12 Anwendungsfälle für KI und maschinelles Lernen im ITSM

1. Automatische Kategorisierung von Vorfällen mit Chatbots

In die ITSM-Infrastruktur integrierte Chatbots können verwendet werden, um das zugrunde liegende Problem in Anfragen zu kategorisieren. Genpact hat zum Beispiel den BMC Chatbot in seine SaaS-Suite BMC Helix integriert, welche die Konnektivität mit der ITSM-Infrastruktur in der Cloud und On-Premises automatisiert. Die Chat-Schnittstelle vereinfacht es, Serviceanfragen der Stufen eins und zwei für 50.000 Genpact-Nutzer zu priorisieren und zu automatisieren.

2. Intelligente Zuweisung für eingehende Anfragen

Service-Desk-Teams haben unterschiedliche Fähigkeiten, und einige Teammitglieder sind besser in der Lage, bestimmte Arten von IT-Anfragen zu lösen als andere. Durch die Einbindung von KI in ITSM können Tickets automatisch den richtigen Support-Gruppen zugewiesen werden, ohne dass Menschen den Inhalt des Tickets lesen müssen, um eine Entscheidung zu treffen.

3. Automatisches Bearbeiten grundlegender Anfragen

NLP kann Chat-Agenten dabei unterstützen, Kategorien von Anfragen und Vorfällen zu bearbeiten. Diese Agenten können mit historischen Ticketdaten und einer ITSM-Wissensdatenbank allgemeine Fragen beantworten.

"Diese Anwendung von KI im ITSM erfordert jedoch Wissensmanagementexperten, die eine ordnungsgemäße Dokumentation vergangener Anfragen und relevanter Wissensartikel erstellen", sagt Kumaravel Ramakrishnan, Evangelist bei ManageEngine, einem Anbieter von IT-Operations- und Servicemanagement unter dem Dach des Softwareunternehmens Zoho.

4. Erstellen eines Repositories für Lösungen

Unternehmen beginnen damit, Tools zur Bereitstellung von IT-Operationen direkt in die von den Entwicklern genutzten Chat-Dienste einzubetten. Diese DevOps-Bots unterstützen dabei, ein einheitliches Repository zu erstellen, das es Entwicklern und Betriebsteams ermöglicht, Änderungen an der Infrastruktur zu verfolgen und zu sehen, wie verschiedene Arten von Vorfällen erfolgreich gelöst wurden. Wenn später ähnliche Probleme auftauchen, können KI-Engines dieses Repository durchsuchen, um den Betriebsteams zu helfen, das Problem schneller zu lösen.

Die IT-Service-Desks setzen die gleichen Tools ein, um Wissensspeicher für breitere Gruppen von IT-Serviceanfragen zu erstellen.

„Erfahrene IT-Fachleute werden Ihnen sagen, dass die meisten Probleme, die sie heute lösen, auf früheren Erfahrungen mit der Lösung von Problemen beruhen“, sagt Oded Moshe, Vice President of Products bei SysAid Technologies Ltd. einem IT-Helpdesk-Anbieter.

KI kann auch dabei unterstützen, Daten von IT-Serviceanfragen außerhalb des Chat-Kanals in Repositories zu sammeln, die zur Lösung aktueller Probleme verwendet werden können. Dieses erweiterte Repository beschleunigt den Prozess zur Lösung von Problemen.

5. Anleitung zur Problemlösung

Ein gutes ITSM-Repository kann auch bei der Lösung von Problemen durch das ITSM-Tool unterstützen. KI-generierte Tipps können so einfach sein wie der Vorschlag eines verwandten Vorfalls, eines Lösungsartikels oder eines Konfigurationselements, wodurch die Zeit reduziert wird, die Sie benötigen, um darüber nachzudenken, wie Sie ein Element finden und dann danach suchen können.

„Die geführte Nutzung des ITSM-Tools ist sogar noch besser“, erklärt Matt Cox, Director of Solutions Engineering bei N-able, einem ITSM-Beratungsunternehmen. In diesem Fall erstellt die KI Best Practices und weist die IT-Service-Desk-Mitarbeiter automatisch auf dieses Verhalten hin, anstatt sie zu zwingen, die beste Verwendung eines ITSM-Tools zu ermitteln. Ein Beispiel ist die Erstellung eines Algorithmus, der verwandte Vorfälle und deren Trends für das Problemmanagement identifiziert und den Agenten vorschlägt, einen Problemdatensatz zu öffnen.

