ITSM-Evolution statt -Revolution

Künstliche Intelligenz hält im IT Service Management Einzug

| Autor / Redakteur: Peter Schneider* / Ulrike Ostler

Künstliche Intelligenz durchdringt sämtliche Lebensbereiche; es ist eine Evolution, wie im IT Service Managemenent.
Künstliche Intelligenz durchdringt sämtliche Lebensbereiche; es ist eine Evolution, wie im IT Service Managemenent. (Bild: © pict rider - stock.adobe.com)

Künstliche Intelligenz (KI) hält zunehmend auch im Service Management Einzug. Die Erwartungen sind hoch, die ersten wirklich bahnbrechenden Innovationen werden jedoch frühestens 2019 ihren Weg in die Praxis finden. Deshalb kann von einer Revolution im Service Management durch KI bisher keine Rede sein.

Künstliche Intelligenz ist zweifellos auch auf dem Weg in Richtung Service Management. Der Einsatz entsprechender Technologien verspricht hier vor allem Kosteneinsparungen, Entlastung von wiederkehrenden Routine-Aufgaben sowie ein verbessertes Nutzererlebnis. Auch erste Anwendungen sind bereits im Einsatz: Die automatisierte Bearbeitung von Incidents und Service Requests sowie Chat-Bots, die sich wie ein menschlicher Service Desk verhalten (sollen) und erst bei auftretenden Problemen einen Support-Mitarbeiter involvieren.

Dennoch ist der Einsatz Künstlicher Intelligenz erst am Anfang, denn gerade im Bereich ITSM sind die Einsatzmöglichkeiten noch sehr begrenzt. Entsprechende Lösungen müssen aktuell noch mit hohem Aufwand „trainiert“ werden und eignen sich nur für wenige Spezialgebiete. Der Hauptgrund dafür liegt vor allem in den begrenzten Analysefähigkeiten der ersten Generation von KI-Algorithmen.

Deshalb konzentrieren sich Anbieter von ITSM-Tools bisher vor allem auf die Automatisierung einfacher Aufgaben – zum Beispiel auf die Kategorisierung von Incidents, Self-Service-Portale und das Führen einfacher Support-Dialoge über Chat-Bots. Viele Organisationen arbeiten derzeit mit Hochdruck an der Digitalisierung ihrer Service-Prozesse, und die Nachfrage nach sinnvollen KI-Anwendungen steigt. Es ist daher in naher Zukunft von einem verstärkten Ausbau neuer Fähigkeiten auszugehen. Zu den wichtigsten Funktionen gehören:

Natürliche Sprachverarbeitung im Support

Dank Natural Language Processing werden ITSM-Tools künftig in der Lage sein, in einem Gespräch als virtueller Service-Agent zu agieren. Da Benutzer über verschiedene Kanäle, beispielsweise via E-Mail, Chat oder SMS kommunizieren, muss die dazu notwendige Sprachverarbeitung extrem flexibel sein.

Chat-Bots sind heute bereits in der Lage, nach einigen Monaten Schulung ein aussagekräftiges Gespräch zu führen. Existiert ein gut strukturierter Servicekatalog, können sie sogar bis zu 70 Prozent der Routine-Aufgaben abdecken.

Ergänzendes zum Thema
 
Ohne Menschen geht es nicht

Chat- oder E-Mail-Bots eignen sich jedoch aktuell noch nicht zur echten Problemlösung. Der Grund: Im Algorithmus des maschinellen Lernens fehlt die dazu notwendige analytische Intelligenz. Die Vorteile virtueller Service-Agenten ähneln daher eher denen eines Self-Service-Portals: Nutzer werden gezielt geleitet und können die Lösungen für ihre Anfragen eigenständig finden.

