ITSM'de Yapay Zeka için En İyi 11 Kullanım Alanı ve Örnekler
BT hizmet yönetimi (ITSM) araçları için yapay zekadan yararlanmak, kuruluşları şu açılardan destekler:
- operasyonel verimlilik,
- BT varlıklarının proaktif bakımı,
- ölçeklenebilirlik,
- gelişmiş karar alma ve
- kişiselleştirme.
ITSM'de yapay zekanın en iyi 11 kullanım alanını, örneklerini ve ITSM'de yapay zekadan yararlanmanın faydalarını görün.
Yapay zeka yerel kullanım alanları
Yapay zeka yerel ITSM, yapay zekanın 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 zeka kullanır.
Amaç, ekiplerin sorunları ele alma, bilgi paylaşma ve çalışanlara yanıt verme şeklini iyileştirmektir. Portallara veya formlara güvenmek yerine, yapay zeka yerel sistemler, Slack veya Microsoft Teams gibi işin yapıldığı araçlardan doğrudan bilgi yakalar ve işler. Bu yaklaşım, tekrarlayan işleri azaltır, self-servis'i destekler ve kuruluşların geçmiş verilerini daha iyi kullanmasına yardımcı olur.
1. Yapay zeka yerel ITSM
Geleneksel bir ITSM yazılımından yapay zeka yerel bir sisteme geçmek, yeni teknoloji kurmaktan daha fazlasını içerir. Planlama ve kademeli yapay zeka benimsemesi gerektirir.
- Kuruluşlar genellikle erişim taleplerini otomatikleştirme veya Slack mesajlarından veri toplama gibi sınırlı kullanım alanlarıyla başlar. Yanıt süresi, çalışan deneyimi ve talep doğruluğundaki iyileşmeleri ölçmek, erken sonuçları doğrulamaya yardımcı olur.
- Güvenlik ve yönetişim de kilit öneme sahiptir. Yapay zeka yerel sistemler geçmiş verileri ve konuşma içeriğini kullandığından, veri güvenliğini ve gizlilik düzenlemeleriyle uyumu sağlamak esastır. Zamanla, akıllı otomasyonun departmanlar arasında kullanımını genişletmek, değeri en üst düzeye çıkarmaya yardımcı olur.
Yapay zeka yerel ITSM'i destekleyen temel teknolojiler
Yapay zeka yerel platformlar, tek bir yapay zeka özelliğinden ziyade birbirine bağlı birden çok teknolojiye dayanır. Aşağıdaki bileşenler, BT yönetimini ve masa operasyonlarını geliştirmek için birlikte çalışır:
- Makine öğrenimi modelleri, sorun kategorilerini tahmin eder, yinelenen sorunları belirler ve kök neden analizini destekler.
- Üretken yapay zeka, çözülen taleplerden özetler oluşturur ve yeni bilgi makaleleri taslağı hazırlar.
- Öngörücü analitik, hizmet kesintisine neden olmadan önce potansiyel olayları tespit etmeye yardımcı olur.
- Ajansal Yapay Zeka, akıl yürütme ve eylemi birleştirerek yapay zeka ajanlarının araçlar arasında karmaşık hizmet taleplerini nasıl ele alacağına karar vermesini sağlar.
- BT Hizmet Yönetiminde (ITSM) Ajansal Yapay Zeka temel yetenekleri arasında geçmiş verilerden öğrenme, kesintiler oluşmadan önce anormallikleri tespit etme, dinamik kararlar alma ve uyumu korurken görevleri otonom olarak yürütme yer alır.
Gerçek hayat örneği: Atomicwork
Ammex Corp, desteği yavaşlatan ve sürekli insan müdahalesi gerektiren karmaşık iş akışları, manuel süreçler ve verimsizliklerle mücadele ediyordu.
