Professioneel artikel: Ondersteuning van specialisten die AI gebruiken in dienstverlenende organisaties.

Voit, Stefan | 23.07.2024
Newskachel Fachartikel KVD NL v2

Het gebruik van artificiële intelligentie biedt een groot economisch potentieel in veel bedrijfssectoren - schaarse personele middelen zijn hier een drijvende kracht die de AI-markt blijft aanwakkeren. Critici daarentegen stellen meestal dat AI-systemen een enorme hoeveelheid tijd en middelen vergen in termen van de benodigde hardware en expertise voor aangepast gebruik. Ook vragen over de bescherming van gegevens en informatie worden vaak niet voldoende beantwoord. Ten derde mag de technische kwaliteit van de resultaten niet onderdoen voor die van ervaren menselijke werknemers. De eisen voor het gebruik van AI-technologieën in dienstverlenende organisaties zijn daarom hoog.

Welke taken kan AI vandaag de dag betrouwbaar uitvoeren?

Eerst en vooral moet het duidelijk zijn dat geen twee AI's absoluut identiek zijn in elke sector en in elk toepassingsgebied. AI is gewoon de methode die wordt gebruikt om individuele doelen te bereiken. In de meeste gevallen is dit doel het besparen van tijd door geautomatiseerde of op zijn minst gedeeltelijk geautomatiseerde handelingen. Een AI die helpt bij kredietbeoordelingsbeslissingen voor particulieren is bijvoorbeeld maar zeer beperkt te vergelijken met een AI die wordt gebruikt bij servicebeheer. Vooral omdat de individuele specialistische expertise van het eigen bedrijf in de vorm van trainingsgegevens voldoende en van goede kwaliteit moet zijn voor betrouwbare resultaten. Als aan deze criteria wordt voldaan, kunnen AI-systemen al nuttige ondersteuning bieden voor bijvoorbeeld de volgende servicemanagementtaken:

  • Relevante informatie uit een bericht lezen en de kerninhoud beschrijven
  • Aanmaken van tickets inclusief classificatie en categorisatie op basis van de uitgelezen gegevens
  • Zoeken naar een voorgestelde oplossing met een link naar de meest waarschijnlijke oplossing (bijv. in de kennisdatabase)
  • Genereren van volledige antwoorden vanuit de algemene en specifieke kenniscontext

Een goede servicemanagementsoftware kan aangepaste workflows gebruiken om het verzoek direct toe te wijzen aan een beschikbare, geschikte medewerker (routing) op basis van bijvoorbeeld de AI-analyse, en de bijbehorende goedkeuringsstappen door een menselijke agent starten als het resultaat en het antwoord worden voorgesteld. Theoretisch zou volledige geautomatiseerde verwerking of beantwoording van het verzoek ook mogelijk zijn (zogenaamde “dark processing”); het is echter aan te raden om dit eerst in tussenstappen in te voeren om de kwaliteit van de resultaten altijd te waarborgen. Het gebruik van AI verhoogt de urgentie om je eigen servicemanagementtool structureel op orde te brengen. Als kunstmatige intelligentie bijvoorbeeld gaat helpen bij het automatisch categoriseren van aanvragen, dan moeten de categoriestructuren goed worden bijgehouden; categorieën mogen elkaar thematisch niet meer overlappen. Dit maakt het ook gemakkelijker om alle tickets te verwerken, omdat de categorie ook duidelijker en sneller kan worden toegewezen tijdens handmatige verwerking.

De shift-left aanpak in de praktijk

Blogbeitrag Bild KI Shift Left 770x530 EN

De shift-left benadering probeert het aantal tickets te verminderen en de benodigde verwerkingsmiddelen voor servicebeheer te minimaliseren door het gebruik van technologie en het gestructureerd verstrekken van informatie. Aan de “linkerkant” van deze analogie staat het proactief vermijden van tickets; aan de “rechterkant” staat selfservice, gevolgd door de bekende serviceniveaus: 1e niveau tot 3e niveau-ondersteuning helemaal rechts. Hoe verder naar links op de curve een probleem wordt opgelost, hoe gunstiger het is vanuit het perspectief van de serviceorganisatie. In de praktijk wordt de shift-left benadering bereikt door instructies, gebruikerstraining, rule-driven automatisering en het gebruik van AI voor informatie-extractie, categorisatie of de voorgestelde oplossing.

Trainingsproces en ontwikkeling van het eigen AI-systeem van het bedrijf

De basis van elke praktische implementatie is het trainingsmateriaal dat beschikbaar is voor het AI-systeem. Hoe beter de dataset van historische tickets wordt onderhouden en gestructureerd, hoe beter de resultaten van de daaropvolgende training zullen zijn. Maar zelfs met heel weinig datamateriaal kan het de moeite waard zijn om te beginnen met het gebruik van AI in servicemanagement, alleen met meer tussenstappen.

De eerste stap is het verzamelen van alle beschikbare ticketgegevens. De meeste ticketingtools maken een bruikbare export van de ticketgeschiedenis mogelijk. De AI controleert nu de tickets op correlaties tussen ticketinhoud, ticketclassificatie en bestaande oplossing. Deze “training” vindt plaats op een AI-platform en kan lokaal (on-premises) worden uitgevoerd met het juiste budget of worden uitbesteed aan een serviceprovider via een cloudoplossing. Een individueel trainingsmodel wordt dan teruggestuurd van dit AI-systeem en geïntegreerd in de ticketingtool die intern wordt gebruikt. Wanneer er een nieuw ticket binnenkomt, kan het trainingsmodel nu de inhoud extraheren en suggesties doen voor classificatie en oplossing.

