[[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(yè)子領域。它通常涉及到使用人類口頭或書面的語言，實現(xiàn)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(shù)據(jù)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(yè)帶來諸多好處。畢竟，它們能夠通過生成和捕獲大量的數(shù)據(jù)，獲悉企業(yè)關(guān)鍵資產(chǎn)的運行狀況、性能、以及用戶體驗。ITSM團隊通常需要處理的數(shù)據(jù)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(jiān)控并跟蹤其產(chǎn)品在使用中出現(xiàn)的任何問題與投訴。

所有這些ITSM類數(shù)據(jù)有著共同的特點：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應用于此類數(shù)據(jù)上，會產(chǎn)生良好的處理結(jié)果，促進ITSM生產(chǎn)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(tǒng)生成的文本、以及由用戶產(chǎn)生的語音，因此其處理后的數(shù)據(jù)結(jié)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(jiān)督分類
2. 無監(jiān)督分類

• 關(guān)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(yè)是如何利用AIOps工具，在NLP的協(xié)助下，實現(xiàn)更好的ITSM交付。

用例 1：來自歷史數(shù)據(jù)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(shù)據(jù)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(zhuǎn)型與優(yōu)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(shù)據(jù)，我們往往可以利用NLP來實現(xiàn)各種聚類、關(guān)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(guān)鍵信息：

• 找到IT服務的常見問題，以及經(jīng)常出錯的領域。
• 通過關(guān)聯(lián)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(xiàn)有知識庫中的解決方法，與現(xiàn)實問題與狀況的差距。

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工具的導出功能，將數(shù)據(jù)轉(zhuǎn)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(shù)據(jù)。

下圖的示例展示了，從ServiceNow導出的約六千多個事件集的數(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(gòu)中，正在發(fā)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(guān)注問題所處的環(huán)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(fā)現(xiàn)任務單之間是否存在著某種相關(guān)性，進而更加合理地排定出優(yōu)先級，并減少系統(tǒng)中任務單的總量。
• What-if分析：一旦了解了問題所處的區(qū)域，我們便可以查找它們所表現(xiàn)出來的模式，查詢是否有類似的問題也正在發(fā)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(guān)聯(lián)，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(xié)助減少此類問題的重復產(chǎn)生。
• 情緒分析：對于文本中的數(shù)據(jù)，我們既能夠按照文字背后所體現(xiàn)出來的情緒，依據(jù)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(yè)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?shù)奶幚恚M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(guān)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(guān)鍵類別(如：概念、關(guān)鍵字和主題)上的覆蓋率和命中率，以便運維團隊將其與已捕獲到的實際問題的關(guān)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(gòu)建預測模型

在此類用例中，我們將主要使用分類(帶監(jiān)督或無監(jiān)督兩種)來根據(jù)事件文本數(shù)據(jù)的上下文，預測下一步的最佳行為。通常，帶監(jiān)督的分類更適合于預測分配組，而無監(jiān)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(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(shù)據(jù)，來挖掘事件背后的深層信息，進而協(xié)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(chuàng)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(shù)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(shù)量的增加，由NLP構(gòu)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(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團隊沒有任何專業(yè)背景知識、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(guān)鍵信息，有關(guān)該事件的某個預定字段會被呈現(xiàn)到用戶的界面上。據(jù)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(yè)專用的實體字典，來實現(xiàn)定制化。

ServiceNow的日志數(shù)據(jù)，及其自定義的實體任務單

上圖展示了ServiceNow任務單處理關(guān)鍵信息的效果。諸如：應用程序、關(guān)鍵身份等實體，都會被提取并呈現(xiàn)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(zhuǎn)載請注明原文譯者和出處為51CTO.com】