Atomicwork'ü benimseyerek Ammex, rutin BT ve çalışan hizmet taleplerini otomatikleştiren ve doğrudan Microsoft Teams gibi araçlar içinde anlık, konuşmaya dayalı destek sağlayan yapay zeka ajanlarını devreye soktu. Bu, talep hacimlerini azalttı, yanıt sürelerini iyileştirdi ve genel çalışan deneyimini geliştirdi.1
Gerçek hayat örneği: Salesforce Agentforce IT Service
Salesforce'un Agentforce IT Service'i, Slack, Microsoft Teams, çalışan portalları ve web sohbeti gibi kanallar arasında olay çözümünü ve hizmet taleplerini otomatikleştirmek için tasarlanmış, ajan tabanlı bir BT hizmet masasıdır. Ürün, çalışanların doğal dil konuşmaları yoluyla anında destek almasını sağlayarak geleneksel talep tabanlı ITSM iş akışlarına olan bağımlılığı azaltmayı amaçlar.
Çözüm, yapay zeka destekli bir BT hizmet masası, birden çok özel yapay zeka ajanı ve altyapı bağımlılıklarını haritalamak için hizmet grafiğine sahip gömülü bir Konfigürasyon Yönetimi Veritabanı (CMDB) içerir. Salesforce, bu birleşik yaklaşımın tek bir doğruluk kaynağı kullanarak veri silolarını ortadan kaldırmaya ve çözüm doğruluğunu artırmaya yardımcı olduğunu iddia eder.
Salesforce ayrıca, Google, IBM, Microsoft, Oracle NetSuite, Workday ve Zoom gibi iş ortakları aracılığıyla 100'den fazla önceden oluşturulmuş bağlayıcı ve iş akışıyla kullanıma sunulan entegrasyon yeteneklerini vurgular.
Şekil 1: Salesforce'tan BT hizmet masası gösterge paneli örneği.
Görev yönetimi kullanım alanları
2. Olay yönetimi
ITSM'de yapay zekadan yararlanmak, yapay zeka sistemlerinin gelen hizmet taleplerinin veya olayların içeriğine göre otomatik olarak talepler oluşturup kategorize ettiği otomatik taleplendirme yoluyla olay yönetiminde önemli bir rol oynar.
Bu süreç, BT personelinin manuel iş yükünü azaltır ve hizmet masası taleplerinin doğru şekilde sınıflandırılmasını sağlar, bu da daha hızlı çözüm sürelerine yol açar.
Ayrıca, yapay zeka sistemleri, önem derecesi, etki ve aciliyet gibi faktörlere dayanarak olayları önceliklendirmek için makine öğrenimini kullanır ve kritik sorunların derhal ele alınmasını sağlar. Bu önceliklendirme, hizmet verimliliğini artırmaya ve iş operasyonları üzerindeki etkiyi en aza indirmeye yardımcı olur.
Olay yönetimi için bir diğer uygulama, yapay zeka destekli kök neden analizidir. ITSM'deki yapay zeka, kalıpları belirlemek ve yinelenen sorunların kök nedenlerini tahmin etmek için geçmiş verileri analiz ederek, altta yatan sorunların daha etkili bir şekilde çözülmesine yardımcı olur, olay sıklığını azaltır ve sistem güvenilirliğini artırır.
Gerçek hayat örneği: Grand Traverse County ile SysAid
Grand Traverse County'nin 12 kişilik BT ekibi, elektronik tablolar, tutarsız e-posta tabanlı taleplendirme, sınırlı performans görünürlüğü ve yazılım lisansı kaosu ile 3.500 varlığı yönetiyordu.
SysAid ile ITIL uyumlu taleplendirme, otomatik SLA'lar, gerçek zamanlı varlık ve lisans yönetimi, bir Yapay Zeka Chatbot'u, bir Yapay Zeka Copilot'u ve otomatik iş akışları sundular.
