ITSM'de Yapay Zekanın En İyi 11 Kullanım Alanı ve Örneği
Bilgi teknolojisi hizmet yönetimi (ITSM) araçlarında yapay zekadan yararlanmak, kuruluşlara şu açılardan destek sağlar:
- operasyonel verimlilik,
- BT varlıklarının proaktif bakımı,
- ölçeklenebilirlik,
- karar verme süreçlerinin iyileştirilmesi ve
- kişiselleştirme.
ITSM'de yapay zekanın en önemli 11 kullanım alanını, örneklerini ve ITSM'de yapay zekadan yararlanmanın faydalarını inceleyin.
Yapay zekâya özgü kullanım örnekleri
Yapay zekâ tabanlı BT hizmet yönetimi (AI-native ITSM), yapay zekânın ek bir özellik değil, temelin bir parçası olduğu, dahili destek ve BT operasyonlarını yönetmenin yeni bir yolunu ifade eder. Bu sistemler, mesajları yorumlamak, sorunları tahmin etmek ve geçmiş hizmet taleplerinden öğrenmek için makine öğrenimi, doğal dil işleme ve üretken yapay zekâ kullanır.
Amaç, ekiplerin sorunları ele alma, bilgi paylaşma ve çalışanlara yanıt verme biçimlerini iyileştirmektir. Portallar veya formlara güvenmek yerine, yapay zeka tabanlı sistemler, Slack veya Teams gibi işin gerçekleştiği araçlardan bilgileri doğrudan yakalar ve işler. Bu yaklaşım, tekrarlayan işleri azaltır, kendi kendine hizmeti destekler ve kuruluşların geçmiş verilerini daha iyi kullanmalarına yardımcı olur.
1. Yapay Zeka Tabanlı BT Hizmet Yönetimi
Geleneksel bir ITSM yazılımından yapay zekâ tabanlı bir sisteme geçmek, yeni teknolojiyi kurmaktan daha fazlasını gerektirir. Planlama ve kademeli yapay zekâ benimseme süreci şarttır.
- Organizasyonlar genellikle erişim taleplerini otomatikleştirmek veya Slack mesajlarından veri toplamak gibi sınırlı kullanım durumlarıyla başlarlar. Yanıt süresindeki, çalışan deneyimindeki ve bilet doğruluğundaki iyileşmeleri ölçmek, erken sonuçları doğrulamaya yardımcı olur.
- Güvenlik ve yönetişim de çok önemlidir. Yapay zekâ tabanlı sistemler geçmiş verileri ve konuşma içeriklerini kullandığı için, veri güvenliğinin ve gizlilik düzenlemelerine uyumluluğun sağlanması şarttır. Zamanla, akıllı otomasyonun departmanlar genelinde kullanımının genişletilmesi, değeri en üst düzeye çıkarmaya yardımcı olur.
Yapay zekâ tabanlı BT hizmet yönetimini destekleyen temel teknolojiler
Yapay zekâ tabanlı platformlar, tek bir yapay zekâ özelliğinden ziyade, birbirine bağlı birden fazla teknolojiye dayanır. Aşağıdaki bileşenler, BT yönetimini ve masaüstü işlemlerini iyileştirmek için birlikte çalışır:
- Makine öğrenimi modelleri, sorun kategorilerini tahmin eder, tekrarlayan sorunları belirler ve temel neden analizini destekler.
- Üretken yapay zeka, çözülmüş biletlerden özetler oluşturur ve yeni bilgi makaleleri taslakları hazırlar.
- Tahminleyici analiz, hizmet kesintisine neden olmadan önce potansiyel olayları tespit etmeye yardımcı olur.
- Ajan tabanlı yapay zeka, akıl yürütme ve eylemi birleştirerek, yapay zeka ajanlarının araçlar genelinde karmaşık hizmet taleplerini nasıl ele alacaklarına karar vermelerini sağlar.
- Bilişim Hizmet Yönetiminde (ITSM) ajansal yapay zekanın temel yetenekleri arasında geçmiş verilerden öğrenme, aksaklıklar meydana gelmeden önce anormallikleri tespit etme, dinamik kararlar alma ve uyumluluğu korurken görevleri otonom olarak yürütme yer almaktadır.
