در دنیای دیجیتال امروز، سازمان‌ها به شدت به زیرساخت‌های فناوری اطلاعات (IT) خود وابسته هستند. حفظ پایداری و سلامت این محیط عملیاتی، یک چالش دائمی و پیچیده است. تیم‌های پشتیبانی IT روزانه با حجم عظیمی از داده‌ها، از جمله تیکت‌های پشتیبانی، نظرسنجی‌های رضایت مشتری و بازخوردهای منتشر شده در شبکه‌های اجتماعی روبرو هستند. بخش بزرگی از این داده‌ها به صورت متن بدون ساختار (Unstructured Text) است که حاوی اطلاعات و بینش‌های ارزشمندی است، اما تحلیل آن با روش‌های سنتی دشوار و زمان‌بر است.

مقاله «رایانش شناختی برای بهینه‌سازی خدمات فناوری اطلاعات» نوشته عباس رضا علی، یک راهکار نوآورانه برای مواجهه با این چالش ارائه می‌دهد. اهمیت این پژوهش در گذار از یک مدل مدیریت IT واکنشی (Reactive) به یک مدل پیشگیرانه و هوشمند (Proactive) نهفته است. به جای اینکه منتظر بمانیم تا مشکلات رخ دهند و سپس به آن‌ها رسیدگی کنیم، این مقاله نشان می‌دهد که چگونه می‌توان با استفاده از هوش مصنوعی و رایانش شناختی، مشکلات را پیش‌بینی کرده، ریشه‌یابی نمود و از وقوع آن‌ها جلوگیری کرد. این رویکرد نه تنها به کاهش هزینه‌های عملیاتی منجر می‌شود، بلکه به طور قابل توجهی رضایت کاربران نهایی را نیز افزایش می‌دهد.

این مقاله توسط عباس رضا علی به نگارش درآمده و در حوزه تلاقی علوم کامپیوتر، به ویژه شاخه‌های «محاسبات و زبان» (Computation and Language) و «یادگیری ماشین» (Machine Learning) قرار می‌گیرد. این پژوهش به طور خاص بر کاربرد عملی این فناوری‌ها در حوزه مدیریت خدمات فناوری اطلاعات (ITSM) تمرکز دارد.

زمینه اصلی تحقیق، بهره‌گیری از رایانش شناختی (Cognitive Computing) است. رایانش شناختی شاخه‌ای از هوش مصنوعی است که تلاش می‌کند سیستم‌هایی با قابلیت‌های شبیه به انسان، مانند یادگیری، استدلال، و درک زبان طبیعی، ایجاد کند. این سیستم‌ها قادرند حجم عظیمی از داده‌های ساختاریافته و بدون ساختار را تحلیل کرده و بینش‌های عملیاتی استخراج کنند. در این مقاله، از تکنیک‌های پیشرفته پردازش زبان طبیعی (NLP) به عنوان هسته اصلی پلتفرم شناختی استفاده شده است تا معنای پنهان در متون تولید شده توسط کاربران، درک و تحلیل شود.

مقاله حاضر یک پلتفرم شناختی را معرفی می‌کند که با تحلیل پیشگیرانه داده‌های متنوع IT، به حفظ سلامت محیط عملیاتی کمک می‌کند. این پلتفرم فراتر از تحلیل‌های سنتی که تنها بر داده‌های ساختاریافته متمرکز هستند، عمل می‌کند و با تحلیل عمیق متون بدون ساختار از منابعی مانند تیکت‌های میز خدمت (Service Desk)، نظرسنجی‌ها و شبکه‌های اجتماعی، به درک جامعی از وضعیت خدمات IT دست می‌یابد.

راهکار پیشنهادی شامل مجموعه‌ای از قابلیت‌های کلیدی است که با استفاده از تکنیک‌های پردازش زبان طبیعی پیاده‌سازی شده‌اند. این قابلیت‌ها عبارتند از: شناسایی زبان، ترجمه خودکار، استخراج سلسله‌مراتبی موضوعات پرتکرار، شناسایی موجودیت‌ها و روابط بین آن‌ها، خلاصه‌سازی متن، تحلیل احساسات کاربران، و استخراج دانش از متون. در نهایت، بینش‌های به دست آمده از داده‌های متنی با داده‌های ساختاریافته (مانند داده‌های حوادث، مشکلات و تغییرات) ترکیب شده و برای ساخت مدل‌های پیش‌بینی‌کننده استفاده می‌شوند. تمام این اطلاعات در یک داشبورد تعاملی و غنی به نمایش در می‌آید تا مدیران بتوانند به سادگی به بینش‌های عملیاتی دست یافته و تصمیمات داده‌محور اتخاذ کنند.

