Systémy zpracování požadavků koncových uživatelů jsou jednou z klíčových částí podnikové infrastruktury a pozornost je jim věnována již desítky let. Může se jednat o incident, change či request, obsluhovat mohou interní i externí zákazníky.
Klíčovými prvky efektivního řešení jsou servisní katalogy a portály, které jasně vymezují existující služby a produkty, definují jejich dostupnost (i z hlediska oprávnění) a způsoby jejich dodání či provedení změny (deterministická workflow).
Náročnější situace je u SME (small-medium enteprises) – na rozdíl od větších korporací jsou u SME často servisní katalogy velmi limitované, pokud vůbec existují. Optimalizační úsilí se proto musí v prvním kroku zaměřit tímto směrem, který je předpokladem zpřístupnění produktivity a možností automatizace větších firem.
U korporací již bylo do servisního zázemí investováno velké úsilí a nakumulován dostatek poznatků o efektivním řešení tisíců požadavků. Problém zde může být velikost a komplexnost servisního zázemí a rovněž příliš velká angažovanost lidských zdrojů – tudíž obtížné odklonění žadatele směrem k automatizovaným prostředkům.
Klíčovým faktorem možnosti automatizace je snadnost, s jakou zběžně poučený uživatel identifikuje optimální prvek katalogu a dodá všechny nezbytné parametry, takže v následujícím kroku předpřipravená workflow budou vyžadovat jen minimum lidské interakce (vč. iterace contextu). V posledních letech ale dozrávají řešení, která mohou právě zde pomoci. Po základní analýze stavu “tak jak je” lze najít řešení využívající machine learning, chatboty a (s výhradami k tomu termínu) umělé inteligence.
Můžeme však sledovat, že “early adopters” rychle nastupující na konkrétní chatbot a související “inteligentní infrastrukturu”, velmi záhy naráží na technické limity daného řešení. Dvojnásob to platí o situaci, kdy v rámci daného podniku nejsou volné odpovídající kapacity datových a AI specialistů. Stává se zřejmým, že v nejbližší letech bude novým paradigmatem kompozitní řešení – kdy metaanalýza na vstupu rozhodne o zpracování daného specifického kontextu konkrétní, specializovanou komponentou chytrého systému.
Aby se podobné řešení vůbec mohlo realizovat a současně omezit (či alespoň kompenzovat) vendor lock-in či nízkou úspěšnost řešení, je potřeba provést analýzu a optimalizaci potřeb podniku nezávisle na jednom jediném dodavateli. Taková due dilligence je při implementaci systémů umělé inteligence mnohem významnější než v jiných oblastech IT outsourcingu.
Je třeba zmapovat a analyzovat strukturu stromu kategorií servisních katalogů, vymezit sety jednotlivých intentů pro jednotlivé chatboty, přesně nadefinovat hraniční scénáře. Následně lze technickou komunikací vymezit požadované kompetence a nezbytná přístupová právě jednotlivých chatbotových a machine-learning systému. Typický požadavkem bude nové KPI, které poslouží nejen k vyhodnocení úspěšnosti nového systému a dosaženého snížení pracovního zatížení řešitelských týmu. Implicitním požadavkem by měl být “self-learning” a zpětná vazba jednotlivých systémů, NLU (porozumění lidské řeči), ale především pokroky v automatické kategorizaci, což je systém vně chatbotu, ale naprosto kritický pro jeho úspěšnost.
Jakkoli je provozování jakéhosi Chatbotu působivé a samo o sobě příjemným PR, zkušenosti ukazují, že implementace není jednoduchá.
Jaroslav Zapletal