Gerçek hayattan örnek: Atomicwork
Ammex Corp, karmaşık iş akışları, manuel süreçler ve verimsizliklerle boğuşuyordu; bu durum destek hizmetlerini yavaşlatıyor ve sürekli insan müdahalesi gerektiriyordu.
Atomicwork'ü benimseyerek Ammex, rutin BT ve çalışan hizmet taleplerini otomatikleştiren ve Microsoft Teams gibi araçlar içinde doğrudan anında, diyalogsal destek sağlayan yapay zeka ajanları geliştirdi. Bu, talep hacmini azalttı, yanıt sürelerini iyileştirdi ve genel çalışan deneyimini geliştirdi. 1
Gerçek hayattan örnek: Salesforce Agentforce BT Hizmeti
Salesforce'in Agentforce BT Hizmeti, Slack, Microsoft Teams, çalışan portalları ve web sohbeti gibi kanallar üzerinden olay çözümü ve hizmet taleplerini otomatikleştirmek için tasarlanmış, ajan tabanlı bir BT hizmet masasıdır. Ürün, çalışanların doğal dil konuşmaları yoluyla anında destek almalarını sağlayarak, geleneksel bilet tabanlı BT hizmet yönetimi (ITSM) iş akışlarına olan bağımlılığı azaltmayı amaçlamaktadır.
Çözüm, yapay zekâ destekli bir BT hizmet masası, birden fazla uzmanlaşmış yapay zekâ ajanı ve altyapı bağımlılıklarını haritalamak için bir hizmet grafiği içeren gömülü bir Yapılandırma Yönetimi Veritabanı (CMDB) içerir. Salesforce, bu birleşik yaklaşımın veri silolarını ortadan kaldırmaya ve tek bir doğru kaynak kullanarak çözüm doğruluğunu artırmaya yardımcı olduğunu iddia ediyor.
Salesforce ayrıca entegrasyon yeteneklerini de vurguluyor ve Google, IBM, Microsoft, Oracle NetSuite, Workday ve Zoom gibi ortaklar aracılığıyla 100'den fazla önceden oluşturulmuş bağlantı ve iş akışıyla piyasaya sürülüyor.
Şekil 1: Salesforce numaralı BT hizmet masası kontrol paneli örneği.
Görev yönetimi kullanım örnekleri
2. Olay yönetimi
BT hizmet yönetiminde yapay zekanın kullanımı, otomatik biletlemeyi mümkün kılarak olay yönetiminde önemli bir rol oynar; burada yapay zeka sistemleri, gelen hizmet taleplerinin veya olayların içeriğine göre otomatik olarak biletler oluşturur ve kategorize eder.
Bu süreç, BT personelinin manuel iş yükünü azaltır ve servis masası taleplerinin doğru şekilde sınıflandırılmasını sağlayarak çözüm sürelerinin kısalmasına yol açar.
Ayrıca, yapay zeka sistemleri, olayların ciddiyet, etki ve aciliyet gibi faktörlere göre önceliklendirilmesi ve kritik sorunların derhal ele alınmasını sağlamak için makine öğreniminden yararlanır. Bu önceliklendirme, hizmet verimliliğini artırmaya ve işletme faaliyetleri üzerindeki etkiyi en aza indirmeye yardımcı olur.
Olay yönetiminin bir diğer uygulaması da yapay zeka destekli kök neden analizidir . Geçmiş verileri analiz ederek kalıpları belirlemek ve tekrarlayan sorunların kök nedenlerini tahmin etmek suretiyle, BT hizmet yönetiminde yapay zeka, altta yatan sorunları daha etkili bir şekilde çözmeye, olayların sıklığını azaltmaya ve sistem güvenilirliğini artırmaya yardımcı olur.
Gerçek hayattan örnek: SolarWinds Servis Masası
SolarWinds Service Desk, resmi başvuru gerektirmeyen olayları yönetmek için tasarlanmış bir sistem sunar. Temsilciler genellikle düşük öncelikli taleplerin yüksek hacmini yönetmekte zorlanırken, olay yönetim platformu yapay zekayı kullanarak bilgi tabanıyla entegre olur ve bilet oluşturma sürecinde kullanıcılara otomatik olarak makaleler önerir.
