[[421132]]

【51CTO.com快譯】自然語(yǔ)言處理(Natural Language Processing，NLP)是機(jī)器學(xué)習(xí)的一個(gè)專業(yè)子領(lǐng)域。它通常涉及到使用人類口頭或書(shū)面的語(yǔ)言，實(shí)現(xiàn)人與機(jī)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(fèi)大量的時(shí)間，去理解和處理海量的文本。因此，許多組織開(kāi)始利用NLP，從他們的文本和自由格式數(shù)據(jù)中，獲得各種實(shí)用的見(jiàn)解。

在ITSM上使用NLP

在IT服務(wù)管理(ITSM)的過(guò)程中，使用NLP可以為企業(yè)帶來(lái)諸多好處。畢竟，它們能夠通過(guò)生成和捕獲大量的數(shù)據(jù)，獲悉企業(yè)關(guān)鍵資產(chǎn)的運(yùn)行狀況、性能、以及用戶體驗(yàn)。ITSM團(tuán)隊(duì)通常需要處理的數(shù)據(jù)種類包括：變更請(qǐng)求、事件、知識(shí)庫(kù)文章、電子郵件和聊天記錄。在某些情況下，組織還會(huì)使用社交媒體的渠道，來(lái)監(jiān)控并跟蹤其產(chǎn)品在使用中出現(xiàn)的任何問(wèn)題與投訴。

所有這些ITSM類數(shù)據(jù)有著共同的特點(diǎn)：它們都是文本數(shù)據(jù)，而且都是非結(jié)構(gòu)化的。因此，將NLP應(yīng)用于此類數(shù)據(jù)上，會(huì)產(chǎn)生良好的處理結(jié)果，促進(jìn)ITSM生產(chǎn)力的提高，并更快地解決問(wèn)題。

自然語(yǔ)言處理能力

由于NLP能夠在多種機(jī)器學(xué)習(xí)方法與能力的幫助下，處理類型豐富的、由系統(tǒng)生成的文本、以及由用戶產(chǎn)生的語(yǔ)音，因此其處理后的數(shù)據(jù)結(jié)果，具有非常實(shí)用的意義與價(jià)值。如下便是最常用的NLP方法：

• 問(wèn)題癥狀聚類(Symptom Clustering)
• 分類(Classification)

1. 帶監(jiān)督分類
2. 無(wú)監(jiān)督分類

• 關(guān)鍵詞匯總與分類
• 實(shí)體(自定義)識(shí)別和提取
• 情緒分析(Sentiment Analysis)

ITSM的三大NLP用例

下面，讓我們來(lái)討論一下，企業(yè)是如何利用AIOps工具，在NLP的協(xié)助下，實(shí)現(xiàn)更好的ITSM交付。

用例 1：來(lái)自歷史數(shù)據(jù)的洞見(jiàn)

作為最常見(jiàn)、也是最重要的應(yīng)用場(chǎng)景，NLP可以被用于從歷史數(shù)據(jù)的文本字段中，挖掘出各種被隱藏的洞見(jiàn)，為運(yùn)營(yíng)和流程的轉(zhuǎn)型與優(yōu)化，提供第一手的參考資料。

具體而言，對(duì)于上述提到的各種典型數(shù)據(jù)，我們往往可以利用NLP來(lái)實(shí)現(xiàn)各種聚類、關(guān)鍵字的提取、情緒分析、以及自定義實(shí)體的識(shí)別等方法與功能，進(jìn)而從中獲得如下方面的關(guān)鍵信息：

• 找到IT服務(wù)的常見(jiàn)問(wèn)題，以及經(jīng)常出錯(cuò)的領(lǐng)域。
• 通過(guò)關(guān)聯(lián)和抑制，來(lái)減少任務(wù)單(ticket)的查詢，并提高自動(dòng)化預(yù)處理的能力。
• 縮小現(xiàn)有知識(shí)庫(kù)中的解決方法，與現(xiàn)實(shí)問(wèn)題與狀況的差距。

如何獲取歷史數(shù)據(jù)?

我們通?？梢允褂弥T如：ServiceNow、Jira、以及Remedy等各種ITSM工具的導(dǎo)出功能，將數(shù)據(jù)轉(zhuǎn)換為CSV或Excel文件，并在此基礎(chǔ)上，使用各種API去直接訪問(wèn)文件中的數(shù)據(jù)。

下圖的示例展示了，從ServiceNow導(dǎo)出的約六千多個(gè)事件集的數(shù)據(jù)。它們可以被用于執(zhí)行分析，并從中獲取對(duì)于如下細(xì)分領(lǐng)域的深入洞見(jiàn)：

