[[421132]]

【51CTO.com快譯】自然語言處理(Natural Language Processing，NLP)是機器學習的一個專業子領域。它通常涉及到使用人類口頭或書面的語言，實現人與機器之間的流暢交互。

憑借著大量文本的處理能力，NLP省去了人類需要花費大量的時間，去理解和處理海量的文本。因此，許多組織開始利用NLP，從他們的文本和自由格式數據中，獲得各種實用的見解。

在ITSM上使用NLP

在IT服務管理(ITSM)的過程中，使用NLP可以為企業帶來諸多好處。畢竟，它們能夠通過生成和捕獲大量的數據，獲悉企業關鍵資產的運行狀況、性能、以及用戶體驗。ITSM團隊通常需要處理的數據種類包括：變更請求、事件、知識庫文章、電子郵件和聊天記錄。在某些情況下，組織還會使用社交媒體的渠道，來監控并跟蹤其產品在使用中出現的任何問題與投訴。

所有這些ITSM類數據有著共同的特點：它們都是文本數據，而且都是非結構化的。因此，將NLP應用于此類數據上，會產生良好的處理結果，促進ITSM生產力的提高，并更快地解決問題。

自然語言處理能力

由于NLP能夠在多種機器學習方法與能力的幫助下，處理類型豐富的、由系統生成的文本、以及由用戶產生的語音，因此其處理后的數據結果，具有非常實用的意義與價值。如下便是最常用的NLP方法：

• 問題癥狀聚類(Symptom Clustering)
• 分類(Classification)

1. 帶監督分類
2. 無監督分類

• 關鍵詞匯總與分類
• 實體(自定義)識別和提取
• 情緒分析(Sentiment Analysis)

ITSM的三大NLP用例

下面，讓我們來討論一下，企業是如何利用AIOps工具，在NLP的協助下，實現更好的ITSM交付。

用例 1：來自歷史數據的洞見

作為最常見、也是最重要的應用場景，NLP可以被用于從歷史數據的文本字段中，挖掘出各種被隱藏的洞見，為運營和流程的轉型與優化，提供第一手的參考資料。

具體而言，對于上述提到的各種典型數據，我們往往可以利用NLP來實現各種聚類、關鍵字的提取、情緒分析、以及自定義實體的識別等方法與功能，進而從中獲得如下方面的關鍵信息：

• 找到IT服務的常見問題，以及經常出錯的領域。
• 通過關聯和抑制，來減少任務單(ticket)的查詢，并提高自動化預處理的能力。
• 縮小現有知識庫中的解決方法，與現實問題與狀況的差距。

如何獲取歷史數據?

我們通常可以使用諸如：ServiceNow、Jira、以及Remedy等各種ITSM工具的導出功能，將數據轉換為CSV或Excel文件，并在此基礎上，使用各種API去直接訪問文件中的數據。

下圖的示例展示了，從ServiceNow導出的約六千多個事件集的數據。它們可以被用于執行分析，并從中獲取對于如下細分領域的深入洞見：

ServiceNow平臺上的歷史事件

• 十大問題領域：通過聚類算法，獲悉當前IT基礎架構中，正在發生的各種主要問題與錯誤的根源。此類分析將有助于運維團隊，更多地去關注問題所處的環境與領域，而非問題本身。通過深入研究，我們往往能夠迅速地發現任務單之間是否存在著某種相關性，進而更加合理地排定出優先級，并減少系統中任務單的總量。
• What-if分析：一旦了解了問題所處的區域，我們便可以查找它們所表現出來的模式，查詢是否有類似的問題也正在發生，以及嘗試著對它們進行分組和歸類。也就是說，通過相互關聯，我們可以進一步完成對于各種問題的分類和去重，進而通過抑制的方式，來協助減少此類問題的重復產生。
• 情緒分析：對于文本中的數據，我們既能夠按照文字背后所體現出來的情緒，依據諸如：絕望、消極、積極等級別進行分類和分析，又可以使用基于：業務單元、分配組、地理位置等各種條件的過濾器，通過深入挖掘，分派給合適的處理人員，進行恰當的處理，進而改善提交方的情緒。
• 分析知識庫里的方案：我們還可以對知識庫里的各種解決方案和記錄，使用NLP的關鍵字與實體識別的方法。此類方法能夠提高知識庫方案在各種關鍵類別(如：概念、關鍵字和主題)上的覆蓋率和命中率，以便運維團隊將其與已捕獲到的實際問題的關鍵特征進行比較，進而在縮小知識庫與實際差距的同時，提高KB的使用率和復用率。

用例 2：使用NLP和文本處理，來減少MTTR，并構建預測模型

在此類用例中，我們將主要使用分類(帶監督或無監督兩種)來根據事件文本數據的上下文，預測下一步的最佳行為。通常，帶監督的分類更適合于預測分配組，而無監督的分類則更適合于知識庫方案的推薦。當然，不同的分類模型，可能會因客戶的實際環境、以及可用的數據類型，而有所不同。 我們將再次以ITSM工具—ServiceNow為例，基于其歷史數據和可用的知識庫方案，進行案例討論。

下圖的示例展示了，如何使用分類方法通過上下文數據，來挖掘事件背后的深層信息，進而協助ITSM團隊快速地分類事件，并定位解決方案。

ServiceNow平臺上的一個新事件

在上面的示例中，任務單一旦被創建或提交，NLP引擎就會自動選擇、分析和更新上述提到的分配組、文字中的情緒、以及可推薦的知識庫里的方案。

可見，采用NLP技術的AIOps，不但可以提供各種有價值的洞見，而且能夠加快事件的解決過程，提出真實可行的操作型建議。在此基礎上，我們甚至可以設置相應的自動化工作流，以更快地解決并修復問題。此外，隨著事件數量的增加，由NLP構建的模型也會被訓練得更加準確，這將有助于運維團隊降低平均響應時間(Mean Time To Response，MTTR)。

ServiceNow平臺上已解決的事件

用例 3：基于實體的知識和操作數據的提取(從非結構化數據到結構化數據)

我將通過本用例和您討論，從非結構化的數據中，提取關鍵信息，并以結構化的格式予以呈現。在ITSM團隊沒有任何專業背景知識、以及在系統遷移期間，該功能有助于他們快速了解故障單所描述的具體情況。

在下面的示例中，我們主要用到了NLP的文本處理和自定義實體識別的功能。其中，NLP引擎分析了某個非常復雜的故障單中附加的日志文件。NLP通過提取關鍵信息，有關該事件的某個預定字段會被呈現到用戶的界面上。據此，ITSM團隊將能夠更方便、更快捷地采取行動。與此同時，那些需要被提取的信息，也可以通過配置企業專用的實體字典，來實現定制化。

ServiceNow的日志數據，及其自定義的實體任務單

上圖展示了ServiceNow任務單處理關鍵信息的效果。諸如：應用程序、關鍵身份等實體，都會被提取并呈現給用戶。

原文標題：Top 3 NLP Use Cases for ITSM，作者：Gurubaran Baskaran

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】