Ek olarak, Sanal Asistan, son kullanıcılara en sık karşılaştıkları teknik sorunları ele alan bilgi tabanı çözümlerine erişim imkanı sunar.
Sonuç olarak, son kullanıcılar rutin sorunlara daha hızlı yanıt bulabildikleri için iş akışlarındaki aksamalar azalır.
3. Hizmet talebi yönetimi
Hizmet talepleri, talep otomasyonu yoluyla yönetilir:
Yapay zekâ, parola sıfırlama, yazılım yükleme ve erişim izinleri gibi rutin hizmet taleplerinin işlenmesini otomatikleştirebilir. Önceden tanımlanmış iş akışları ve akıllı işlemeyi kullanarak, yapay zekâ sistemleri bu talepleri insan müdahalesi olmadan yönetebilir.
Örneğin, bir kullanıcı şifresini sıfırlamak için istek gönderdiğinde, bu yapay zeka destekli araçlar, güvenlik soruları veya çok faktörlü kimlik doğrulama yoluyla kullanıcının kimliğini doğrulayabilir ve ardından şifreyi sıfırlayıp kullanıcıyı bilgilendirebilir. Bu, BT personelinin ihtiyaç duyduğu zaman ve çabayı azaltır ve kullanıcılar için daha hızlı çözüm sağlar.
Bu rutin görevlerin otomasyonu verimliliği artırır ve manuel işlemeyle ilişkili hata riskini de azaltır.
4. Değişim yönetimi
Yapay zekâ, BT değişikliklerinin değerlendirilmesini ve yönetimini geliştirerek değişim yönetimine önemli iyileştirmeler getiriyor:
Etki analizi:
Yapay zekâ ile etki analizi, önerilen değişikliklerin BT ortamı üzerindeki potansiyel etkisini değerlendirir. Yapay zekâ, geçmiş verileri ve mevcut sistem yapılandırmalarını analiz ederek potansiyel çatışmaları ve aksaklıkları tahmin edebilir; bu da BT ekiplerinin bilinçli kararlar almasına ve olumsuz sonuçlardan kaçınmasına yardımcı olur.
Bu proaktif yaklaşım, kesinti riskini en aza indirir ve değişiklikler sırasında daha sorunsuz geçişler sağlar. Yapay zeka, ayrıntılı bir etki değerlendirmesi sağlayarak değişikliklerin daha etkili planlanmasını ve uygulanmasını mümkün kılar ve sonuç olarak daha istikrarlı ve dayanıklı bir BT altyapısı oluşturur.
5. İş akışı ve süreç otomasyonu
İş akışı otomasyonu:
İş akışı otomasyonu, BT personeli için genellikle zaman alıcı olan rutin, tekrarlayan görevleri otomatikleştirmek için yapay zekanın kullanılmasını içerir.
Süreç otomasyonu:
Süreç otomasyonu, iş akışı otomasyonunu bir adım daha ileri götürerek, başlatılmasından tamamlanmasına kadar tüm süreçleri otomatikleştirir. Bu, yazılım dağıtımı, kullanıcı entegrasyonu ve sistem yedeklemeleri gibi süreçleri içerebilir. Yapay zeka araçları, her adımın doğru bir şekilde yürütülmesini sağlamak için bu süreçleri uçtan uca yönetebilir.
Örneğin, kullanıcı entegrasyon sürecinde yapay zeka sistemleri otomatik olarak kullanıcı hesapları oluşturabilir, uygun erişim izinlerini atayabilir ve gerekli yazılım uygulamalarını dağıtabilir.
Süreç otomasyonu ayrıca, süreç performans verilerini analiz ederek, darboğazları belirleyerek ve iyileştirmeler önererek süreçleri sürekli olarak izleme ve optimize etme yeteneğini de içerir.
Gerçek hayattan bir örnek: Ross İşletme Okulu'nda SysAid
Michigan Üniversitesi Ross İşletme Fakültesi, kurumun otomatik iş akışları ve merkezi varlık yönetimi konusunda desteklenmesi amacıyla SysAid ile iş birliği yaptı.