ServiceNow平臺(tái)上的歷史事件

• 十大問(wèn)題領(lǐng)域：通過(guò)聚類算法，獲悉當(dāng)前IT基礎(chǔ)架構(gòu)中，正在發(fā)生的各種主要問(wèn)題與錯(cuò)誤的根源。此類分析將有助于運(yùn)維團(tuán)隊(duì)，更多地去關(guān)注問(wèn)題所處的環(huán)境與領(lǐng)域，而非問(wèn)題本身。通過(guò)深入研究，我們往往能夠迅速地發(fā)現(xiàn)任務(wù)單之間是否存在著某種相關(guān)性，進(jìn)而更加合理地排定出優(yōu)先級(jí)，并減少系統(tǒng)中任務(wù)單的總量。
• What-if分析：一旦了解了問(wèn)題所處的區(qū)域，我們便可以查找它們所表現(xiàn)出來(lái)的模式，查詢是否有類似的問(wèn)題也正在發(fā)生，以及嘗試著對(duì)它們進(jìn)行分組和歸類。也就是說(shuō)，通過(guò)相互關(guān)聯(lián)，我們可以進(jìn)一步完成對(duì)于各種問(wèn)題的分類和去重，進(jìn)而通過(guò)抑制的方式，來(lái)協(xié)助減少此類問(wèn)題的重復(fù)產(chǎn)生。
• 情緒分析：對(duì)于文本中的數(shù)據(jù)，我們既能夠按照文字背后所體現(xiàn)出來(lái)的情緒，依據(jù)諸如：絕望、消極、積極等級(jí)別進(jìn)行分類和分析，又可以使用基于：業(yè)務(wù)單元、分配組、地理位置等各種條件的過(guò)濾器，通過(guò)深入挖掘，分派給合適的處理人員，進(jìn)行恰當(dāng)?shù)奶幚?，進(jìn)而改善提交方的情緒。
• 分析知識(shí)庫(kù)里的方案：我們還可以對(duì)知識(shí)庫(kù)里的各種解決方案和記錄，使用NLP的關(guān)鍵字與實(shí)體識(shí)別的方法。此類方法能夠提高知識(shí)庫(kù)方案在各種關(guān)鍵類別(如：概念、關(guān)鍵字和主題)上的覆蓋率和命中率，以便運(yùn)維團(tuán)隊(duì)將其與已捕獲到的實(shí)際問(wèn)題的關(guān)鍵特征進(jìn)行比較，進(jìn)而在縮小知識(shí)庫(kù)與實(shí)際差距的同時(shí)，提高KB的使用率和復(fù)用率。

用例 2：使用NLP和文本處理，來(lái)減少M(fèi)TTR，并構(gòu)建預(yù)測(cè)模型

在此類用例中，我們將主要使用分類(帶監(jiān)督或無(wú)監(jiān)督兩種)來(lái)根據(jù)事件文本數(shù)據(jù)的上下文，預(yù)測(cè)下一步的最佳行為。通常，帶監(jiān)督的分類更適合于預(yù)測(cè)分配組，而無(wú)監(jiān)督的分類則更適合于知識(shí)庫(kù)方案的推薦。當(dāng)然，不同的分類模型，可能會(huì)因客戶的實(shí)際環(huán)境、以及可用的數(shù)據(jù)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(shù)據(jù)和可用的知識(shí)庫(kù)方案，進(jìn)行案例討論。

下圖的示例展示了，如何使用分類方法通過(guò)上下文數(shù)據(jù)，來(lái)挖掘事件背后的深層信息，進(jìn)而協(xié)助ITSM團(tuán)隊(duì)快速地分類事件，并定位解決方案。

ServiceNow平臺(tái)上的一個(gè)新事件

在上面的示例中，任務(wù)單一旦被創(chuàng)建或提交，NLP引擎就會(huì)自動(dòng)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(shí)庫(kù)里的方案。

可見(jiàn)，采用NLP技術(shù)的AIOps，不但可以提供各種有價(jià)值的洞見(jiàn)，而且能夠加快事件的解決過(guò)程，提出真實(shí)可行的操作型建議。在此基礎(chǔ)上，我們甚至可以設(shè)置相應(yīng)的自動(dòng)化工作流，以更快地解決并修復(fù)問(wèn)題。此外，隨著事件數(shù)量的增加，由NLP構(gòu)建的模型也會(huì)被訓(xùn)練得更加準(zhǔn)確，這將有助于運(yùn)維團(tuán)隊(duì)降低平均響應(yīng)時(shí)間(Mean Time To Response，MTTR)。

ServiceNow平臺(tái)上已解決的事件

用例 3：基于實(shí)體的知識(shí)和操作數(shù)據(jù)的提取(從非結(jié)構(gòu)化數(shù)據(jù)到結(jié)構(gòu)化數(shù)據(jù))

我將通過(guò)本用例和您討論，從非結(jié)構(gòu)化的數(shù)據(jù)中，提取關(guān)鍵信息，并以結(jié)構(gòu)化的格式予以呈現(xiàn)。在ITSM團(tuán)隊(duì)沒(méi)有任何專業(yè)背景知識(shí)、以及在系統(tǒng)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(shí)體識(shí)別的功能。其中，NLP引擎分析了某個(gè)非常復(fù)雜的故障單中附加的日志文件。NLP通過(guò)提取關(guān)鍵信息，有關(guān)該事件的某個(gè)預(yù)定字段會(huì)被呈現(xiàn)到用戶的界面上。據(jù)此，ITSM團(tuán)隊(duì)將能夠更方便、更快捷地采取行動(dòng)。與此同時(shí)，那些需要被提取的信息，也可以通過(guò)配置企業(yè)專用的實(shí)體字典，來(lái)實(shí)現(xiàn)定制化。

ServiceNow的日志數(shù)據(jù)，及其自定義的實(shí)體任務(wù)單

上圖展示了ServiceNow任務(wù)單處理關(guān)鍵信息的效果。諸如：應(yīng)用程序、關(guān)鍵身份等實(shí)體，都會(huì)被提取并呈現(xiàn)給用戶。

原文標(biāo)題：Top 3 NLP Use Cases for ITSM，作者：Gurubaran Baskaran

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】