat, a belső wikiket és a csevegési előzményeket, de nem az elvárt hatékonyságot kaptam, hanem a szemétnek tűnő válaszok tömeggyártását.

A következtetés egyértelmű. Részleges csere lehetséges, de az SD csere tudásműködés tervezése nélkül nagy a meghibásodás valószínűsége. A meghibásodások többsége pedig nem modellkiválasztási hibákból adódik. A bemeneti adatok minősége és az operatív felelősségek kialakítása nem megfelelő.

A szervizpult területén a helyes válaszok és az auditálhatóság egyben szükséges. Mindkét cél elérése érdekében az egyetlen módja annak, hogy mindkettőt elérjük, ha „a szervezet számára jóváhagyott és megfelelő hivatalos tudást szerezzünk”.

Először a következtetés

  • Még ha a teljes múltbeli naplót is beírja, ha a minőség alacsony, egyszerűen nagy sebességgel keresi a szemetet, és szemétszerű válaszokat ad vissza.
  • Még akkor is, ha a szervezeten belül minden információ bemenetre kerül, ha a formális és az informális határvonala nem egyértelmű, akkor ez eszközzé válik a helytelen válaszok igazolására anélkül, hogy felvállalná a szervezet hivatalos kontextusát vagy szabályait.
  • A csak általánosságban válaszoló struktúra ellentétes a szervezet szabályaival, és nem használható terepen.
  • Az igazi megoldás egy KCS (Knowledge-Centered Service) hurok futtatása mesterséges intelligencia segítségével, valamint a referenciaforrás és a felelős személy minőségének tisztázása.
  • Az a mesterséges intelligencia, amely nem hivatkozhat jóváhagyott hivatalos tudásra, nem használható a service desk gyártásban.

Miért nem sikerül “egyelőre mindent beletenni”?

1. A múltbeli levelezési naplók elsősorban nem ismeretek.

Sok lekérdezési naplót írnak a jegyek terepen történő lezárására. Bár ez önmagában helyes üzleti célokra, gyakran nem elegendő újrafelhasználható tudásként.

  • Hiányzik az előfeltétel információ (használt eszköz, jogosultság, csatlakozási útvonal, környezeti különbség).
  • A jegy kitöltése a cél, extrém esetben a „levelezés befejezve” is lehet. Nem szánták újrafelhasználásra.
  • Rövidítések és köznyelvek keveréke, és a felelős hallgatólagos tudására támaszkodik.
  • A kiváltó ok és az átmeneti megoldás nem különül el.

Ha egy ilyen állapotú naplót elküldenek a RAG-nak, még ha a keresés sikeres is, a válasz nem lesz pontos. Ennek az az oka, hogy a mesterséges intelligencia hihetően kiegészítheti azokat a dokumentumokat, amelyek félreérthetőek vagy érthetetlenek még akkor is, ha emberek olvassák őket, ami irreális téves válaszokat eredményez. Ez olyan problémás helyzetet teremt, amikor a válasz gyors, de a probléma nem oldódik meg. Még ha úgy gondolja is, hogy a felszólítás rossz, és megpróbálja a lehető legkeményebben hangolni, valószínűleg hiábavaló lesz. Legalábbis velem történt.

2. A belső információk teljes bevitele „hivatalos felhígulást” okoz

A konfiguráció, amely lehetővé teszi a felhasználók számára, hogy elolvassák az összes belső wikit, az összes fájlkiszolgálót és az összes csevegési naplót, első pillantásra átfogó. A valóságban azonban ez hasonló ahhoz, mintha ugyanazon a keresési képernyőn különböző megbízhatósági fokú információkat rendeznénk el.

Jellemzően a következők fordulnak elő:

  • A hatósági eljárások (jóváhagyott) és a személyes feljegyzések (nem jóváhagyott) keresése ugyanabban az oszlopban történik
  • Az elavult eljárások továbbra is fennállnak, és ütköznek a legújabb eljárásokkal
  • Az ideiglenes know-how-t tévesen állandó eljárásként emlegetik
  • Visszafordulás történik, ha a cikk frissítési dátuma és időpontja új, de a tartalom régi.

A RAG jól “keresi a dokumentumokat”. Azonban külön rendszert kell létrehozni annak biztosítására, hogy a dokumentum megfelelő legyen a szervezet számára.

3. Az általánosítások a szervezeti szabályok ismerete nélkül még akkor sem használhatók, ha azok helyesek.

Az elégtelen formális tudással rendelkező mesterséges intelligencia gyakran olyan válaszokat ad vissza, amelyek technikailag helyesek, de működésileg nem kivitelezhetők.

  • Adjon helyi rendszergazdai jogosultságokat
  • A biztonsági beállítások átmeneti enyhítése
  • Külső felhő használata egyéni belátás szerint
  • Közvetlen hozzáférés a többfunkciós adatokhoz

Még ha az AI általános megoldást ad is vissza, lehetetlen lesz végrehajtani, ha megsérti a szervezeti szabályokat. Ebben a pillanatban a service desk AI akár olyan eszközzé is válhat, amely indokolja a szabályszegést. Nem használható üzleti problémák megoldására.