Als de resultaten al overtuigend zijn, hoeft het AI-platform in theorie voorlopig geen nieuwe intensieve training uit te voeren. In de praktijk werkt de ticketingtool met dit model via een interface met het AI-platform - het is ook mogelijk om meerdere modellen via een interface aan te sturen. De suggesties van het AI-model worden soms geaccepteerd door de servicemedewerker, soms afgewezen en soms juist ingesteld. Zo ontstaat na verloop van tijd een nog betere ticketdatabase. Deze ticketgegevens kunnen vervolgens teruggestuurd worden naar het AI-platform (via de cloud of on-premises) als trainingsmateriaal. Het resultaat is een nieuw trainingsmodel dat hogere succespercentages voor de suggesties oplevert, omdat de dataset nu groter en beter is. Zonder deze hernieuwde reis naar het “trainingscentrum” van het AI-platform zou de kwaliteit van de AI-prestaties permanent op hetzelfde kwaliteitsniveau blijven steken, vooropgesteld natuurlijk dat nieuwere tickets qua structuur en inhoud vergelijkbaar zijn met historische tickets. Het is ook zinvol om te filteren, zodat bijvoorbeeld alleen ticketgegevens van de laatste twaalf maanden worden gebruikt.

Wanneer een nieuwe trainingssessie wordt gestart met actuelere ticketgegevens hangt af van de gewenste kwaliteit (d.w.z. welk percentage moet de AI de juiste oplossing raden) en homogeniteit (hoe vergelijkbaar zijn de tickets?). Als het trainingsmateriaal niet fundamenteel verandert, zal hertraining waarschijnlijk geen betrouwbaardere suggesties opleveren. De tijd en hardwaremiddelen die nodig zijn voor datatraining worden beïnvloed door de hoeveelheid gegevens en de complexiteit van de taken die het AI-platform moet leren.


Ontdek hoe kunstmatige intelligentie de prestaties van uw servicedesk verbetert in onze AI-factsheet.

 

Download factsheet

Samenvatting en toekomstperspectieven

Om concurrerend te blijven, moeten dienstverleners en interne IT-afdelingen hun ogen niet sluiten voor nieuwe technologieën. In combinatie met chatbots, rule-driven automatisering via BPMN en andere technologieën worden de kwaliteit en efficiëntie van de service verhoogd en tegelijkertijd de kosten verlaagd. AI-technologieën bestaan al in andere servicegebieden buiten servicebeheer - zoals voorspellend onderhoud, routeoptimalisatie voor buitendienst en chatbots. AI-ondersteuning maakt verdere synergie-effecten binnen het servicelandschap mogelijk. Als het aankomt op AI-integratie, moet de gebruikte servicemanagementsoftware daarom flexibel zijn. De trend gaat hier duidelijk in de richting van een afdelingsoverstijgend servicemanagementplatform.

Tenslotte moet kunstmatige intelligentie het servicepersoneel niet vervangen. Het gaat er eerder om de handmatige ticketverwerking te ondersteunen door laagdrempelige, maar tijdrovende en klikintensieve taken te automatiseren of op zijn minst voor te bereiden. Dit houdt de focus op kwaliteitsborging. Vooral in tijden van een tekort aan geschoold personeel moeten bestaande middelen zo goed mogelijk worden gebruikt, wat betekent dat je proactief moet investeren in je eigen servicemanagement.

Over de auteur

Christian Schuele RGB

Christian Schüle, Head of Product Management, OMNINET

Als Head of Product Management met 15 jaar ervaring in service management software is Christian verantwoordelijk voor de functionele en strategische roadmap van het OMNITRACKER business process platform en andere producten uit het OMNINET software portfolio. Dit omvat interdisciplinaire taken in het kader van requirements management, stakeholder management en requirements discussies met bestaande en beoogde klanten in alle industrieën en een constante analyse van marktontwikkelingen.


Dit artikel is eerder verschenen in het tijdschrift SERVICETODAY, dat wordt uitgegeven door de servicevereniging KVD.

About the magazine SERVICETODAY

Het Fachmagazin SERVICETODAY wordt uitgegeven door de servicevereniging Service-Verband KVD e.V., gevestigd in Dorsten, Duitsland, en uitgegeven door ISB-Verlag, Waltrop, Duitsland. Het tijdschrift voor besluitvormers in service, marketing, logistiek en technologie is al meer dan 30 jaar op de markt en biedt informatie over management, organisatie en praktijk in service, over technische trends en hun economische en organisatorische impact, over voortdurende ontwikkeling en personeelsmanagement, over mensen, producten en bedrijven in de dienstensector.

De servicevereniging Service-Verband KVD ondersteunt haar leden door vanuit haar expertise en ervaring relevante servicetrends en ontwikkelingen op het gebied van mensen, technologie, processen en milieu te signaleren, toe te lichten en te vertalen naar aanbevelingen voor actie. Met verschillende formats biedt het KVD zijn leden toegang tot kennis, netwerken en interactie uit de praktijk, het bedrijfsleven en de wetenschap, waarmee ze hun persoonlijke en zakelijke succes voor de toekomst kunnen vormgeven en realiseren.

thema

geen tags beschikbaar

jaar