Die Herausforderungen beim Einsatz von Bots sind die bestehenden Einschränkungen des Algorithmus bei der Verarbeitung natürlicher Sprache. Sie sind Stand heute noch nicht in der Lage, die tatsächlichen Absichten der Nutzer, sondern lediglich Synonyme, Plural statt Singular oder Wörter statt Ziffern zu erkennen. Auch der gleichzeitige Umgang mit mehreren Sprachen oder gar regionalen Dialekten, die gleichzeitige Betreuung von Kunden für verschiedene Services wie IT und HR sowie die Identifizierung verwandter Themen und deren Lösungen werden auch in den kommenden Jahren eine Herausforderung bleiben.

Die KI-gestützte Problemlösung

Neben den Einschränkungen bei der Verarbeitung natürlicher Sprache wird die Akzeptanz virtueller Service-Agenten die Geschwindigkeit des Wachstums von Bot-basierten Gesprächen bestimmen. Entscheidend für deren Akzeptanz ist das Erkennen von Semantik in den Gesprächen – und wann es an der Zeit ist, von einem virtuellen Service-Agenten zu einem menschlichen zu wechseln. Insbesondere erfahrene Nutzer sind schnell frustriert und unzufrieden, wenn sie genau wissen, dass sie am Ende einen persönlichen Berater benötigen, sich vorher aber ohne Abkürzung durch langwierige, festgelegte Abfragepfade kämpfen müssen.

Über Jahre gewachsene Informationssilos und schlecht verwaltete Wissensbasen schränken in vielen Organisationen die Effizienz des Service Desk stark ein: Vorfälle und Lösungen sind nur schwer zu finden. Die Unterstützung von IT-Support-Mitarbeitern bei der Analyse, Kategorisierung und Lösung von Problemen ist eine wichtige Aufgabe der Künstlichen Intelligenz im ITSM-Umfeld.

KI-Technologie wird helfen, die Geschwindigkeit und Genauigkeit der Störungsbehebung zu steigern. Dank Machine Learning müssen ITSM-Tools in der Lage sein, ähnliche Vorfälle auf der Grundlage eines speziellen Scoring-Mechanismus zu identifizieren, der eine natürliche Sprachverarbeitung, ein überwachtes Training sowie indizierte Suchmethoden verwendet.

Robotergestützte Prozessautomatisierung

Entsprechende Tools werden Support-Mitarbeitern eine Liste ähnlicher Vorfälle und deren Lösungen auf einen Blick bieten. Wenn sie die Ergebnisse der KI-Engine nach ihrem Nutzen bewerten, dann lernt das System eigenständig – auch ohne engagierte Trainer.

Robotic Process Automation (RPA) wird zur Unterstützung und Beschleunigung von Serviceprozessen eingesetzt werden. Auch hier spielt KI eine wichtige Rolle: Sie lernt die typischen Auswahloptionen der grafischen Benutzeroberfläche für verschiedene Anwendungsfälle kennen, um notwendige Aktionen von Benutzern zu ´imitieren` und später in ihrem Namen auszuführen.

RPA für ITSM-Tools wird sich in ersten Implementierungen zunächst auf die Automatisierung von Aktionen konzentrieren, die mit hoher Sicherheit vorhergesagt werden können. Dazu gehören beispielsweise die Zuordnung von Problemen zu einer Person, die Änderung eines Status basierend auf anderen Änderungen innerhalb eines Incidents oder die Erstellung einer neuen Standardänderung. Die meisten dieser leicht vorhersehbaren Aktionen sind jedoch bereits heute mit Workflows und Skripten automatisiert, die im Hintergrund ablaufen. Damit RPA Service-Kunden und Support-Mitarbeiter auch bei komplexen Aufgaben unterstützen kann, müssen die analytischen Fähigkeiten der zugrundeliegenden KI-Algorithmen noch deutlich ausgebaut werden.

Verbesserter Self Service

Für IT Service Desk Manager sind die bevorzugten Vorfälle diejenigen, die bereits gelöst werden können, bevor sie an den Service Desk geschickt werden. Bereits heute können zahlreiche Probleme durch Self Service gelöst werden, indem bekannte Lösungen für häufig gestellte Fragen online bereitgestellt werden.