Példák a helyszínen előforduló hibákra

1. hibapélda: Tévedés VPN-kapcsolat meghibásodása miatt

  • Tünet: “Nem lehet otthonról csatlakozni a VPN-hez”
  • AI válasz: “Inicializálja az operációs rendszer hálózati beállításait, és indítsa újra.”
  • Aktuális: Az ok a hitelesítési infrastruktúra oldalon a tanúsítvány visszavonása, és a felhasználói oldalon nem oldható meg.

miért ébredtél fel? Ennek az az oka, hogy a múltbeli naplók sok “személyes eszközök ideiglenes meghibásodását” tartalmazták, és az AI rájuk húzódott. Továbbá a “szolgáltatási oldali hibák elkülönítésének” eljárása hivatalosan gyenge volt, ezért nem sorolták a legjobb jelöltek közé. Ezen túlmenően, a szervezeti kontextus: „Rendben van-e, hogy a felhasználók engedély nélkül visszaállítják az NW beállításait?” nem veszik figyelembe a válaszban.

2. hibapélda: Szabályok megsértésének javaslata a szoftveralkalmazásban

  • Tünet: “Elemző eszközöket akarok használni”
  • AI válasz: “Töltse le saját maga a próbaverziót, és kezdje el használni.”
  • Gyakorlatilag: A szervezetek számára elengedhetetlen a beszerzés, az engedélykezelés, a kézi szállítás átvilágítása.

miért ébredtél fel? Ennek az az oka, hogy a hivatalos beszerzési folyamat dokumentumokat külső általános cikkekre és személyes feljegyzésekre hivatkozva temették el. Ez egy tipikus példa arra, hogy nem tudjuk szétválasztani a „mit lehet tenni” a „mit lehet tenni”-től.

3. hibapélda: Ugyanaz a kérdés, a válasz minden alkalommal változik

  • Tünet: “Milyen lépésekkel állíthatja be az e-mail-továbbítást?”
  • AI válasz: Naptól függ
  • Aktuális: A régi műveleti eljárás oldal és az új eljárás oldal párhuzamosan létezik

miért ébredtél fel? Ennek az az oka, hogy nem voltak az “érvényes verziót” jelző metaadatok (érvényes kezdési dátum, megszüntetés dátuma, jóváhagyó), és a válaszok a keresési rangsorban változtak. Ha személyes e-maileket és csevegési részleteket keverünk, megnő annak a valószínűsége, hogy egy informális magyarázat véletlenül magasabbra kerül.

Tehát mi a teendő: Futtassa a KCS hurkot mesterséges intelligencia segítségével

Az igazi megoldás nem az, hogy a KCS-t AI-ra cseréljük. KCS gyorsítása AI-val.

Mi az a KCS?

A KCS (Knowledge-Centered Service) egy olyan működési koncepció, amely a megkeresések válaszadási területén keletkezett tudást rögzíti, újrafelhasználja és továbbfejleszti. Nem az a fontos, hogy „a probléma megoldása után dokumentumot írjunk”, hanem az, hogy a tudásfrissítést magába a probléma megoldásába ágyazza be. A RAG-korszakban a KCS újraértékelésének oka egyszerű: a keresési cél minősége nagymértékben meghatározza a válaszok minőségét.

Novella: Régi történet, de hatásos.

A KCS egy 1992-ben indult ötlet, sokkal régebbi, mint az AI. Jelenleg azonban azért hatékony, mert a helyi problémák lényegében nem változtak.

  • Van egy napló, de nem tudom elolvasni.
  • Van egy dokumentum, de a hivatalos verziót nem tudom.
  • Nincs frissítve és rothad

Ha beleszámítjuk a generációs MI-t, akkor ez a három dolog inkább felerősödik, mint eltűnik. Ezért van értelme visszatérni a sima, de törhetetlen KCS formához, mielőtt a mutatós új funkciókat látnánk.

Minimális konfiguráció a KCS működéséhez

  • “Rögzítés”: A tünetek, okok, ellenintézkedések és az alkalmazandó feltételek strukturálása és rögzítése a kérdések megválaszolásakor.
  • “Struktúra”: Hozzon létre egy sablont, és tegye kötelezővé a környezeti feltételeket, a céltartományt és a tiltásokat.
  • Újrafelhasználás: Tekintse meg a következő lekérdezést, és mutassa be a választ és az alap URL-t készletként
  • “Javítás”: A tényleges működésbeli különbségek tükrözése, valamint a kétértelmű szavak és régi eljárások javításának folytatása

Termelési kör: A mesterséges intelligencia válaszainak táplálása hivatalos ismeretekkel

A terepen reális az alkalmazási kör fokozatos bővítése a következő körben.