6. Mit maschinellem Lernen optimierte Lernprozesse erreichen

Viele IT-Anfragen, wie zum Beispiel das Onboarding von Mitarbeitern, erfordern, dass menschliche Agenten eine Reihe komplexer Schritte durchführen, um die Anfragen zu erfüllen. Unternehmen nutzen mittlerweile Machine-Learning-Modelle, um zu beobachten, wie Menschen diese Prozesse ausführen, damit zukünftige Anfragen stärker automatisiert werden können.

Im Falle des Onboardings von Mitarbeitern lernen Machine-Learning-Modelle aus einer historischen Datenbank von Anfragen, die eine Reihe von Maßnahmen abdecken, welche auf Grundlage der Art der Beschäftigung, der Rolle und der Abteilung des neuen Mitarbeiters durchgeführt werden. Die trainierten Modelle weisen dann neue Anfragen den richtigen Fachleuten zu.

„Durch die Erkennung von Mustern in der Onboarding-Datenbank können auf maschinellem Lernen basierende Modelle auch vorschlagen, welche Hardware oder Software ein Mitarbeiter benötigt, wenn die Onboarding-Anfrage erstellt wird“, erläutert Ramakrishnan von ManageEngine.

7. Proaktive Problemlösung durch Big-Data-Analytik

Die Fortschritte im Bereich Big Data und Analytik verbessern die Vorhersage- und Korrelationsmöglichkeiten für ITSM. Basierend auf der Analyse des Repositorys und der Verhaltensmuster der Benutzer können KI- und Machine Learning Tools dazu beitragen, die Anzahl der IT-Probleme bei den Endbenutzern zu reduzieren oder die Anfragen der Benutzer vorherzusagen und zu erfüllen, bevor diese überhaupt wissen, dass sie ein Problem haben.

„Probleme, die von IT-Ausfällen bis hin zu Hardware-Fehlfunktionen einzelner Benutzer reichen, können vorhergesagt und Lösungen automatisch angewendet oder zumindest vorgeschlagen werden, und zwar mit einer immer höheren Erfolgsquote, da das System aus früheren Erfahrungen lernt“, sagt Ambarish Kayastha, regionaler CTO bei Broadcom Inc.

„KI ermöglicht eine bessere, schnellere, proaktive und automatisierte Lösung von Problemen, die durch Änderungen in der Umgebung, Änderungen im Verhalten der Endbenutzer oder Änderungen in Ihren Anwendungen und Diensten entstehen“, sagt Andreas Grabner, Developer Advocate bei Keptn, einer Plattform zur Automatisierung der Servicebereitstellung.

Citrix zum Beispiel nutzt ITSM-Integrationen über Dynatrace, ServiceNow und AWS hinweg. Wenn die Dynatrace-Engine ein Problem vorhersagt, kann sie eine Ursachenanalyse durchführen, bevor die Kunden davon betroffen sind.

8. Erkennung von Anomalien durch Kennzeichnung ungewöhnlicher, wiederkehrender Vorfälle

Die Anzeichen mancher IT-Vorfälle lassen sich mit herkömmlichen ITSM-Überwachungs-Tools möglicherweise nicht erkennen. KI-Modelle für maschinelles Lernen werden trainiert, um anomales Verhalten zu erkennen, das über mehrere IT-Systeme hinweg auftreten kann. Diese Modelle können dazu beitragen, IT-Mitarbeiter auf ein Problem aufmerksam zu machen, bevor es zu einem Vorfall kommt.

9. Verwendung von Predictive Analytics zur Erkennung von Anfragen, die gegen SLAs verstoßen können

IT-Serviceanfragen können dazu führen, dass Software- und Hardwarekonfigurationen in Gang gesetzt werden, die die Leistung einer Anwendung verschlechtern oder, schlimmer noch, die Anwendung komplett abstürzen lassen. Mit Predictive Analytics werden Leistungsdaten innerhalb eines Unternehmens und sogar unternehmensübergreifend ausgewertet, um potenzielle Probleme zu erkennen. Diese Erkenntnisse können den Anwendern oder dem IT-Service-Desk Hinweise auf alternative Ansätze zur Erfüllung einer Anfrage geben, die den Service Level Agreements (SLA) entsprechen.