Leistungsstarke Suchfunktionen in der Wissensdatenbank des Self-Service-Portals reduzieren bereits heute die Menge an Incidents deutlich: Wenn Benutzer das Thema ihres Problems als Schlagwort eingeben, kann eine Live-Suchfunktion sehr schnell bekannte Lösungen zu ähnlichen Themen vorschlagen. Machine Learning wird dazu beitragen, diese Vorschläge noch präziser zu machen, indem es natürliche Sprachverarbeitungsfunktionen, Scoring und Lernmechanismen nutzt, die deutlich über die heute übliche indizierte Stichwortsuche hinausgehen.

Ein weiterer Anwendungsbereich ist die Genehmigung von Service Requests: Durch KI-Unterstützung können ausstehende Genehmigungen auf Grundlage früherer Entscheidungen überprüft werden. Ein ´Self-Service-Assistent` würde vorschlagen, ausstehende Genehmigungen zu erteilen oder abzulehnen. Insbesondere in großen Organisationen lässt sich damit der Arbeitsaufwand verringern.

Der Genehmigungsprozess für unkritische Services könnte künftig sogar vollständig automatisch erteilt werden – und zwar ohne einen Support-Mitarbeiter zu involvieren. Auch die Erneuerung von Zugriffsrechten, Softwarelizenzen oder anderen Diensten, die "as a Service" angeboten werden, kann durch künstliche Intelligenz automatisiert werden.

Vorausschauende Wartung

Predictive Maintenance ist ein Ansatz, um Wartungsbedarf zu erkennen, bevor es zu wirklichen Problemen kommt. Möglich wird dies durch die kontinuierliche Überwachung und Auswertung von unzähligen technischen Parametern. In der Industrie wird dieses Verfahren bereits eingesetzt: Wenn ein stark beanspruchtes Bauteil einer Machine kurz vor dem Ausfall steht, sind Techniker in der Lage diese zeitnah zu bestellen und rechtzeitig auszutauschen – und zwar bevor es zu einem Ausfall und teuren Folgeschäden kommt (Verschiedene TV-Werbespots für IBM Watson aus dem vergangenen Jahr zeigen humorvoll entsprechende Anwendungsfälle).

Der erste Film-Trailer generiert von IBM Watson

Ähnlich ist es auch im Bereich Service Management: Jeder korrekt vorhergesagte und korrigierte Fehler bedeutet potenziell Hunderte weniger Alarme, Dutzende von weniger Vorfällen und mindestens eine Notfalländerung weniger im IT Operations Management. Darüber hinaus können viele Geräte über die erwartete Lebensdauer hinaus genutzt werden.

Dies ist insbesondere für IT-Systeme mit mechanischen Teilen oder elektrochemischen Komponenten wie Festplattenlaufwerken, Lüftern oder Batterien von Vorteil. Mithilfe historischer Aufzeichnungen ähnlicher Anlagen und Bedingungen lassen sich daraus mögliche Ausfälle prognostizieren. Aktuelle Algorithmen für Infrastrukturelemente und Workstations sind zwar mit einer begrenzten Anzahl von Sensoren immer noch vergleichsweise trivial, Verbesserungen im Bereich IoT werden in den nächsten Jahren eine breitere Messung von weitaus mehr Faktoren möglich machen.

ITSM-Lösungen dienen in diesen Szenarios künftig als zentraler Ort zur Speicherung sämtlicher Warnungen von IT-Assets, Monitoring-Lösungen und Analyse-Tools. Mithilfe von Machine Learning können Ereignisse aus verschiedenen Quellen analysiert und zur frühzeitigen Erkennung möglicher Probleme genutzt werden. Darüber hinaus lassen sich die Erkenntnisse grafisch darstellen und dienen als Entscheidungsgrundlage für die verantwortlichen Führungskräfte.

Schutz vor Identitätsdiebstahl

Künstliche Intelligenz kann auch verwendet werden, um Identitätsdiebstahl zu verhindern und wertvolle Unternehmensdaten zu schützen. Jeder Mensch hat bestimmte Routinen – auch am Arbeitsplatz. Während einige Nutzer ihre Aufgaben stets in der gleichen Reihenfolge, zur gleichen Zeit und vom gleichen Ort aus vornehmen, werden Handlungen unberechtigter Dritter mit hoher Wahrscheinlichkeit von diesem Muster abweichen.