Bu iş birliği, bilet gönderme süresinde %54'lük bir azalmaya, kapsamlı bir bilgi tabanı aracılığıyla iş birliğinin geliştirilmesine ve merkezi bilgiler sayesinde daha iyi planlama ve bütçelemeye yol açtı. Ross IT, ilerleyen dönemde SysAid entegrasyonunu daha fazla etkinlik yönetimi faaliyetini destekleyecek şekilde genişletmeyi ve kapsamlı çalışan iş akışları oluşturmayı planlıyor.
Gerçek hayattan örnek: St. George'da SysAid
ABD'nin en hızlı büyüyen belediyesi olan St. George, hızlı genişleme ve sınırlı kaynaklar nedeniyle önemli BT hizmet yönetimi zorluklarıyla karşı karşıya kaldı.
SysAid'i uygulamaya koyarak, yama yönetimi, varlık takibi ve bilet yönetimi gibi temel süreçleri otomatikleştirdiler; bu da yazılım yama başarı oranlarında %90'lık bir iyileşmeye ve Ortalama Çözüm Süresinde (MTTR) %20'lik bir azalmaya yol açtı.
SysAid'in yapay zeka destekli araçları, Copilot'un Chatbot'u ve Emailbot'u da dahil olmak üzere, son kullanıcıların sorunları bağımsız olarak çözmelerini sağladı. Bu geçiş, BT ekibinin reaktif yönetimden proaktif yönetime geçmesini ve verimliliği artırmasını mümkün kıldı.
Tahmin edici önlemler ve izleme
6. Tahmine dayalı analiz
Yapay zeka modelleri, ekipman arızalarını meydana gelmeden önce tahmin ederek BT ekiplerini proaktif bakım konusunda uyarabilir. Makine öğrenme tekniklerinin genellikle geleneksel donanım tabanlı yöntemlere kıyasla daha iyi performans gösterdiği ve üstün sonuçlar ürettiği göz önüne alındığında, bu tahmine dayalı yaklaşım çok önemlidir.
İş akışlarını otomatikleştirerek, programları yöneterek ve vadesi gelen görevler için bildirimler göndererek, yapay zeka destekli BT hizmet yönetimi araçları, ekipmanların ömrünü uzatmayı ve kesintisiz BT hizmet yönetimi operasyonlarını sağlamayı amaçlamaktadır.
Tahmine dayalı analizlerden yararlanan kuruluşlar, geçmiş ve gerçek zamanlı verileri kullanarak gelecekteki performansı ve olası arızaları tahmin edebilirler. Bu süreç, bakım faaliyetleri için karar alma süreçlerini ve kaynak tahsisini destekler.
Yapay zekâ aracılığıyla BT altyapısının sürekli sağlık takibi, anormallikleri tespit eder ve BT ekiplerine potansiyel sorunların büyümeden önce ele alınmasını sağlayarak erken uyarılar verir.
Gerçek hayattan örnek: BMC Helix AIOps
BMC Helix AIOps, birden fazla BT kaynağından (altyapı, uygulamalar, ağlar ve üçüncü taraf izleme araçları) gelen olayları analiz eder ve zamanlama, topoloji, imzalar ve olay mesajları gibi faktörlere dayanarak bunları "durumlar" halinde ilişkilendirir. Bu, ekiplerin izole uyarılardan gerçek hizmet etkisini yansıtan gruplandırılmış olaylara geçmesine yardımcı olur.
Platform iki ana durum türünü destekler: politika tabanlı durumlar (BMC Helix Operations Management'ta önceden tanımlanmış olay politikalarından oluşturulur) ve makine öğrenimi tabanlı durumlar (yapay zeka/makine öğrenimi korelasyonu kullanılarak otomatik olarak oluşturulur). 2
Gerçek hayattan örnek: ServiceNow Predictive Intelligence
ServiceNow Predictive Intelligence, geçmiş verilerden yararlanarak sonuçları tahmin eder ve olayları ve istekleri kategorize etme, yönlendirme ve önceliklendirme gibi görevleri yönetmek için eylemler önerir.
Tahminleme yeteneği, tekrarlayan sorunlar veya potansiyel darboğazlar gibi kalıpları belirleyebilir ve hizmet verimliliğini artırmak için önerilerde bulunabilir.