Sonuç, daha hızlı çözüm, daha az manuel iş, daha iyi ilk çağrı çözümü, gelişmiş varlık görünürlüğü ve yazılım yenilemeleri, uyum riskleri ve BT harcamaları üzerinde daha fazla kontrol oldu.2
Gerçek hayat örneği: SolarWinds Service Desk
SolarWinds Service Desk, resmi gönderim gerektirmeyen olayları yönetmek için tasarlanmış bir sistem sunar. Ajanlar genellikle yüksek hacimli düşük öncelikli talepleri yönetmede zorluklarla karşılaşırken, olay yönetimi platformu, talep oluşturma sürecinde kullanıcılara otomatik olarak makaleler önermek için bilgi tabanıyla entegre olmak üzere yapay zekadan yararlanır.
Ayrıca, Sanal Ajan, son kullanıcılara en yaygın teknik sorunlarını ele alan bilgi tabanı çözümlerine erişim sunar.
Sonuç olarak, son kullanıcılar rutin sorunlara daha hızlı yanıt almaktan faydalanır ve bu da iş akışlarındaki kesintileri azaltır.
3. Hizmet talebi yönetimi
Hizmet talepleri talep otomasyonu yoluyla yönetilir:
Yapay zeka, şifre sıfırlama, yazılım kurulumları ve erişim izinleri gibi rutin hizmet taleplerinin işlenmesini otomatikleştirebilir. Önceden tanımlanmış iş akışları ve akıllı işleme kullanarak, yapay zeka sistemleri bu talepleri insan müdahalesi olmadan yönetebilir.
Örneğin, bir kullanıcı şifresini sıfırlamak için bir talep 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 gerektirdiği zamanı ve çabayı azaltır ve kullanıcılar için daha hızlı çözüm sağlar.
Bu rutin görevleri otomatikleştirmek verimliliği artırır ve aynı zamanda manuel işlemeyle ilişkili hata riskini azaltır.
4. Değişiklik yönetimi
Yapay zeka, BT değişikliklerinin değerlendirilmesini ve yönetimini geliştirerek değişiklik yönetimine önemli iyileştirmeler getirir:
Etki analizi:
Yapay zeka ile etki analizi, önerilen değişikliklerin BT ortamı üzerindeki potansiyel etkisini değerlendirir. Geçmiş verileri ve mevcut sistem konfigürasyonlarını analiz ederek, yapay zeka potansiyel çakışmaları ve kesintileri tahmin edebilir, 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. Ayrıntılı bir etki değerlendirmesi sunarak, yapay zeka değişikliklerin daha etkili planlanmasını ve yürütülmesini sağlar, bu da daha istikrarlı ve esnek bir BT altyapısı ile sonuçlanır.
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 kullanımını içerir.
Süreç otomasyonu:
Süreç otomasyonu, başlangıçtan tamamlanmaya kadar tüm süreçleri otomatikleştirerek iş akışı otomasyonunu bir adım ileri taşır. Bu, yazılım dağıtımı, kullanıcı katılımı ve sistem yedeklemeleri gibi süreçleri içerebilir. Yapay zeka araçları, her adımın doğru şekilde yürütülmesini sağlamak için bu süreçleri uçtan uca yönetebilir.
Örneğin, kullanıcı katılım süreci sırasında, 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 hayat örneği: Ross School of Business ile SysAid
Michigan Üniversitesi'nin Ross School of Business'ı, kurumu otomatik iş akışları ve merkezi varlık yönetimi ile desteklemek için SysAid ile iş birliği yaptı.
Bu iş birliği, talep gönderim süresinde %54 azalma, kapsamlı bir bilgi tabanı aracılığıyla gelişmiş iş birliği ve merkezi içgörüler sayesinde daha iyi planlama ve bütçeleme sağladı. İleriye dönük olarak, Ross BT, daha fazla etkinlik yönetimi faaliyetini desteklemek ve kapsamlı çalışan iş akışları oluşturmak için SysAid'in entegrasyonunu genişletmeyi planlıyor.
Gerçek hayat örneği: St. George ile SysAid
ABD'nin en hızlı büyüyen belediyesi olan St. George, hızlı genişleme ve sınırlı kaynaklar nedeniyle önemli BT hizmet yönetimi zorluklarıyla karşı karşıyaydı.