Sobald ein ungewöhnliches Verhalten erkannt wird, das auf einen Identitätsdiebstahl hindeutet, können schnell entsprechende Korrekturmaßnahmen eingeleitet werden. Das so genannte Benutzer-Profiling wendet beispielsweise maschinelle Lernalgorithmen auf die digitalen Identitäten an. Dies kann während des Anmeldevorgangs für das ITSM-Tool geschehen – unabhängig davon, ob Zeit, Ort, Gerät und Browser für das typische Verhalten eines Benutzers repräsentativ sind.

Support-Mitarbeiter können sich in der Regel gegen 8:00 Uhr morgens von einem festen Arbeitsplatz am Standort des Büros anmelden. Wenn sich derselbe Benutzer hingegen um 3:00 Uhr in der Nacht mit einem anderen Gerät von einem anderen Ort aus anmeldet, könnte etwas nicht stimmen.

Die Multi-Faktor-Authentifizierung kann den Zugriff auf das ITSM-Tool bis zum Morgen verhindern, den 24/7-Service Desk benachrichtigen oder eine Zwei-Faktor-Authentifizierung auf Basis des Mobiltelefons des Benutzers erzwingen. Da das Profiling dynamisch und kontinuierlich erfolgt, lernt das System, ob sich das Verhalten aufgrund von Änderungen im Lebensstil des Benutzers, Jobwechsel oder Umzug ändert. Positive Ereignisse wie eine erfolgreiche Zwei-Faktor-Authentifizierung können dazu führen, dass die ITSM-Lösung ein neues Muster für den betreffenden Benutzer lernt.

In der ITSM-Praxis sind solche Szenarien noch eher die Ausnahme. Obwohl Profiling für viele Anwender ein sehr sensibles Thema ist, werden künftig immer mehr Unternehmen eine Implementierung neuer Sicherheitsmechanismen in Betracht ziehen – auch im Bereich ITSM. Die Hersteller sind entsprechend gefordert, entsprechende Funktionalitäten in ihre Lösungen zu integrieren und gleichzeitig die Privatsphäre der Nutzer zu schützen.

Visuelle Workflow-Automatisierung

Das maschinelle Lernen wird den Weg zur visuellen Workflow-Automatisierung von ITSM-Tools ebnen und die Handhabung drastisch verbessern. Die Automatisierung von Geschäftsprozessen mithilfe von Workflows mit eingebetteten KI-Funktionen bietet Unternehmen ein umfassendes und dennoch flexibles Tool-Set.

Stand heute werden IT-Prozesse auf Basis von Business-Anforderungen durch Workflow-Engines automatisiert. Viele ITSM-Tool-Hersteller bieten dazu Möglichkeiten, visuelle Bausteine als Workflow-Sequenzen zu kombinieren, die Aufgaben ausführen, Benachrichtigungen versenden, Genehmigungen implementieren oder auf bestimmte Ereignisse reagieren.

Das am meisten zitierte Beispiel für Künstliche Intelligenz ist das autonome Fahren.
Das am meisten zitierte Beispiel für Künstliche Intelligenz ist das autonome Fahren. (Bild: gemeinfrei - TPHeinz/Pixabay / CC0)

Zukünftige Workflow-Engines werden über Aktivitäten verfügen, die Entscheidungen auf Basis künstlicher Intelligenz treffen können. Komplexe Kombinationen von If/Then-Bedingungen werden durch dynamisch angepasste, score-basierte Entscheidungen ersetzt, die kontinuierlich aus vergangenen Entscheidungen lernen. Workflow-Aktionen werden in der Lage sein, die Absicht von Service-Kunden mit Hilfe natürlicher Sprachverarbeitung zu erkennen und die jeweilige Workflow-Sequenz nach einem Scoring-Prozess zu gliedern. Der Workflow wird anschließend auf unterschiedlichen Wegen fortgesetzt, je nachdem, ob die Absicht eindeutig identifiziert wurde, auf wenige bekannte Optionen eingeschränkt oder gar nicht verstanden wurde.