Bu özellik, kuruluşların manuel iş yükünü azaltmasına, hataları en aza indirmesine ve tekrarlayan görevleri otomatikleştirerek ve sorunlar büyümeden önce tahmin ederek yanıt sürelerini iyileştirmesine yardımcı olur. 3
7. Performans yönetimi
Yapay zekâ destekli performans yönetimi, BT kaynaklarını ve hizmetlerini şu yollarla optimize etmeye odaklanır:
Kapasite planlaması , yapay zekanın kullanım kalıplarını analiz ederek gelecekteki kaynak gereksinimlerini tahmin ettiği bir süreçtir. Bu, kuruluşların etkili kapasite planlaması ve kaynak tahsisi yapmalarına yardımcı olarak, aşırı kaynak tahsisi yapmadan gelecekteki talepleri karşılayabilmelerini sağlar.
Performans optimizasyonu , yapay zeka araçlarının BT hizmetlerinin performansını sürekli olarak izlediği ve optimize ettiği bir süreçtir. Yapay zeka teknolojisi, performans metriklerini gerçek zamanlı olarak analiz ederek iyileştirme alanlarını belirler ve operasyonel verimliliği ve kullanıcı memnuniyetini artırmak için değişiklikler uygular. Bu sürekli optimizasyon, BT hizmetlerinin sorunsuz ve etkili bir şekilde çalışmasını sağlar.
8. Güvenlik yönetimi
Yapay zeka araçlarıyla güvenlik yönetimi, BT sistemlerini tehditlerden korumaya ve aşağıdaki yollarla uyumluluğu sağlamaya odaklanır:
Tehdit tespiti:
Tehdit tespiti, güvenlik tehditlerini gerçek zamanlı olarak tespit etmeyi ve bunlara yanıt vermeyi içerir. Yapay zeka, kalıpları ve anormallikleri analiz ederek potansiyel ihlalleri belirleyebilir ve riskleri azaltmak için acil önlem alabilir. Bu proaktif yaklaşım, bir kuruluşun güvenlik durumunu önemli ölçüde iyileştirir.
Uyumluluk izleme:
Bu, BT ortamlarının politika ve düzenlemelere uygunluğunu izlemeyi içerir. Bu yaklaşım, kuruluşların sektör standartlarına uyumlu kalmasını sağlar ve yasal ve düzenleyici sorun riskini azaltır.
Yapay zekâ destekli uyumluluk izleme, sürekli gözetim sağlayarak kuruluşların güvenli ve uyumlu bir BT altyapısını sürdürmelerine yardımcı olur.
Gerçek hayattan örnek: Freshservice ile Databricks
Önde gelen bir yapay zeka ve veri analitiği şirketi olan Databricks, kesinti sürelerini azaltmak ve ölçeklenebilirliği artırmak için BT hizmet operasyonlarını iyileştirmeye ihtiyaç duyuyordu.
Kod gerektirmeyen özellikleri ve yapay zeka destekli otomasyonu nedeniyle Freshservice'i tercih ettiler. Uygulama sonucunda %23 oranında self-servis yönlendirmesi sağlandı, böylece BT personelinin iş yükü azaldı ve verimlilik arttı .
Freshservice ile yaptıkları iş birliği, Databricks'in kullanımını İK ve hukuk dahil olmak üzere sekiz farklı departmana daha genişletmesine ve çalışan desteği için birleşik bir merkez oluşturmasına yol açtı.
Bu geçiş, çalışan deneyimini iyileştirdi, operasyonları destekledi ve BT maliyetlerini düşürdü.
Öz hizmet ve temsilci performansı kullanım örnekleri
9. Sanal asistanlar ve sohbet botları
Sanal asistanlar ve sohbet botları, kişiselleştirilmiş ve verimli destek sağlayarak BT hizmet yönetimi (ITSM) deneyimini destekler. Yapay zeka destekli sistemler, kullanıcıların rollerine, tercihlerine ve geçmişlerine göre yanıtları ve çözümleri kişiselleştirebilir ve kullanıcı memnuniyetini ve BT desteğinin etkinliğini artırabilir.
Duygu analizi ve doğal dil işleme (NLP) , kullanıcı geri bildirimlerini analiz etmeye ve BT hizmetleri ve desteğinde iyileştirme alanlarını belirlemeye yardımcı olur. Bu yaklaşım, kuruluşların kullanıcı ihtiyaçlarını daha iyi anlamalarına ve hizmet kalitesini artırmalarına yardımcı olur.