SysAid'i uygulayarak, yama yönetimi, varlık takibi ve talep yönetimi gibi temel süreçleri otomatikleştirdiler ve yazılım yama başarı oranlarında %90 iyileşme ve Ortalama Çözüm Süresinde (MTTR) %20 azalma elde ettiler.
Copilot'un Chatbot ve Emailbot'u da dahil olmak üzere SysAid'in yapay zeka destekli araçları, son kullanıcıların sorunları bağımsız olarak çözmelerini sağladı. Bu geçiş, BT ekibinin reaktif yönetimden proaktif yönetime geçmesini sağlarken üretkenliği artırdı.
Öngörücü önlemler ve izleme
6. Öngörücü analitik
Yapay zeka modelleri, ekipman arızalarını meydana gelmeden önce tahmin edebilir ve böylece BT ekiplerini proaktif bakıma yönlendirebilir. Makine öğrenimi tekniklerinin genellikle geleneksel sabit hesaplama yöntemlerinden daha iyi performans gösterdiği ve üstün sonuçlar ürettiği göz önüne alındığında, bu öngörücü yaklaşım çok önemlidir.
Yapay zeka destekli ITSM araçları, iş akışlarını otomatikleştirerek, programları yöneterek ve yapılması gereken görevler için bildirimler göndererek, ekipmanın kullanım ömrünü uzatmayı ve kesintisiz BT hizmet yönetimi operasyonları sağlamayı amaçlar.
Öngörücü analitiği kullanarak, kuruluşlar geçmiş ve gerçek zamanlı verileri kullanarak gelecekteki performansı ve potansiyel arızaları tahmin edebilir. Bu süreç, bakım faaliyetleri için karar alma süreçlerini ve kaynak tahsisini destekler.
Yapay zeka aracılığıyla BT altyapısının sürekli sağlık izlemesi, anormallikleri tespit eder ve BT ekiplerine erken uyarılar sağlayarak potansiyel sorunları büyümeden ele almalarını sağlar.
Gerçek hayat örneği: BMC Helix AIOps
BMC Helix AIOps, birden çok BT kaynağından (altyapı, uygulamalar, ağlar ve üçüncü taraf izleme araçları) olayları analiz eder ve bunları zamanlama, topoloji, imzalar ve olay mesajları gibi faktörlere dayanarak "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'taki önceden tanımlanmış olay politikalarından oluşturulur) ve ML tabanlı durumlar (AI/ML korelasyonu kullanılarak otomatik olarak oluşturulur). 3
Gerçek hayat örneği: ServiceNow Predictive Intelligence
ServiceNow Predictive Intelligence, olayları ve talepleri kategorize etme, yönlendirme ve önceliklendirme gibi görevleri yönetmek için sonuçları tahmin etmek ve eylemler önermek üzere geçmiş verilerden yararlanır.
Predictive Intelligence, yinelenen sorunlar veya potansiyel darboğazlar gibi kalıpları belirleyebilir ve hizmet verimliliğini artırmak için önerilerde bulunabilir.
Bu özellik, tekrarlayan görevleri otomatikleştirerek ve sorunları büyümeden önce tahmin ederek kuruluşların manuel işleri azaltmasına, hataları en aza indirmesine ve yanıt sürelerini iyileştirmesine yardımcı olur.4
7. Performans yönetimi
Yapay zeka odaklı performans yönetimi, BT kaynaklarını ve hizmetlerini şu yollarla optimize etmeye odaklanır:
Kapasite planlaması, yapay zekanın kullanım kalıplarını analiz ettiği ve gelecekteki kaynak gereksinimlerini tahmin ettiği yerdir. Bu, kuruluşlara etkili kapasite planlaması ve kaynak tahsisinde yardımcı olur ve aşırı tedarik olmadan gelecekteki talepleri karşılayabilmelerini sağlar.
