Особенности использования машинного обучения для обработки входящих запросов в helpdesk-подразделениях

Размещено на http://www.allbest.ru/

ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБРАБОТКИ ВХОДЯЩИХ ЗАПРОСОВ В HELPDESK- ПОДРАЗДЕЛЕНИЯХ

Корнишин А.А.,

студент магистратуры 4 курс, факультет «Прикладная математика и информатика» ФГБОУ ВО «Тольяттинский государственный университет», Россия, г. Тольятти

Аннотация: Предлагается адаптация наиболее распространённых и эффективных методов машинного обучения для решения задачи классификации запросов в службу технической поддержки при помощи оригинального алгоритма, учитывающего специфику предметной области. Предполагаемые научные результаты должны подтвердить гипотезу о том, что построение и реализация модели машинного обучения для обработки входящих запросов в службу технической поддержки упростит и улучшит работу 1-й линии технической поддержки, сократит затраты на 1 -ю линию службы технической поддержки.

Ключевые слова: автоматизация, машинное обучение, служба технической поддержки, обработка входящих запросов, методы классификации, классификация входящих запросов, информационная система

Вводная часть

Служба технической поддержки крупной ИТ-компании, предоставляющей ИТ-услуги на аутсорсорсинг, должна оперативно обрабатывать поток приходящих по электронной почте запросов от заказчиков.

При этом, клиенты ИТ-компании могут обращаться по вопросам IT поддержки непосредственно в подразделения, ответственные за решения различных задач, часто не по адресу. Ненужная внутренняя переадресация обращений клиентов, отсутствие единого подхода к формированию заявок, соответственно отсутствие возможности осуществлять контроль исполнения заявок, резко снижают эффективность работы службы технической поддержки.

Отсутствие единой системы сбора заявок на обслуживание вычислительной техники снижает качество предоставляемых клиентам услуг и эффективность работы.

Оператор сможет полностью выполнять свои функции с максимальной эффективностью только, если будет произведено внедрение автоматизированной информационной системы с обработкой запросов.

В связи с тем, что ИТ-компании предоставляют очень широкий спектр ИТ-услуг, запросы распределяются в различные отделы технической поддержки. Обычно, этим распределением занимается 1 -я линия службы технической поддержки.

Для повышения эффективности обработки и распределения запросов необходимо выявить лучшую модель обработки входящих запросов и подтвердить это программной реализацией.

В работах многих авторов таких, как Батура Т.В. [1], Большакова Е.И. [2], Комарова А.В. [7] анализируются различные методы автоматической обработки и классификации текстов.

В работах авторов таких, как Варшавский П.Р. [3], Кашницкий Ю.С. [5], Клячкин В.Н. [6], Кузнецов И.А. [11], Лунев К.И. [12], Нгуен, М.Т. [13], Lilleberg J., Zhu Y., Zhang Y. [17] рассматриваются особенности алгоритмов машинного обучения для классификации текстовых документов и данных, ансамблевые методы машинного обучения.

Но вопросы применения для вышеуказанных методов и алгоритмов для обработки входящих запросов в helpdesk-подразделениях не исследовались.

Основная часть

Предполагаемые научные результаты должны подтвердить гипотезу о том, что построение и реализация модели машинного обучения для обработки входящих запросов в службу технической поддержки упростит и улучшит работу 1 -й линии технической поддержки, сократит затраты на 1 -ю линию службы технической поддержки.

В ходе взаимодействия клиентов, оператора и специалистов helpdesk - подразделения возникают различные проблемы.

Необходимо проанализировать существующий процесс, чтобы выявить: ненужные обращения клиентов; дублированные обращения; нелогичность последовательностей действий; причины повторяющихся обращений; отсутствие источника информации; отсутствие ответственного за результат.

В процессе работы могут использоваться разные методы обработки входящих запросов клиентов.

При циклическом распределении все новые запросы маршрутизируются непрерывно в цикле, чтобы каждый оператор принимал равное число запросов. С помощью очереди производится последовательный перебор всех операторов пока не будет найден тот, кто сможет принять вызов. Первый вызов будет направлен первому оператору, следующий - второму оператору, далее - третьему оператору, и так далее. Для этого метода не требуются определенные знания от оператора и он подходит для общих запросов.

При синхронном распределении новые запросы приходят всем операторам одновременно. Обработка запроса будет производится тем, кто первым взял трубку. Этот метод является самым быстрым для связи клиента с оператором.

Метод с учетом активности операторов, каждый из которых устанавливает статус активности. Система передает оповещение о вызове только активным операторам.