Yapay zekâ destekli sohbet robotları, 7/24 gerçek zamanlı destek sağlayarak, sık sorulan soruları yanıtlıyor ve rutin sorunları insan müdahalesi olmadan çözüyor; böylece sürekli destek erişilebilirliği sağlanıyor ve bekleme süreleri azalıyor.
Ek olarak, sanal asistanlar kullanıcılara sorun giderme adımlarında rehberlik ederek daha etkileşimli ve verimli bir destek deneyimi sunar, sorunların çözülme süresini kısaltır ve genel kullanıcı memnuniyetini artırır.
Kendi kendine hizmet portalları:
Self servis portalları, kullanıcı profillerini, geçmiş etkileşimleri ve sık karşılaşılan sorunları analiz etmek için yapay zekayı kullanarak kişiselleştirilmiş destek sunar. Kullanıcı giriş yaptığında ve sorununu açıkladığında, yapay zeka araçları ilgili bilgi tabanı makalelerini, SSS'leri veya geçmişte benzer sorunları çözmüş otomatik çözümleri önerebilir.
Örneğin, bir kullanıcı sık sık yazılım yükleme talebinde bulunuyorsa, self-servis portalı bu tercihi hatırlayabilir ve yükleme prosedürlerine hızlı erişim veya gerekli yazılımı indirmek için doğrudan bağlantılar sağlayabilir.
Gerçek hayattan bir örnek: ManageEngine'in Zia Yapay Zeka Sanal Temsilcisi
ManageEngine'in Zia Yapay Zeka Sanal Asistanı, LLM arayüzü aracılığıyla çok turlu konuşmaları destekleyerek kullanıcıların menülerde manuel olarak gezinmeye gerek kalmadan soru sormasına ve görevleri yerine getirmesine olanak tanır.
Zia, bağlamı anlayabilir, anında yanıt verebilir ve dahili bilgi tabanlarından veya bağlantılı büyük dil modellerinden elde edilen bilgileri özetleyebilir. Takip süreçlerinde sürekliliği sağlar ve konuşma yönlendirmelerine dayalı olarak durum güncelleme, not ekleme veya talep kapatma gibi bilet işlemlerini destekler.
Zia ayrıca çok modlu girişi ( metin , ses , görüntüler ) destekler ve takip eden sorgular için konuşma bağlamını korur. 4
Gerçek hayattan örnek: Freshservice Freddy AI
Freddy AI Copilot, Freshservice (Pro/Enterprise) ve Freshservice for Business Teams için bir yapay zeka eklentisidir. BT ve iş ekiplerinin bilet işlemlerini otomatikleştirerek, yanıt kalitesini artırarak ve BT, İK, finans, hukuk ve pazarlama gibi departmanlarda hizmet sunumunu hızlandırarak tekrarlayan işleri azaltmalarına yardımcı olur.
Başlıca yetenekler şunlardır:
- Bilet özetleme ve çözüm notu oluşturma
- Yanıt önerileri (çok dilli destek dahil) ve yazma yardımı
- Kök neden analizi (RCA) için benzer olay tespiti ve ilgili değişiklik önerileri
- Alan otomatik doldurma ve bilet çevirisi
- Bilgi makalesi oluşturma ve içerik önerileri
- Olay sonrası rapor oluşturma ve test senaryosu oluşturma
Freddy Copilot, İngilizce, Almanca, Fransızca, İspanyolca, Felemenkçe, İsveççe ve Portekizce (Brezilya) dahil olmak üzere birçok dili desteklemektedir; ancak Similar Incident Suggester şu anda yalnızca İngilizce'dir. 5
Şekil 2: Freshservice Freddy AI yardımcı pilot kontrol paneli.
Gerçek hayattan örnek: Jira Servis Yönetimi Sanal Temsilcisi
Jira Service Management Sanal Temsilcisi, rutin destek görevlerini otomatikleştirerek BT desteğini geliştirir. Yapay zekâ destekli bu sanal temsilci, Slack dahil olmak üzere platformlarla entegre olarak, doğal dil işleme (NLP) kullanarak kullanıcı isteklerini anlayıp yanıtlayarak, niyet, duygu ve bağlamı algılayarak kişiselleştirilmiş etkileşimler sunmak için konuşma tabanlı destek sağlar.