Performans optimizasyonu, yapay zeka araçlarının BT hizmetlerinin performansını sürekli olarak izlediği ve optimize ettiği yerdir. Performans metriklerini gerçek zamanlı olarak analiz ederek, yapay zeka teknolojisi 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 şu yollarla uyumu sağlamaya odaklanır:
Tehdit tespiti:
Tehdit tespiti, güvenlik tehditlerini gerçek zamanlı olarak tespit etmeyi ve bunlara yanıt vermeyi içerir. Kalıpları ve anormallikleri analiz ederek, yapay zeka potansiyel ihlalleri belirleyebilir ve riskleri azaltmak için derhal harekete geçebilir. Bu proaktif yaklaşım, bir kuruluşun güvenlik duruşunu önemli ölçüde iyileştirir.
Uyum izleme:
BT ortamlarının politikalara ve düzenlemelere uygunluk açısından izlenmesini içerir. Bu yaklaşım, kuruluşların endüstri standartlarıyla uyumlu kalmasını sağlar ve yasal ve düzenleyici sorun riskini azaltır.
Yapay zeka odaklı uyum izleme, kuruluşların güvenli ve uyumlu bir BT altyapısı sürdürmesine yardımcı olarak sürekli gözetim sağlar.
Gerçek hayat örneği: Databricks ile Freshservice
Databricks, lider bir yapay zeka ve veri analitiği şirketi, kesinti süresini azaltmak ve ölçeklenebilirliği artırmak için BT hizmet operasyonlarını geliştirmeye ihtiyaç duyuyordu.
Kodsuz yetenekleri ve yapay zeka destekli otomasyonu için Freshservice'i seçtiler. Uygulama %23 self-servis yönlendirme oranıyla sonuçlandı, böylece BT personelinin iş yükünü azalttı ve verimliliği artırdı.
Freshservice ile iş birlikleri, Databricks'in kullanımını İK ve hukuk dahil olmak üzere sekiz diğer departmana genişletmesine ve çalışan desteği için birleşik bir merkez oluşturmasına yol açtı.
Bu geçiş, çalışan deneyimini iyileştirdi, operasyonları destekledi ve BT maliyetlerini azalttı.
Tercih edilen kaynak olarak ekleSelf-servis ve ajan performansı kullanım alanları
9. Sanal asistanlar ve chatbot'lar
Sanal asistanlar ve chatbot'lar, kişiselleştirilmiş ve verimli destek sağlayarak ITSM deneyimini destekler. Yapay zeka destekli sistemler, yanıtları ve çözümleri kullanıcıların rollerine, tercihlerine ve geçmişine göre bireysel kullanıcılara uyarlayabilir ve kullanıcı memnuniyetini ve BT desteğinin etkinliğini artırabilir.
Duygu analizi ve doğal dil işleme (NLP), kullanıcı geri bildirimlerini analiz etmeye ve BT hizmetleri ve desteğindeki iyileştirme alanlarını belirlemeye yardımcı olur. Bu yaklaşım, kuruluşların kullanıcı ihtiyaçlarını daha iyi anlamasına ve hizmet kalitesini artırmasına yardımcı olur.
Yapay zeka destekli chatbot'lar, insan müdahalesi olmadan yaygın soruları yanıtlayarak ve rutin sorunları çözerek 7/24 gerçek zamanlı destek sağlar, böylece sürekli destek kullanılabilirliğini temin eder ve bekleme sürelerini azaltır.
Ayrıca, sanal asistanlar kullanıcılara sorun giderme adımlarında rehberlik edebilir, sorunları çözmek için harcanan süreyi azaltırken ve genel kullanıcı memnuniyetini artırırken daha etkileşimli ve verimli bir destek deneyimi sunar.
Self-servis portalları:
Self-servis portalları, kişiye özel destek sunmak için kullanıcı profillerini, geçmiş etkileşimleri ve yaygın sorunları analiz etmek üzere yapay zekadan yararlanır. Bir kullanıcı oturum açıp sorununu tanımladığında, yapay zeka araçları geçmişte benzer sorunları çözmüş ilgili bilgi tabanı makalelerini, SSS'leri veya otomatik çözümleri önerebilir.
