Комментарии 7
Как-то все по-рекламному.
Сразу вопросы:
- Допустим, есть простой рабочий процесс из шести шагов, на каждом — определенная группа людей должна что-то дозаполнить. Вопрос: что AI тут будет искать? Как он оптимизирует выполнение?
- Какие есть у вас гарантии того, что продукт в боевом режиме работает так же, как и в буклете? У вас в контракте разве прописывается, что система обязательно найдёт проблему при определенных сценариях? А если нет: то зачем она тогда вообще?
Первая реализация AI появится в версии Jakarta, которая станет доступна в июле, пока пощупать нечего, есть только маркетинговые материалы.
- Сейчас вендор говорит о трёх сценариях для AI:
- Классификация: подбор категорий, подкатегорий, выбор услуг при регистрации, и предложение по решению.
- Анализ событий и состояния КЕ для предотвращения простоев.
- Прогнозирование на основании отчётности.
Таким образом, предложенный вами сценарий в текущем варианте лежит за рамками преимуществ от AI.
- Можно сделать прототип и проверить, что работает в каких-то специфичны процессах. AI — не та штука, которая «обязательно найдёт проблему», это помощник, помогающий в классификации, оценке состояния и прогнозах.
Можно сделать прототип и проверить, что работает в каких-то специфичны процессах. AI — не та штука, которая «обязательно найдёт проблему», это помощник, помогающий в классификации, оценке состояния и прогнозах.
Udumuth, тут есть две ошибки, к сожалению:
- AI еще никто не создал. Скорее всего, маркетологи хотели сказать "машинное обучение". А вот оно часто используется, просто есть разные алгоритмы (кстати, какие у вас?)
- В списке алгоритмов машинного обучения есть разные вещи, в том числе те, которые гарантированно могут предсказать. Как пример: смотрите дерево решений. Потому я и спрашиваю: что именно вы используете? Иначе: почему компаниям стоит платить деньги за функционал без гарантий?
По поводу маркетинговых материалов: Вы же понимаете, что на хабре. Тут любят правду, тут любят открытость, тут любят технические подробности. А когда создается рекламная статья, а на просьбу дать больше данных прилетает два минуса (причем у компании ровно два человека, которые могут его поставить), всё это начинает выглядеть немного подозрительно...
- Я использовал ту же терминологию, которую использовали вы в вопросе.
- Предсказать могут гарантированно, но результат будет ограниченно достоверным. ServiceNow использует (а точнее будет использовать) технологии и алгоритмы, используемые DxContinuum.
Какие именно алгоритмы машинного обучения будет использовать у себя под капотом снежок — дело, примерно, пятое. Так уж вышло, что я немного занимался задачей именно машинного обучения для категоризации заявок. И вот сначала у нас есть куча других проблем:
1) русский язык со всеми его падежами и прочими радостями. Лемматизаторы типа Mystem частично помогают. Но, с другой стороны, частично и мешают. по кранйей мере, человеку становится уже сложно понять, о чём речь в обработанной заявке.
А в ServiceNow даже просто локализация вызывает кровь из глаз. Если уж order переведён как «заказ» везде то какое там будет распознавание русского языка?
2) опечатки и ошибки
3) большое количество «мусора» в тексте. Типовая заявка — это скопированное из почтового клиента письмо. В котором есть знатная шапка (От кого, кому, Копия на 10 человек «для скорости»), толстый подвал (Без уважения, старший помощник младшего дворника отдела ничегонеделания департамента бурной деятельности). И, на самом деле, письмо-то было переслано 3 раза. И полезная инвормация содержится только в 3м письмое в 5 словах.
Вот этот мусор отсеять — та ещё задачка. TF_IDF и выбрасываение слишком часто употребляемых слов тоже не только помогает, но и мешает.
4) при этом данные для обучения — грязные и кривые, т.к. многие старые заявки неправельно категоризированы и/или маршрутизированы.
А ещё в этом деле крайне важно, чтобы система выдавала уровень своей уверенности в прогнозе. «вот это — точно доступ к сетевому диску, а это — ну вроде бы SAP, но ты посмотри сам, Человек.» Без этого вообще не взлетит.
Как это всё будет реализовано в снежке — очень хороший вопрос. Возможно, что просто как insert your code here.
1) русский язык со всеми его падежами и прочими радостями. Лемматизаторы типа Mystem частично помогают. Но, с другой стороны, частично и мешают. по кранйей мере, человеку становится уже сложно понять, о чём речь в обработанной заявке.
А в ServiceNow даже просто локализация вызывает кровь из глаз. Если уж order переведён как «заказ» везде то какое там будет распознавание русского языка?
2) опечатки и ошибки
3) большое количество «мусора» в тексте. Типовая заявка — это скопированное из почтового клиента письмо. В котором есть знатная шапка (От кого, кому, Копия на 10 человек «для скорости»), толстый подвал (Без уважения, старший помощник младшего дворника отдела ничегонеделания департамента бурной деятельности). И, на самом деле, письмо-то было переслано 3 раза. И полезная инвормация содержится только в 3м письмое в 5 словах.
Вот этот мусор отсеять — та ещё задачка. TF_IDF и выбрасываение слишком часто употребляемых слов тоже не только помогает, но и мешает.
4) при этом данные для обучения — грязные и кривые, т.к. многие старые заявки неправельно категоризированы и/или маршрутизированы.
А ещё в этом деле крайне важно, чтобы система выдавала уровень своей уверенности в прогнозе. «вот это — точно доступ к сетевому диску, а это — ну вроде бы SAP, но ты посмотри сам, Человек.» Без этого вообще не взлетит.
Как это всё будет реализовано в снежке — очень хороший вопрос. Возможно, что просто как insert your code here.
В списке алгоритмов машинного обучения есть разные вещи, в том числе те, которые гарантированно могут предсказать.что значит гарантированно предсказать? как в анекдоте про секретаршу: «Умею печатать тысячу знаков в минуту! Но такая фигня выходит...»?
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Платформа ServiceNow: Искусственный интеллект автоматизирует рабочие процессы