Sanal asistan, yaygın sorunları çözebilir, sık sorulan soruları yanıtlayabilir ve insan temsilcilerin daha karmaşık görevlere odaklanabilmesi için destek taleplerini yönetebilir. Daha karmaşık sorunlar için sanal asistan, bilet oluşturabilir ve bağlamı kaybetmeden görüşmeyi bir insan temsilciye aktarabilir.
Otomasyona ek olarak, Rovo ajanları (yapay zekâ destekli ekip üyeleri), ilgili olayları, değişiklik risklerini, olası temel nedenleri, önerilen müdahale ekiplerini ve önerilen kılavuzları ortaya çıkararak BT operasyon ekiplerine yardımcı olur. Rovo ajanları ayrıca, olay sonrası inceleme taslakları (PIR'ler) oluşturabilir ve olay müdahalesi sırasında otomasyon iş akışlarını tetikleyebilir.
Servis ekipleri, yapay zeka destekli bir performans paneli sayesinde yapay zekanın etkinliğini izleyebilir ve optimize edebilir. Bu panel, çözüm oranları, bilgi eksiklikleri ve yapay zeka tarafından önerilen bilgi makalesi oluşturma gibi iyileştirme fırsatlarına ilişkin bilgiler sunar.
Platform ayrıca, şablonlar, "Bilgi isteyin" ve "Web isteği" gibi adımlar ve çözüm sürelerini hızlandırmak ve hizmet sunum verimliliğini artırmak için temsilci iş akışlarına entegre edilmiş yapay zeka önerileri kullanarak özelleştirilebilir niyet akışlarını desteklemektedir. 6
Şekil 3: Jira self-servis destek paneli. 7
10. Bilgi yönetimi
Bu alanda, yapay zeka teknolojileri aşağıdaki yollarla bilginin düzenlenmesini ve erişilebilirliğini desteklemektedir:
İçerik düzenleme:
Yapay zekâ sistemleri, BT personeline ve son kullanıcılara, sorgularının bağlamına göre ilgili bilgi tabanı makalelerini derleyip önerebilir. Bu, kullanıcıların ihtiyaç duydukları bilgilere hızlı bir şekilde ulaşmalarını ve sorunları bağımsız olarak çözme yeteneklerinin artmasını sağlar.
Belge analizi:
Belge analizi, büyük miktardaki dokümanların incelenmesini ve sınıflandırılmasını içerir. Bu süreç, kullanıcıların bilgiyi bulmasına ve kullanmasına yardımcı olurken, bilgi yönetimi süreçlerinin genel verimliliğini de artırır.
Yapay zeka destekli BT hizmet yönetimi araçları, belgeleri düzenleyerek ve sezgisel kategoriler oluşturarak kritik bilgilere daha kolay erişim sağlar, böylece verimliliği artırır ve çözüm arama süresini azaltır.
Gerçek hayattan örnek: Nebula ITSM ile Otonom Bilgi Oluşturma
Nebula ITSM, özel entegrasyonlara veya kapsamlı manuel çabaya gerek kalmadan, birden fazla BT sisteminden, uygulamadan ve veritabanından otomatik olarak veri toplar.
Sistem, bilgi tabanı için tutarlı bir bilgi ağı oluşturmak amacıyla veriler içindeki ilişkileri ve bağımlılıkları belirler.
Sistem, bilgi grafiğini korumak veya oluşturmak için BT personelinin manuel müdahalesini veya düzenlemesini gerektirmez. Bu, daha hızlı devreye alma, daha düşük işletme maliyeti ve yeni veriler eklendikçe sürekli olarak öğrenme ve uyum sağlama yeteneği sağlar; insan uzmanların süreci sürekli olarak denetlemesine gerek kalmaz. 8
11. Varlık yönetimi
Yapay zekâ destekli BT varlık yönetimi, varlık yaşam döngüsü yönetiminin çeşitli yönlerini otomatikleştirmeye ve optimize etmeye odaklanır.
Otomatik envanter takibi, doğru ve gerçek zamanlı varlık kayıtları sağlarken, manuel işlemleri azaltır ve veri doğruluğunu artırır.
