Integracja sztucznej inteligencji z systemami IT Service Management: modele, zastosowania i wyzwania

Wstęp 9
1 Wprowadzenie do sztucznej inteligencji i systemów ITSM 11
1.1 Geneza i ewolucja sztucznej inteligencji 11
1.1.1 Era fundamentalna (1950–1960) 11
1.1.2 Symboliczna era AI (1960–1970) 11
1.1.3 Systemy eksperckie i pierwsza „zima AI” (1970–1990) 12
1.1.4 Renesans koneksjonizmu (1980–2000) 12
1.1.5 Epoka uczenia statystycznego (1997–2012) 13
1.1.6 Rewolucja uczenia głębokiego (2012–2020) 13
1.1.7 Era generatywna (2020–2025) 14
1.1.8 Wnioski i znaczenie ewolucji definicji 15
1.2 Kluczowe pojęcia i klasyfikacja rozwiązań AI 16
1.2.1 Główne nurty AI 16
1.2.2 Inne typy i klasyfikacje AI 17
1.3 Obecne kierunki rozwoju AI w kontekście organizacyjnym i technologicznym 20
1.3.1 AI-as-a-Service: demokratyzacja dostępu i nowe formy zależności 21
1.3.2 Agentowość: od automatyzacji do sprawczości organizacyjnej 21
1.3.3 Multimodalność: zintegrowane poznanie organizacyjne 22
1.3.4 Personalizacja procesów decyzyjnych: od danych do kontekstu 22
1.3.5 Konwergencja trendów i jej konsekwencje dla organizacji 23
1.4 Systemy IT Service Management – ewolucja, istota i cele 23
1.5 Główne standardy i ramy zarządzania usługami IT (ITIL, COBIT, ISO/IEC 20000) 26
1.5.1 Znaczenie standardów ITSM jako bazy procesowej 27
1.5.2 ITIL v4 – dominująca metodologia i orientacja na wartość 27
1.5.3 COBIT – ramy nadzoru i zgodności 28
1.5.4 ISO/IEC 20000 – międzynarodowy standard jakości usług IT 28
1.5.5 Wzajemne powiązania i znaczenie dla organizacji IT 29
1.6 Trendy cyfrowej transformacji w ITSM – automatyzacja, AIOps, DevOps i SIAM 30
1.6.1 Automatyzacja: od reguł do uczenia maszynowego 31
1.6.2 AIOps: inteligencja operacyjna nad obserwowalnością 31
1.6.3 DevOps: sprzężenie rozwoju z utrzymaniem 32
1.6.4 SIAM: integracja wielodostawcza i odpowiedzialność end-to-end 32
1.6.5 Wspólna dynamika: od silosów do systemu wartości usług 32