Örneğin, bir kullanıcı sık sık yazılım kurulumu talep ediyorsa, self-servis portalı bu tercihi hatırlayabilir ve kurulum prosedürlerine veya gerekli yazılımı indirmek için doğrudan bağlantılara hızlı erişim sağlayabilir.
Gerçek hayat örneği: Fundrise ile Risotto chatbot
Fundrise, çalışan desteğini iyileştirmek ve manuel talep işlerini azaltmak için düşük performanslı bir BT chatbot'unu Risotto ile değiştirdi.
Doğrudan Slack'e entegre olarak, Risotto çalışanların normal iş akışlarından ayrılmadan yanıt almasına, erişim talep etmesine ve onayları tamamlamasına yardımcı oldu. Bir ay sonra, Risotto BT taleplerinin %33'ünü otomatik olarak çözdü ve diğer %26'sına yardımcı oldu, destek görevlerinin yaklaşık %60'ını otomatikleştirdi.
Fundrise ayrıca Risotto'nun günlük ekip etkileşimlerinden öğrenme, dokümantasyonu azaltma ve esnek onay iş akışları aracılığıyla erişim sağlamayı destekleme yeteneğine değer verdi.5
Gerçek hayat örneği: ManageEngine'in Zia AI Virtual Agent'ı
ManageEngine'in Zia AI Virtual Agent'ı, kullanıcıların menüleri manuel olarak gezinmeden soru sormalarını ve görevleri gerçekleştirmelerini sağlayan bir LLM arayüzü aracılığıyla çok turlu konuşmaları destekler.
Zia, bağlamı anlayabilir, anında yanıtlar sağlayabilir ve dahili bilgi tabanlarından veya bağlı büyük dil modellerinden içgörüleri özetleyebilir. Takip eden sorularda sürekliliği korur ve konuşma istemlerine dayalı olarak durum güncelleme, not ekleme veya talepleri kapatma gibi talep eylemlerini destekler.
Zia ayrıca çok modlu girişi (metin, ses, görüntüler) destekler ve takip sorguları için konuşma bağlamını korur.6
Gerçek hayat örneği: Freshservice Freddy AI
Freddy AI Copilot, Freshservice (Pro/Enterprise) ve Freshservice for Business Teams için bir yapay zeka eklentisidir. BT, İK, finans, hukuk ve pazarlama gibi departmanlar arasında talep işlemeyi otomatikleştirerek, yanıt kalitesini iyileştirerek ve hizmet sunumunu hızlandırarak BT ve iş ekiplerinin tekrarlayan işleri azaltmasına yardımcı olur.
Temel yetenekler şunları içerir:
- Talep özetleme ve çözüm notu oluşturma
- Yanıt önerileri (çok dilli destek dahil) ve yazma yardımı
- Kök neden analizi için benzer olay tespiti ve ilgili değişiklik önerileri
- Alan otomatik doldurma ve talep 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 birden çok dili destekler, ancak Benzer Olay Önericisi şu anda yalnızca İngilizce'dir.7
Şekil 2: Freshservice Freddy AI copilot gösterge paneli.
Gerçek hayat örneği: Jira Service Management Virtual Agent
Jira Service Management Virtual Agent, rutin destek görevlerini otomatikleştirerek BT desteğini geliştirir. Bu yapay zeka destekli sanal ajan, konuşmaya dayalı destek sağlamak için Slack dahil platformlarla entegre olur, kullanıcı taleplerini anlamak ve yanıtlamak için NLP kullanır, kişiselleştirilmiş etkileşimler sunmak için niyet, duygu ve bağlamı tespit eder.
Sanal ajan, yaygın sorunları ele alabilir, sık sorulan soruları yanıtlayabilir ve insan ajanların daha karmaşık görevlere odaklanması için destek taleplerini yönetebilir. Daha karmaşık sorunlar için, sanal ajan talepler oluşturabilir ve konuşmayı bağlamı kaybetmeden bir insan ajana aktarabilir.