10. Identifizierung von Sicherheitsschwachstellen

Sicherheitsforscher identifizieren ständig Schwachstellen in häufig genutzten IT-Infrastrukturanwendungen und -konfigurationen. Dies kann sowohl Bibliotheken für die Entwicklung von Anwendungen als auch für die Infrastruktur umfassen. KI-Tools können neue Berichte interpretieren und Probleme für Sicherheitsteams priorisieren, die sich damit befassen müssen, bevor eine kürzlich entdeckte Schwachstelle von Angreifern genutzt werden kann.

11. Datenqualität verbessern

Unternehmen haben oft Dutzende von Anwendungen in der Cloud oder On-Premises, die große Datenmengen erzeugen, die sich täglich ändern. Die IT-Abteilung arbeitet an Lösungen für frustrierte Benutzer, wenn diese Anwendungen Probleme mit der Datenqualität haben – zum Beispiel menschliche Eingabefehler, die sich über Integrationen ausbreiten, inkonsistente Daten in verschiedenen Anwendungen oder Probleme, die durch Anwendungs-Upgrades entstehen.

Egidio Terra, Senior Data Product Manager, Machine Learning bei Talend, sagt, dass ein Substrat aus KI und maschinellem Lernen zur Verbesserung der Datenqualität beitragen kann. KI und maschinelles Lernen können beispielsweise Daten überwachen und Korrekturen oder Empfehlungen zur Verbesserung der Datenqualität geben. Dies kann laut Terra an jedem beliebigen Punkt geschehen, zum Beispiel durch maschinelles Lernen, um Daten im Data Warehouse zu überprüfen, oder wenn die Daten von der Vertriebsanwendung zu einer Marketinganwendung fließen.

Diese Tools können auch so konfiguriert werden, dass sie Datenprobleme erkennen und die Verantwortlichen für nachgelagerte Anwendungen und Berichte alarmieren. Wenn das digitale Marketingteam beispielsweise beschließt, einen neuen Tag auf seiner Webseite zu verwenden, der einen bestehenden Business-Intelligence-Bericht (BI) beschädigt, sollte das Tool die Datenabweichung erkennen und das Team warnen. In diesem Fall kann das Problem behoben werden, bevor der BI-Bericht erstellt wird, so dass keine neue Serviceanfrage gestellt werden muss.

12. Automatisierter Zugriff auf Systeme

Unternehmen nutzen ITSM, um den Zugang zu Diensten und Systemen für ihre Stakeholder zu planen, zu entwickeln, zu erstellen, bereitzustellen, zu betreiben und vertraglich zu regeln. „Der Einsatz von KI zur Automatisierung des Systemzugriffs kann zu enormen Effizienzsteigerungen führen und den Zyklus der Zugriffsgewährung von Tagen auf Minuten verkürzen“, sagt Terri Sage, CTO bei 1010data, einem Anbieter von analytischer Intelligenz für den Finanz-, Einzelhandels- und Verbrauchermarkt.

„Wenn maschinelles Lernen in diese Prozesse einbezogen wird, können diese Aufgaben automatisiert werden“, erklärt sie.

Sage schlägt vor, dass Teams diese Initiativen beginnen, indem sie genügend technisches Wissen sammeln, um angemessene Daten für die Schulung und das Testen des ITSM-Systems bereitzustellen. Gute Quellen sind Runbooks und Incident-Systeme, die eine ausreichende Dokumentation von Methoden und Schritten enthalten, um sie in eine Wissensbasis für die Verwendung im ITSM-System umzuwandeln.

Es ist auch wichtig, diese Automatisierungen schrittweise einzuführen und dabei von einem IT-Spezialisten zu überwachen. „Ein unsachgemäß geschultes und getestetes ITSM mit maschinellem Lernen können zusätzliche Vorfälle verursachen, wie zum Beispiel den falschen Umgang mit Daten oder die unsachgemäße Gewährung von Zugriff“, sagt Sage.