Yapay zekâ araçları, varlıkların ne zaman bakıma veya değiştirilmeye ihtiyaç duyacağını da tahmin ederek varlıkların yaşam döngüsünü optimize edebilir. Bu tahmine dayalı yaklaşım, planlama ve kaynak tahsisine yardımcı olarak varlıkların iyi bakımlı ve çalışır durumda olmasını sağlar.
Ayrıca, yapay zeka araçları, varlıklara yetkisiz erişimi veya varlıklarla ilgili olağandışı faaliyetleri tespit ederek varlık güvenliğini artırır ve ek bir koruma katmanı sağlar.
Yapay zekâ destekli analizler , varlık kullanımına ilişkin bilgiler sunarak kuruluşların bilinçli kararlar almasına ve maliyet tasarrufu sağlamasına yardımcı olur.
Gerçek hayattan örnek: Ivanti Yapay Zeka Destekli Kendi Kendini Onaran Nöronlar
Kendiliğinden onarım, sistemlerin BT altyapısı içindeki sorunları manuel müdahale gerektirmeden otomatik olarak tespit etme, teşhis etme ve çözme yeteneğini ifade eder.
Kendiliğinden iyileşme şu yollarla sağlanır:
- Proaktif izleme: Ivanti Neurons, yapay zekayı kullanarak uç noktalar ve sunucular gibi BT varlıklarını sürekli olarak izler ve gerçek zamanlı olarak anormallikleri tespit eder. Performans düşüşü, güvenlik açıkları veya arızalar gibi potansiyel sorunları büyümeden önce belirler.
- Otomatik teşhis: Bir sorun tespit edildiğinde, Ivanti'nin yapay zeka sistemi, logları, yapılandırmaları ve kalıpları analiz ederek sorunun temel nedenini belirlemek için otomatik olarak teşhis işlemlerini gerçekleştirir.
- Otomatik düzeltme: Sorun teşhis edildikten sonra, sistem yama uygulama, hizmetleri yeniden başlatma veya komut dosyaları çalıştırma gibi otomatik düzeltmeleri başlatır. Daha hızlı çözümler sağlamak için işlem insan müdahalesi olmadan tamamlanır.
- Uç nokta yönetimi: Ivanti'nin kendi kendini onarma özelliği, özellikle uç noktalar, izleme cihazları ve güvenlik açıkları ve yanlış yapılandırmalar gibi sorunları otomatik olarak çözmede oldukça etkili olabilir. 9
BT hizmet yönetiminde yapay zekadan yararlanmanın faydaları nelerdir?
Yapay zekâ destekli hizmet yönetimi araçlarının kullanımı, BT operasyonlarının verimliliğini, doğruluğunu ve genel etkinliğini artırabilecek sayısız fayda sunmaktadır. İşte BT hizmet yönetimi için yapay zekâ teknolojilerinin bazı önemli avantajları:
Yapay zeka, bilet oluşturma, kategorize etme ve yönlendirme gibi tekrarlayan ve zaman alan görevleri otomatikleştirebilir. Bu, BT personelinin manuel iş yükünü azaltarak daha karmaşık ve stratejik görevlere odaklanmalarını sağlar.
Yapay zekâ sistemleri, insan hatasını en aza indirgemek için tutarlı yanıtlar ve eylemler sağlayabilir. Bu, özellikle olay sınıflandırması, temel neden analizi ve çözüm önerileri gibi rutin görevlerde faydalıdır.
Sohbet botları ve sanal asistanlar, kesintisiz hizmet erişilebilirliği sağlar, yanıt sürelerini kısaltır ve kullanıcı memnuniyetini artırır. Bu yapay zeka araçları, artan talep hacimlerini karşılayacak şekilde ölçeklenebilir; bu da onları büyük ve büyüyen kuruluşlar için ideal hale getirir.
Yapay zekâ sistemleri, BT yöneticilerinin bilinçli kararlar almalarını desteklemek için büyük miktarda veriden değerli bilgiler üretir.
Yapay zekâ sistemleri, rutin görevleri otomatikleştirerek ve kapsamlı insan müdahalesine olan ihtiyacı azaltarak maliyet tasarrufu sağlayabilir. Bu sistemler kaynak kullanımını optimize eder ve BT hizmetlerinin yönetimiyle ilgili işletme maliyetlerini düşürür.
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.