Otomasyona ek olarak, Rovo ajanları (ajansal yapay zeka ekip arkadaşları), ilgili olayları, değişiklik risklerini, olası kök nedenleri, önerilen yanıtlayıcıları ve önerilen oyun kitaplarını ortaya çıkararak BT operasyon ekiplerine yardımcı olur. Rovo ajanları ayrıca olay müdahalesi sırasında taslak Olay Sonrası İncelemeler (PIR'ler) oluşturabilir ve otomasyon iş akışlarını tetikleyebilir.
Hizmet ekipleri, çözüm oranları, bilgi boşlukları ve yapay zeka tarafından önerilen bilgi makalesi oluşturma dahil olmak üzere iyileştirme fırsatları hakkında içgörüler sağlayan yapay zeka destekli bir performans gösterge paneli ile yapay zeka etkinliğini izleyebilir ve optimize edebilir.
Platform ayrıca, şablonlar, "Bilgi iste" ve "Web isteği" gibi adımlar ve çözüm sürelerini hızlandırmak ve hizmet sunum verimliliğini artırmak için ajan iş akışlarına gömülü yapay zeka önerileri kullanarak özelleştirilebilir niyet akışlarını destekler.8
Şekil 3: Jira self-servis destek gösterge paneli.9
10. Bilgi yönetimi
Bu alan içinde, yapay zeka teknolojileri bilginin organizasyonunu ve erişilebilirliğini şu yollarla destekler:
İçerik küratörlüğü:
Yapay zeka sistemleri, sorgularının bağlamına dayanarak hem BT personeline hem de son kullanıcılara ilgili bilgi tabanı makalelerini seçip önerebilir. Bu, kullanıcıların gerekli bilgiyi hızlı bir şekilde almasını sağlar ve sorunları bağımsız olarak çözme yeteneklerini artırır.
Belge analizi:
Belge analizi, büyük hacimli dokümantasyonun analiz edilmesini ve kategorize edilmesini içerir. Bu süreç, kullanıcıların bilgiyi bulmasına ve kullanmasına yardımcı olurken bilgi yönetimi süreçlerinin genel verimliliğini artırır.
Belgeleri düzenleyerek ve sezgisel kategoriler oluşturarak, yapay zeka destekli ITSM araçları kritik bilgilere daha kolay erişim sağlar, böylece üretkenliği artırır ve çözüm aramak için harcanan süreyi azaltır.
Gerçek hayat örneği: Nebula ITSM ile Otonom Bilgi Oluşturma
Nebula ITSM, özel entegrasyonlara veya kapsamlı manuel çabaya ihtiyaç duymadan birden çok BT sisteminden, uygulamadan ve veritabanından otomatik olarak veri toplar.
Sistem, bilgi tabanı için tutarlı bir bilgi ağı oluşturmak üzere veriler içindeki ilişkileri ve bağımlılıkları belirler.
Sistem, bilgi grafiğini sürdürmek veya oluşturmak için BT personelinden manuel küratörlük veya müdahale gerektirmez. Bu, daha hızlı dağıtım, azaltılmış operasyonel ek yük ve insan uzmanların süreci sürekli olarak denetlemesine gerek kalmadan, yeni veriler eklendikçe sürekli olarak öğrenme ve uyum sağlama yeteneği ile sonuçlanır.10
11. Varlık yönetimi
Yapay zeka ile BT varlık yönetimi, varlık yaşam döngüsü yönetiminin çeşitli yönlerini otomatikleştirmeye ve optimize etmeye odaklanır.
Otomatik envanter takibi, manuel çabaları azaltırken ve veri doğruluğunu iyileştirirken doğru ve gerçek zamanlı varlık kayıtları sağlar.
Yapay zeka araçları ayrıca varlıkların ne zaman bakıma veya değiştirmeye ihtiyaç duyacağını tahmin edebilir, böylece varlıkların yaşam döngüsünü optimize eder. Bu öngörücü yaklaşım, varlıkların iyi durumda ve operasyonel olmasını sağlayarak planlama ve kaynak tahsisine yardımcı olur.
