[.com快速翻译]自然语言处理(NLP)是机器学习的一个专门子领域。它通常涉及使用人类口头或书面语言来实现人机之间的流畅交互。凭借处理大量文本的能力，NLP节省了人类理解和处理海量文本所需花费的大量时间。因此，许多组织已经开始利用NLP从他们的文本和自由格式数据中获得各种有用的见解。在ITSM上使用NLP在IT服务管理(ITSM)过程中使用NLP可以为企业带来很多好处。毕竟，它们会生成并捕获有关企业关键资产的健康状况、性能和用户体验的大量数据。ITSM团队通常需要处理的数据类型包括：变更请求、事件、知识库文章、电子邮件和聊天记录。在某些情况下，组织还使用社交媒体渠道来监控和跟踪有关其产品使用的任何问题和投诉。所有这些ITSM类型的数据都有一个共同的特点：都是文本数据，而且都是非结构化的。因此，将NLP应用于此类数据会产生良好的处理效果，有助于提高ITSM生产力，并更快地解决问题。自然语言处理能力由于NLP可以借助各种机器学习方法和能力处理系统生成的丰富类型的文本和用户生成的语音，因此处理后的数据结果具有非常实用的意义和价值。以下是最常用的NLP方法：症状聚类（SymptomClustering）分类（Classification）监督分类非监督分类关键词汇总与分类实体（custom）识别与抽取情感分析（SentimentAnalysis）三大ITSMNLPUseCases现在，下面我们就来探讨一下企业如何借助AIOps工具在NLP的辅助下实现更好的ITSM交付。Usecase1:Insightsfromhistoricaldata作为最常见也是最重要的应用场景，NLP可以用来从历史数据的文本字段中挖掘各种隐藏的insight，为运营和流程的改造和优化，提供第一手的参考资料.具体来说，对于上面提到的各种典型数据，我们往往可以利用NLP实现各种聚类、关键词提取、情感分析、自定义实体识别等方法和功能，进而获取以下几个方面的关键信息：FindcommonproblemswithIT服务，以及经常出错的领域。通过关联和抑制，减少工单的查询，提高自动预处理能力。弥合现有知识库中的解决方案与实际问题和情况之间的差距。如何获取历史数据？我们通常可以利用ServiceNow、Jira、Remedy等各种ITSM工具的导出功能，将数据转换成CSV或Excel文件，并在此基础上，使用各种AP??I直接访问文件中的数据。下图的例子是ServiceNow导出的6000多个事件集的数据。它们可用于执行分析并深入了解以下细分领域：ServiceNow平台上的历史事件Top10问题领域：通过聚类算法，了解当前IT基础架构中发生的主要问题，其根源在于错误。这种分析会帮助运维团队更加关注问题的环境和领域，而不是问题本身。通过深入研究，我们往往可以快速发现任务订单之间是否存在一定的相关性，进而更合理地安排优先级，减少系统中的任务订单总数。假设分析：一旦我们了解了问题领域，我们就可以寻找它们表现出的模式，查询是否正在发生类似的问题，并尝试对它们进行分组和分类。也就是说，通过关联，我们可以进一步完成各种问题的分类和去重，然后通过抑制帮助减少此类问题的重复。情感分析：对于文本中的数据，我们不仅可以对文本中反映出的情感进行分类分析，按照级别如：绝望、消极、积极等，还可以使用基于：业务单位、分配组、地理位置等各种条件的过滤器，通过深入挖掘，分配给合适的handler进行合适的处理，从而改善提交者的心情。分析知识库中的解法：对于知识库中的各种解法和记录，我们也可以使用NLP关键字和实体识别的方法。此类方法可以提高知识库解决方案在各个关键类别（如：概念、关键字和主题）上的覆盖率和命中率，以便运维团队将其与已捕获的真实问题的关键特征进行比较，然后，在缩小知识库与实际情况差距的同时，提高了KB的利用率和复用率。用例2：使用NLP和文本处理来降低MTTR并构建预测模型在此用例中，我们将主要使用分类（有监督和无监督）来根据事件文本数据的上下文预测最佳下一步。好的行为。总的来说，监督分类更适合预测assignmentgroups，而非监督分类更适合知识库proposal推荐。当然，不同的分类模型可能会根据客户的实际环境和可用的数据类型而有所不同。我们将再次以ITSM工具——ServiceNow为例，基于其历史数据和可用的知识库解决方案进行案例讨论。下图的例子展示了如何使用分类的方法，通过上下文数据挖掘出事件背后的深层信息，进而辅助ITSM团队快速对事件进行分类，定位解决方案。ServiceNow平台上的一个新事件在上面的例子中，一旦创建或提交工单，NLP引擎会自动选择、分析和更新上述分配组、文本中的情感和可推荐的知识库方案。可见，利用NLP技术的AIOps不仅可以提供各种有价值的见解，还可以加快事件的解决过程，提出真实可行的操作建议。在此基础上，我们甚至可以设置相应的自动化工作流程，更快地解决和修复问题。此外，随着事件数量的增加，NLP构建的模型也会得到更准确的训练，这将有助于运维团队减少平均响应时间（MeanTimeToResponse，MTTR）。解决了ServiceNow平台上的事件用例3：基于实体的知识和操作数据的抽取（从非结构化数据到结构化数据）我将通过这个用例与大家讨论从非结构化数据中提取关键信息，并以结构化的方式呈现格式。此功能可帮助ITSM团队在没有任何背景知识和系统迁移期间快速了解工单所描述的内容。在下面的例子中，我们主要使用NLP的文本处理和自定义实体识别功能。除此之外，NLP引擎还分析了附在一张非常复杂的票证上的日志文件。通过NLP提取关键信息，将有关事件的预定字段呈现给用户界面。因此，ITSM团队将能够更轻松、更快速地采取行动。同时，还可以通过配置企业专用的实体字典来定制需要抽取的信息。ServiceNow的日志数据及其自定义实体订单上图展示了ServiceNow订单处理关键信息的效果。应用程序、密钥身份等实体被提取并呈现给用户。原标题：Top3NLPUseCasesforITSM，作者：GurubaranBaskaran