Применение автоматического распределения запросов способствует повышению пропускной способности контакт-центра, равномерному распределению нагрузки между операторами с учетом уровня их компетенций и повышению эффективности обслуживания клиентов.

Автоматизация обработки входящих запросов имеет ряд преимуществ.

Автоматическое распределение запросов снижает время обработки, обеспечивает повышение скорости обслуживания клиентов.

Сотрудники меньшее время затрачивают на выяснение проблем и большее уделяют решению задач.

При автоматическом равномерном распределении запросов сводится к минимуму время простоя, все сотрудники заняты своими задачами.

Своевременное решение вопросов клиентов способствует повышению доверия к компании и лояльности клиентов.

Машинное обучение является совокупностью методов, позволяющих изучить данные и выявить закономерности, они имеют преимущество над методами традиционной статистики, поскольку уменьшают число начальных допущений, менее консервативны к выбору подхода для решения задачи, используют эмпирические методы для оценки уровня обобщения. Машинное обучение основано на индуктивном подходе: малой части данных достаточно для вывода об общем состоянии процесса [14, 15].

Наиболее широко применяется подход машинного обучения с учителем, в котором весь объем данных разделяется на две выборки (обучающая и тестовая), а алгоритм обрабатывает данные из обучающей выборки, при этом выполняется сравнение результата с эталонным значением.

Методы обучения с учителем для задачи классификации широко распространены на практике, поскольку часто требуется отнести объект к определенному классу, используя известные данные о других объектах [1]. Примером такой задачи является задача бинарной классификации разделения клиентов.

В крупной ИТ-компании предоставляются различные три основные группы услуг клиентам:

разработка и поддержка ПО; хранение и бэкап данных;

хостинг и поддержка ActiveDirectory и/или серверов.

В рамка предоставления этих услуг клиенты могут пересылать в техподдержку следующие виды запросов:

создать/удалить/изменить учетную запись в AD; проблема с использованием программ или баг в ПО; добавление новой функции в ПО; создание/настройка сервера; создание маршрутов между серверами; создание/изменение правил firewall.

Заявки обрабатывает 1-я линия и именно её работу должно упростить внедрение МО.

Определены ключевые признаки, по которым можно классифицировать запрос:

- по теме письма;

- по ключевым словам;

- по источнику (от кого);

- по упоминаниям исполнителя.

Система обработки запросов должна уметь автоматически назначать задачи и проекты соответствующим специалистам или участникам команды.

Автоматическое назначение исполнителей и последующая рассылка уведомлений не только устранит любые возможные недоразумения, связанные с кругом обязанностей, но и улучшит подотчетность в команде.

В результате разработка и внедрение ИС должна позволить:

сократить время обработки запросов; сократить количество повторных запросов.

Методы нейронных сетей широко применяются для обработки больших объемов данных и имеют уникальные вычислительные возможности. Нейросети прямого распространения позволяют аппроксимировать функции и решать задачи классификации [10, с.177].

Методы нейронных сетей имеют следующие преимущества:

- высокая эффективность;

- операции легко поддаются распараллеливанию;

- возможность успешного решения задач при наличии неполной, искаженной и противоречивой входной информацией;

- возможность обучения на наборе данных с неизвестными законами и зависимостями между входными и выходными данными.

Присутствуют и следующие недостатки:

- методы нейронных сетей не могут классифицировать с требуемым качеством, при недостаточной полноте набора примеров для конкретной задачи;

- проблемы подготовки обучающей выборки, связанные с трудностями нахождения достаточного количества обучающих примеров;

- проблема переобучения нейросети, приводит к тупиковым ситуациям.

Предлагается практическая реализация схемы формализованного алгоритма процесса классификации входящих запросов в службу технической поддержки на основе многоклассовой классификации и машинного обучения.

В модели информационной системы основными взаимодействующими акторами являются специалист техподдержки, оператор-координатор и клиент.

На рисунке 1 отображена диаграмма компонентов проектируемой информационной системы обработки запросов клиентов.

Рисунок 1 - Диаграмма компонентов

На рисунке 2 отображена диаграмма последовательности компонента «Модуль машинного обучения для анализа запроса».

Рисунок 2- Диаграмма последовательности компонента «Модуль машинного обучения для анализа запроса»

машинное обучение служба техническая поддержка алгоритм

На рисунке 3 отображена диаграмма последовательности компонента «Модуль применения модели».