2 Obszary zastosowania AI w ITSM 35
2.1 Rola sztucznej inteligencji w automatyzacji procesów ITSM 35
2.1.1 Automatyzacja w service desk 35
2.1.2 Monitorowanie i predykcja incydentów 35
2.1.3 Klasyfikacja zgłoszeń i inteligentny routing 36
2.1.4 Automatyzacja decyzji i skrócenie czasu obsługi 36
2.1.5 Wpływ na efektywność i jakość usług 36
2.2 Wykorzystanie analityki predykcyjnej i uczenia maszynowego w obsłudze incydentów i problemów w ITSM 37
2.2.1 Ewolucja od reaktywności do proaktywności w ITSM 37
2.2.2 Analityka predykcyjna jako narzędzie prewencji 38
2.2.3 Wykrywanie anomalii jako podstawa proaktywnego reagowania 38
2.2.4 Predykcja awarii i analiza przyczyn źródłowych 39
2.2.5 Uczenie maszynowe w klasyfikacji, priorytetyzacji i routingu incydentów 39
2.2.6 Optymalizacja i prognozowanie wykorzystania zasobów IT 40
2.2.7 Wyzwania wdrożeniowe i ograniczenia 40
2.2.8 Wartość biznesowa i efekty wdrożenia 41
2.2.9 Kierunki rozwoju i przyszłość 41
2.3 Chatboty i wirtualni asystenci w zarządzaniu zgłoszeniami 41
2.3.1 Typy i architektura chatbotów 42
2.3.1.1 Chatboty regułowe 42
2.3.1.2 Chatboty konwersacyjne (NLU-based) 44
2.3.1.3 Chatboty oparte na dużych modelach językowych (LLM + RAG) 45
2.3.1.4 Wnioski 49
2.4 Znaczenie i kontekst zastosowań AI w zarządzaniu wiedzą 51
2.4.1 Metody wyszukiwania wiedzy i wyszukiwanie semantyczne 52
2.4.2 Klasyfikacja i organizacja wiedzy 53
2.4.3 Generowanie wiedzy i automatyczna aktualizacja baz 53
2.4.4 Trendy, kierunki i wyzwania 54
2.4.5 Wnioski 55
2.5 Modele językowe (LLM) w ITSM – zastosowania i ograniczenia 55
2.5.1 Główne rodziny modeli i ich właściwości 56
2.5.2 Obszary zastosowań modeli LLM w ITSM 57
2.5.3 Ograniczenia i wyzwania 58
2.5.4 Kierunki dalszych badań i wnioski 59
2.6 Architektura RAG jako mechanizm wspierania decyzji i analizy wiedzy 59
2.6.1 Struktura techniczna RAG i proces pozyskiwania wiedzy 64
2.6.2 Studium przypadku – implementacja RAG w środowisku ITSM (na podstawie MS) 69
2.7 Systemy agentowe i autonomiczne w zarządzaniu usługami IT 74
2.7.1 Wieloagentowe środowiska wsparcia procesów IT 78
2.7.2 Scenariusz użycia – system agentowy wspierający zgodność regulacyjną w środowisku ITSM 83
2.8 Sztuczna inteligencja w monitorowaniu infrastruktury i zarządzaniu wydajnością (AIOps, MLOps) 86
2.9 Agentowe podejścia do zarządzania incydentami, problemami i zmianami 90
2.10 Zastosowanie generatywnej sztucznej inteligencji w raportowaniu, analizie trendów i prognozowaniu jakości usług 94

3 Wykorzystanie AI w działach wsparcia – badanie własne 99
3.1 Metodyka badania 99
3.1.1 Charakterystyka grupy badawczej 100
3.2 Analiza materiału empirycznego – pytania badawcze 105
3.3 Wykorzystanie narzędzi wspieranych przez AI w działach service desk 107
3.3.1 Wykorzystanie baz wiedzy wspieranych przez AI 113
3.3.2 Wykorzystanie dużych modeli językowych do generowania treści odpowiedzi na zgłoszenia 116
3.3.3 Transkrypcja spotkań (automatyczne notatki, podsumowanie spotkań) 122
3.3.4 Automatyzacja obsługi poczty elektronicznej 127
3.4 Korzyści wynikające z wykorzystania AI w procesie komunikacji z klientem 131
3.4.1 Zmniejszenie średniego czasu odpowiedzi na zgłoszenie 132
3.4.2 Zmniejszenie średniego czasu rozwiązania problemu 137
3.4.3 Pozytywny wpływ na współczynnik zgłoszeń zakończonych sukcesem 147
3.4.4 Pozytywny wpływ na merytoryczną stronę obsługi klienta 152
3.5 Korzyści wynikające z wykorzystania narzędzi AI w procesie rozwiązywania
problemów 156
3.5.1 Zwiększenie komfortu pracy specjalisty/zespołu 159
3.5.2 Zwiększenie liczby jednocześnie obsługiwanych przypadków poprzez większą automatyzację zadań 163
3.5.3 Obniżenie średniego czasu rozwiązania zgłoszenia 167
3.5.4 Poprawienie merytorycznej jakości pracy zwracanej przez specjalistów/zespół 172
3.5.5 Szybsze kierowanie zgłoszeń do odpowiednich specjalistów/zespołów 177
3.6 Wnioski z badań własnych 182
Zakończenie 187
Bibliografia 191
Spis rysunków 209
Spis tabel 211
Spis wykresów 215