Ayrıca, yapay zeka araçları, varlıklarla ilgili yetkisiz erişimi veya olağandışı etkinliği tespit ederek varlık güvenliğini artırır ve ek bir koruma katmanı sağlar.
Yapay zeka odaklı analitik, varlık kullanımı hakkında içgörüler sunarak kuruluşların bilinçli kararlar almasına ve maliyet tasarrufu elde etmesine yardımcı olur.
Gerçek hayat örneği: Ivanti Neurons Self-Healing with AI
Kendi kendini iyileştirme, sistemlerin BT altyapısındaki sorunları manuel müdahale gerektirmeden otomatik olarak tespit etme, teşhis etme ve çözme yeteneğini ifade eder.
Kendi kendini iyileştirme şu yollarla sağlanır:
- Proaktif izleme: Ivanti Neurons, gerçek zamanlı anormallikleri tespit etmek için yapay zeka kullanarak uç noktalar ve sunucular gibi BT varlıklarını sürekli olarak izler. Performans düşüşü, güvenlik açıkları veya arızalar gibi potansiyel sorunları büyümeden önce belirler.
- Otomatik teşhis: Bir sorun tespit edildiğinde, Ivanti'nin yapay zeka sistemi günlükleri, konfigürasyonları ve kalıpları analiz ederek kök nedeni belirlemek için otomatik olarak teşhis çalıştırır.
- Otomatik düzeltme: Sorunu teşhis ettikten sonra, sistem yama uygulama, hizmetleri yeniden başlatma veya betik çalıştırma gibi otomatik düzeltmeler başlatır. Süreç, daha hızlı çözümler sağlamak için insan müdahalesi olmadan tamamlanır.
- Uç nokta yönetimi: Ivanti'nin kendi kendini iyileştirmesi, özellikle uç noktalar, izleme cihazları ve güvenlik açıkları ile yanlış konfigürasyonlar gibi sorunları otomatik olarak çözme konusunda etkili olabilir.11
ITSM'de yapay zekadan yararlanmanın faydaları nelerdir?
Yapay zeka hizmet yönetimi araçlarını kullanmak, BT operasyonlarının verimliliğini, doğruluğunu ve genel etkinliğini artırabilecek sayısız fayda sunar. İşte ITSM için yapay zeka teknolojilerinin bazı temel avantajları:
Yapay zeka, talep oluşturma, kategorize etme ve yönlendirme gibi tekrarlayan ve zaman alıcı görevleri otomatikleştirebilir. Bu, BT personelinin manuel iş yükünü azaltarak daha karmaşık ve stratejik görevlere odaklanmalarını sağlar.
Yapay zeka sistemleri, insan hatasını en aza indirmek için tutarlı yanıtlar ve eylemler sağlayabilir. Bu, özellikle olay sınıflandırma, kök neden analizi ve çözüm önerileri gibi rutin görevlerde faydalıdır.
Chatbot'lar ve sanal asistanlar, sürekli hizmet kullanılabilirliğine olanak tanır ve yanıt sürelerini azaltırken kullanıcı memnuniyetini artırır. Bu yapay zeka araçları, artan talep hacimlerini karşılayacak şekilde ölçeklenebilir ve bu da onları büyük ve büyüyen kuruluşlar için ideal hale getirir.
Yapay zeka sistemleri, BT yöneticilerinin bilinçli kararlar almasını desteklemek için büyük miktarda veriden değerli içgörüler üretir.
Rutin görevleri otomatikleştirerek ve kapsamlı insan müdahalesi ihtiyacını azaltarak, yapay zeka sistemleri maliyet tasarrufuna yol açabilir. Bu sistemler kaynak kullanımını optimize eder ve BT hizmetlerini yönetmeyle ilişkili operasyonel maliyetleri azaltır.
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{ITSM'de Yapay Zeka için En İyi 11 Kullanım Alanı ve Örnekler}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ai-in-itsm}},
note = {AIMultiple. Erişim tarihi: 18 Haziran 2026}
}Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.