Рисунок 3 - Диаграмма последовательности компонента «Модуль применения модели»

Таким образом, построенная структура программного продукта позволяет определить средства разработки программного продукта.

Выбрана среда разработки Visual Studio 2018, язык программирования C# и библиотека для машинного обучения ML.NET.

Выбранные средства реализации позволят разработать информационную систему обработки запросов клиентов с применением инновационных методов машинного обучения.

Заключительная часть

Новизна решаемой задачи заключается в оригинальном применении метода машинного обучения к решению задачи классификации входящих текстовых запросов в службу технической поддержки и их распределения.

Предполагаемые научные результаты должны подтвердить гипотезу о том, что построение и реализация модели машинного обучения для обработки входящих запросов в службу технической поддержки практически упростит и улучшит работу 1 -й линии технической поддержки, сократит затраты на 1-ю линию службы технической поддержки.

Основным направлением для дальнейшего исследования является практическая реализация информационной системы обработки входящих запросов и анализ экспериментальных результатов ее применения.

Список литературы:

1. Батура Т.В. Методы автоматической классификации текстов // Программные продукты и системы. - Т. 30, № 1, 2017. - С.85-99.

2. Большакова Е.И. и др. Автоматическая обработка текстов на естественном языке и анализ данных: учеб. пособие / М.: Изд-во НИУ ВШЭ, 2017. - 269 с.

3. Варшавский П.Р., Кожевников. А.В. Реализация программных средств для классификации данных на основе аппарата сверточных нейронных сетей и прецедентного подхода // Программные продукты и системы, № 4, 2020. - С. 591598.

4. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2016. - № 3. - С. 15-24.

5. Кашницкий Ю.С., Игнатов Д.И. Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов // Интеллектуальные системы. Теория и приложения. - Т.19, № 4, 2015.- С. 37-55.

6. Клячкин В.Н., Жуков Д.А. Прогнозирование состояния технического объекта с применением методов машинного обучения // Программные продукты и системы. - Т.32, №2, 2019. - С. 244-250.

7. Комарова А.В., Менщиков А.А., Полев А.В., Гатчин Ю.А. Метод автоматизированного извлечения адресов из неструктурированных текстов // International Journal of Open Information Technologies. - Т.5, № 11, 2017. - С. 21-26.

8. Кораблев А.Ю., Булатов Р.Б. Машинное обучение в бизнесе // Азимут научных исследований: экономика и управление. - 2018. - Т. 7, № 2. - С. 68-72.

9. Корнина А.Е. Машинное обучение и нейронные сети в бизнесе // Хроноэкономика. - 2018. - № 2. - С. 111-115.

10. Краснянский М.Н., Обухов А.Д., Соломатина Е.М., Воякина А.А. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения / Вестник ВГУ, серия: системный анализ и информационные технологии, № 3, 2018. - С. 173-182.

11. Кузнецов И.А. Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах / АВТОРЕФЕРАТ диссертации на соискание ученой степени к.т.н. - Москва - 2019. - 26 с.

12. Лунев К.И. Особенности применения машинного обучения для классификации текстовых документов // Научные записки НГУЭУ. Выпуск 2, 2020. - С.30-32.

13. Нгуен М.Т. Тестирование методов машинного обучения в задаче классификации http запросов с применением технологии tf-idf // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2019. - № 4. - С. 119-131.

14. Ракитский А.А. Методы машинного обучения: учебно-методическое

пособие / Новосибирск: Сибирский государственный университет телекоммуникаций и информатики, 2018. - 32 c.

15. Юрочкин А.Г., Коростелева Н.А. Проблемы машинного обучения // Вестник Воронежского института высоких технологий. - 2020. - № 1. - С. 49-51.

16. Adeniyi D.A., Wei Z., Yongquan Y. Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method // Applied Computing and Informatics. - Т.12, № 1, 2016. - С. 90-108.

17. Lilleberg J., Zhu Y., Zhang Y. Support vector machines and word2vec for text classification with semantic features // Cognitive Informatics & Cognitive Computing. - 2015. - С. 136-140.

18. Pliakos K., Geurts P., Vens C. Global multi-output decision trees for interaction prediction // Machine Learning. - 2018. - С. 1-25.

19. Wu X. et al. Top 10 algorithms in data mining //Knowledge and information systems. - Т.14, № 1, 2008 - С. 1-37.

20. Yang W., Boyd-Graber J., Resnik P. A discriminative topic model using document network structure //Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics. - Т.1, 2016. - С. 686-696.

Размещено на Allbest.ru