Organisationen können mithilfe dieser Technologien flexible Prozesse aufbauen, die automatisch ablaufen und im Laufe der Zeit trainiert werden. Diese neue Art der Workflow-Automatisierung schafft flexiblere Entscheidungsvarianten als die bisherigen statischen Prozess-Engines. Dennoch wird die Schulung solcher Workflow-Aktivitäten ein kontinuierliches Training durch Geschäftsprozess-Experten erfordern.

Roadmap zum KI-gestützten Service Management

Der Tag, an dem alle IT-Prozesse von Bots gesteuert werden und die Menschen lediglich Trainer für künstliche Algorithmen sind, liegt aus heutiger Sicht noch in weiter Ferne. Es ist jedoch sehr wahrscheinlich, dass sich erste Implementierungen von KI-basierter Entscheidungsfindung zu einem flexibleren visuellen Workflow-Mechanismus entwickeln werden. Sie nutzen dazu den Plattformcharakter vieler ITSM-Tools, um die Logik bestehender Businessanforderungen auf konkrete Anwendungsfälle zu übertragen.

Es ist stark davon auszugehen, dass in den nächsten zwölf Monaten Chat-Bots in fast allen ITSM-Lösungen verfügbar sein und dort klassische Routine-Aufgaben, wie die Meldung von Incidents und Service Requests, erledigen können. In der Praxis werden die Funktionen den bisherigen Self-Service-Portalen ähneln, jedoch schneller agieren und eine bessere Nutzererfahrung bieten.

Mit der strukturierten Bereitstellung von Informationen aus großen Datenmengen wird Künstliche Intelligenz die Mitarbeiter dabei unterstützen, Muster zu erkennen und frühere Aktionen zur Problemlösung zu verwenden. Der Erfolg solcher Lösungen wird von der Benutzerfreundlichkeit der grafischen Benutzeroberfläche sowie von der Präzision der maschinellen Lernalgorithmen abhängen. Nach den ersten Versuchen in diesem Bereich ist es sehr wahrscheinlich, dass Support-Teams ihre Servicekunden ab 2019 dank verbesserter Lösungen mit KI-angereicherten Informationen unterstützen können.

Die Vermeidung von Identitätsdiebstahl durch maschinelles Lernen zum Zeitpunkt der Authentifizierung wird sich im Laufe des Jahres 2019 weiter durchsetzen. Aufgrund des Plattformcharakters aktueller ITSM-Tools, und der damit verbundenen Komplexität des Verständnisses von Handlungen und den wahren Absichten eingeloggter Benutzer, ist mit einer Identitätserkennung auf Grundlage typischer Aktionen jedoch erst 2020 oder später zu rechnen.

Peter Schneider ist Vice President of Products bei Efecte.
Peter Schneider ist Vice President of Products bei Efecte. (Bild: Efecte)

Predictive Maintenance wird an verschiedenen Stellen der IT-Infrastruktur implementiert: innerhalb der IT-Assets selbst, in Event-Korrelationslösungen – und auch in ITSM-Tools. Der wahre Wert solcher Implementierungen hängt jedoch in hohem Maße vom umfassenden Zugang zu relevanten Sensordaten ab. Wenn Hersteller entsprechende Schnittstellen bereitstellen, ermöglicht das Service Management der Zukunft umfassende Erkenntnisse zu Nutzung und Zustand von IT-Ressourcen – und kann zu einem deutlich effektiveren IT-Betrieb führen.

*Über den Autor

Peter Schneider ist als Vice President of Products bei Efecte und für die Bereiche Produkt-Management und Engineering verantwortlich. Er ist seit vier Jahren im Service-Management tätig und hat in wechselnden Führungspositionen zahlreiche Projekte im Bereich Enterprise- und IoT-Applikationen erfolgreich umgesetzt.

Was meinen Sie zu diesem Thema?

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45464906 / Anwendungen)