پلتفرم ارائه شده در این مقاله از یک معماری چندلایه و هوشمند برای تحلیل داده‌ها بهره می‌برد. فرآیند کار این سیستم را می‌توان در چند مرحله کلیدی خلاصه کرد:

• جمع‌آوری و تجمیع داده‌ها: در مرحله اول، داده‌ها از منابع مختلف جمع‌آوری می‌شوند. این منابع شامل:
  • داده‌های بدون ساختار: شرح مشکلات در تیکت‌های پشتیبانی، پاسخ‌های متنی در نظرسنجی‌های رضایت مشتری، و پست‌ها و نظرات مرتبط در شبکه‌های اجتماعی.
  • داده‌های ساختاریافته: اطلاعات طبقه‌بندی شده مانند اولویت تیکت، گروه مسئول، زمان ثبت و بسته شدن، و داده‌های مربوط به حوادث (Incidents)، مشکلات (Problems) و تغییرات (Changes).
• پردازش زبان طبیعی (NLP): قلب این سیستم، موتور NLP آن است که تحلیل‌های عمیقی بر روی داده‌های متنی انجام می‌دهد:
  • شناسایی موضوعات (Topic Modeling): شناسایی خودکار مشکلات پرتکرار مانند «مشکل در اتصال به VPN»، «خطای نرم‌افزار Outlook» یا «عدم کارکرد پرینتر».
  • تحلیل احساسات (Sentiment Analysis): سنجش میزان رضایت یا نارضایتی کاربر از طریق تحلیل لحن و کلمات به کار رفته در متن. برای مثال، تشخیص کلمات کلیدی که نشان‌دهنده ناامیدی کاربر هستند.
  • استخراج موجودیت (Entity Extraction): شناسایی موجودیت‌های کلیدی مانند نام نرم‌افزارها، سخت‌افزارها، سرورها یا کاربران خاص در متن تیکت‌ها.
• یکپارچه‌سازی و مدل‌سازی پیش‌بینی‌کننده: بینش‌های استخراج‌شده از متون با داده‌های ساختاریافته ترکیب می‌شوند تا مدل‌های یادگیری ماشین برای موارد زیر آموزش داده شوند:
  • طبقه‌بندی (Classification): تخصیص خودکار تیکت‌ها به تیم پشتیبانی مناسب بر اساس محتوای آن‌ها، که باعث کاهش زمان پاسخ‌دهی می‌شود.
  • خوشه‌بندی (Clustering/Segmentation): گروه‌بندی حوادث مشابه برای شناسایی مشکلات ریشه‌ای که چندین کاربر را تحت تأثیر قرار داده‌اند.
  • پیش‌بینی سری زمانی (Time-Series Forecasting): پیش‌بینی حجم تیکت‌ها در آینده برای برنامه‌ریزی بهتر منابع و نیروی انسانی.
• بصری‌سازی و داشبورد تعاملی: نتایج نهایی، شامل داده‌های خام، بینش‌های متنی و خروجی مدل‌های پیش‌بینی، در یک داشبورد غنی و تعاملی نمایش داده می‌شود. این داشبورد به مدیران IT اجازه می‌دهد تا الگوها را کشف کرده، روندها را دنبال کنند و به سرعت به بینش‌های عملیاتی دست یابند.

آزمایش‌ها و پیاده‌سازی‌های انجام شده با استفاده از این پلتفرم شناختی، نتایج و یافته‌های قابل توجهی را به همراه داشته است:

• کشف سریع‌تر مشکلات پنهان: تحلیل سنتی داده‌های ساختاریافته ممکن است ماه‌ها طول بکشد تا یک الگوی مشکل‌زا را کشف کند. اما این رویکرد شناختی با تحلیل همزمان متن و داده‌های ساختاریافته، می‌تواند مشکلات نوظهور را در مراحل اولیه شناسایی کند. برای مثال، افزایش ناگهانی تیکت‌هایی با احساسات منفی که همگی به یک «آپدیت نرم‌افزاری جدید» اشاره دارند، یک زنگ خطر فوری است.
• شناسایی دقیق علت ریشه‌ای: این سیستم با مرتبط ساختن شکایات کاربران (داده‌های بدون ساختار) با رکوردهای تغییرات سیستمی (داده‌های ساختاریافته)، به سرعت می‌تواند علت اصلی مشکلات را شناسایی کند. این امر فرآیند ریشه‌یابی مشکلات (Root Cause Analysis) را به شدت تسریع می‌کند.
• اثربخشی قابل اندازه‌گیری: مهم‌ترین یافته این تحقیق، تأثیر مستقیم آن بر معیارهای کلیدی عملکرد (KPIs) است. در آزمایش‌های مختلف، این رویکرد توانسته است به طور متوسط ۱۸ تا ۲۵ درصد از حجم سالانه تیکت‌ها را کاهش دهد. این کاهش از طریق شناسایی و حل مشکلات ریشه‌ای قبل از آنکه تعداد زیادی از کاربران را تحت تأثیر قرار دهند، محقق شده است.
• برتری نسبت به روش‌های سنتی: مقاله به وضوح نشان می‌دهد که نادیده گرفتن داده‌های بدون ساختار، فرصت‌های بزرگی را برای بهینه‌سازی از بین می‌برد. بینش‌هایی که از دل متون استخراج می‌شوند، زمینه‌ای غنی برای درک عمیق‌تر تجربیات و مشکلات کاربران فراهم می‌کنند که صرفاً با تحلیل داده‌های طبقه‌بندی‌شده قابل دستیابی نیست.

پیاده‌سازی پلتفرم رایانش شناختی پیشنهادی، دستاوردهای ملموسی برای سازمان‌ها به ارمغان می‌آورد:

• کاهش هزینه‌های عملیاتی: کاهش حجم تیکت‌ها به معنای نیاز کمتر به نیروی انسانی در میز خدمت و کاهش زمان صرف شده برای حل مشکلات است. همچنین، جلوگیری از قطعی‌ها و مشکلات گسترده، از زیان‌های مالی ناشی از توقف کسب‌وکار جلوگیری می‌کند.
• افزایش چشمگیر رضایت مشتریان: با حل سریع‌تر مشکلات و پیشگیری از وقوع آن‌ها، تجربه کاربری به طور قابل توجهی بهبود می‌یابد. کاربران احساس می‌کنند که سازمان به نیازهای آن‌ها توجه دارد و خدمات پایداری دریافت می‌کنند.
• بهینه‌سازی تخصیص منابع: با پیش‌بینی حجم کاری آینده، مدیران می‌توانند تیم‌های پشتیبانی را به صورت مؤثرتری سازماندهی کنند. این امر از کمبود نیرو در ساعات اوج و یا هدررفت منابع در زمان‌های خلوت جلوگیری می‌کند.
• تصمیم‌گیری استراتژیک مبتنی بر داده: داشبورد تعاملی، مدیران را قادر می‌سازد تا به جای تکیه بر شهود، بر اساس داده‌های واقعی و بینش‌های عمیق تصمیم‌گیری کنند. این امر به آن‌ها کمک می‌کند تا سرمایه‌گذاری‌های آتی در حوزه IT را در نقاط درست متمرکز کنند.

مقاله «رایانش شناختی برای بهینه‌سازی خدمات فناوری اطلاعات» به طور مؤثری نشان می‌دهد که چگونه می‌توان با بهره‌گیری از قدرت هوش مصنوعی و پردازش زبان طبیعی، مدیریت خدمات IT را از یک فرآیند واکنشی به یک استراتژی هوشمند و پیشگیرانه تبدیل کرد. این پژوهش ثابت می‌کند که کلید این تحول، توانایی تحلیل یکپارچه داده‌های ساختاریافته و بدون ساختار است.

راهکار ارائه شده نه تنها به سازمان‌ها کمک می‌کند تا مشکلات را سریع‌تر حل کنند، بلکه آن‌ها را قادر می‌سازد تا از وقوع بسیاری از مشکلات در وهله اول جلوگیری کنند. نتایج چشمگیر این رویکرد، از جمله کاهش ۱۸ تا ۲۵ درصدی حجم تیکت‌ها، گواهی بر کارایی و پتانسیل بالای آن است. در نهایت، این مقاله مسیری روشن برای آینده مدیریت خدمات سازمانی ترسیم می‌کند؛ آینده‌ای که در آن سیستم‌های شناختی به عنوان دستیاران هوشمند، به سازمان‌ها در ارائه خدمات بهتر، کاهش هزینه‌ها و افزایش رضایت کاربران یاری می‌رسانند.