  1. A felhasználó először megkérdezi az AI-t
  2. Ha a mesterséges intelligencia nem oldja meg a problémát, forduljon a Service Deskhez (SD)
  3. Alakítsa át az SD levelezési rekordokat tudássá olyan sablonok segítségével, amelyek alkalmasak az AI általi olvasásra
  4. Csak jóváhagyott és felülvizsgált hivatalos ismereteket adjon hozzá az AI referenciaadatforrásokhoz
  5. A mesterséges intelligencia elsődleges válaszadási aránya és a helyes válaszok aránya hasonló megkeresésekkel nő

Ennek a körnek a kulcspontja az ismeretek felhalmozása, amelyek „jóváhagyásra” vagy hivatalos válaszokra használhatók a „mennyiség” helyett. A mesterséges intelligencia adatforrásává csak a „jóváhagyott információkat” tegye, ne a „rögzített információkat”. Ha ez megtört, a válaszok köre bővül, de a pontosság nem.

Az AI-ra hagyható területek

  • Hasonló lekérdezések klaszterezése
  • Választervezetek generálása (bizonyítékokkal)
  • Mutasson rá a hiányzó elemekre (“A cél operációs rendszer ismeretlen”, “A hatósági előfeltételek nincsenek megadva” stb.)
  • Duplikált tudás integrálására jelentkezők bemutatása

Olyan területek, ahol az embereknek kell felelősséget vállalniuk

  • Hivatalos/informális ítélet
  • Eljárások jóváhagyása és eltörlésükről szóló döntés
  • Kivételkezelés engedélyezése
  • Tudáslejárat menedzsment

Még ha megpróbálja is ezt az AI-ra hagyni, az AI nem fog megfelelően reagálni.

Gyakorlati szempontok

A gyakorlatban a következő szempontokat kell szem előtt tartani.

Tudásműveleti oldal

  • Határozza meg, hogy ki és mikor milyen hatósági ismereteket hoz létre és publikál, döntsön a létrehozásról és a minőségbiztosítási rendszerről.
  • Határozza meg, hogy ki tekintheti meg a tudást, és döntsön a hozzáférés-szabályozásról.

AI oldal

  • Kifejezetten utasítsa a tanulókat, hogy válaszaikat indokolják a felszólításban.
  • Ne engedje meg nem hivatalos/illetéktelen források felhasználását a válaszok generálásakor.

Továbbfejlesztett működés

  • Határozza meg a mesterséges intelligencia hibás válaszainak összegyűjtésére szolgáló eszközöket, és a tökéletesítés érdekében a tudásgenerálást beépítse a normál működésbe.

Ez a három pont absztraktnak tűnhet, de végrehajtásuk során különbséget jelent. Azok a csapatok, amelyek eldöntik, hogy „ki lesz a felelős”, először gyorsan fejlődnek, míg azok a csapatok, amelyek nem hoznak döntést, többször is elkövetik ugyanazokat a hibákat.

A válasz arra, hogy „Cserélhető?”

Ha azt kérdezi tőlem, hogy egy szervizpult 100%-ban helyettesíthető-e mesterséges intelligencia ügynökkel, a jelenlegi válasz “nem”. Ha azonban lebontja a megkeresések típusait, és létrehoz egy műveletet, amely tisztázza a tudásfelelősségeket, Az elsődleges válaszok bemutatása, a rögzített útmutatás és a standard eljárások teljes mértékben helyettesíthetők.

Más szóval, nem magának az AI-nak az intelligenciájáról van szó.

  • Melyik tudást vegyük át hivatalosnak?
  • Ki garantálja a minőséget?
  • Ki állít meg, ha hibázol?

Csak azok a szervezetek, amelyek meg tudják tervezni ezt a három pontot, képesek átalakítani az AI-ügynököket „csak egy gyors csevegőeszközből” „üzleti erővé”. Ezzel szemben az a szervezet, amely nem rendelkezik jóváhagyott hatósági tudásművelettel, nem lesz képes szolgáltatási minőséget létrehozni, bármilyen kifinomult is legyen a modell.

összefoglaló

Az az elképzelés, hogy „ha az összes naplót belefoglalja, okosabb lesz” illúzió. A Service Desk AI elakadásának valódi oka nem a tudás mennyisége, hanem a tudás irányításának hiánya.

Amit most tennünk kell, az nem a teljes automatizálás. Ez egy visszafogott művelet, amely mesterséges intelligencia asszisztenst használ a KCS hurok futtatásához és a hivatalos ismeretek bővítéséhez.

Ahogy a szervezetek kezdik elfogadni ezt a szerénységet, válaszaik minősége láthatóan megváltozik. Amikor mesterséges intelligenciát használ egy szervizben, a legfontosabb prioritás mindig ugyanaz. **A jóváhagyott és intézményileg korrekt hatósági ismeretek folyamatos fejlesztése. **

Referenciaanyagok