【51CTO.com快译】自然语言处理(Natural Language Processing，NLP)是机器学习的一个专业子领域。它通常涉及到使用人类口头或书面的语言，实现人与机器之间的流畅交互。
凭借着大量文本的处理能力，NLP省去了人类需要花费大量的时间，去理解和处理海量的文本。因此，许多组织开始利用NLP，从他们的文本和自由格式数据中，获得各种实用的见解。
在ITSM上使用NLP
在IT服务管理(ITSM)的过程中，使用NLP可以为企业带来诸多好处。毕竟，它们能够通过生成和捕获大量的数据，获悉企业关键资产的运行状况、性能、以及用户体验。ITSM团队通常需要处理的数据种类包括：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，组织还会使用社交媒体的渠道，来监控并跟踪其产品在使用中出现的任何问题与投诉。
所有这些ITSM类数据有着共同的特点：它们都是文本数据，而且都是非结构化的。因此，将NLP应用于此类数据上，会产生良好的处理结果，促进ITSM生产力的提高，并更快地解决问题。
自然语言处理能力
由于NLP能够在多种机器学习方法与能力的帮助下，处理类型丰富的、由系统生成的文本、以及由用户产生的语音，因此其处理后的数据结果，具有非常实用的意义与价值。如下便是最常用的NLP方法：
- 问题症状聚类(Symptom Clustering)
- 分类(Classification)
- 带监督分类
- 无监督分类
- 关键词汇总与分类
- 实体(自定义)识别和提取
- 情绪分析(Sentiment Analysis)
ITSM的三大NLP用例
下面，让我们来讨论一下，企业是如何利用AIOps工具，在NLP的协助下，实现更好的ITSM交付。
用例 1：来自历史数据的洞见
作为最常见、也是最重要的应用场景，NLP可以被用于从历史数据的文本字段中，挖掘出各种被隐藏的洞见，为运营和流程的转型与优化，提供第一手的参考资料。
具体而言，对于上述提到的各种典型数据，我们往往可以利用NLP来实现各种聚类、关键字的提取、情绪分析、以及自定义实体的识别等方法与功能，进而从中获得如下方面的关键信息：
- 找到IT服务的常见问题，以及经常出错的领域。
- 通过关联和抑制，来减少任务单(ticket)的查询，并提高自动化预处理的能力。
- 缩小现有知识库中的解决方法，与现实问题与状况的差距。
如何获取历史数据?
我们通常可以使用诸如：ServiceNow、Jira、以及Remedy等各种ITSM工具的导出功能，将数据转换为CSV或Excel文件，并在此基础上，使用各种API去直接访问文件中的数据。
下图的示例展示了，从ServiceNow导出的约六千多个事件集的数据。它们可以被用于执行分析，并从中获取对于如下细分领域的深入洞见：
ServiceNow平台上的历史事件
- 十大问题领域：通过聚类算法，获悉当前IT基础架构中，正在发生的各种主要问题与错误的根源。此类分析将有助于运维团队，更多地去关注问题所处的环境与领域，而非问题本身。通过深入研究，我们往往能够迅速地发现任务单之间是否存在着某种相关性，进而更加合理地排定出优先级，并减少系统中任务单的总量。
- What-if分析：一旦了解了问题所处的区域，我们便可以查找它们所表现出来的模式，查询是否有类似的问题也正在发生，以及尝试着对它们进行分组和归类。也就是说，通过相互关联，我们可以进一步完成对于各种问题的分类和去重，进而通过抑制的方式，来协助减少此类问题的重复产生。
- 情绪分析：对于文本中的数据，我们既能够按照文字背后所体现出来的情绪，依据诸如：绝望、消极、积极等级别进行分类和分析，又可以使用基于：业务单元、分配组、地理位置等各种条件的过滤器，通过深入挖掘，分派给合适的处理人员，进行恰当的处理，进而改善提交方的情绪。
- 分析知识库里的方案：我们还可以对知识库里的各种解决方案和记录，使用NLP的关键字与实体识别的方法。此类方法能够提高知识库方案在各种关键类别(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到的实际问题的关键特征进行比较，进而在缩小知识库与实际差距的同时，提高KB的使用率和复用率。
用例 2：使用NLP和文本处理，来减少MTTR，并构建预测模型
在此类用例中，我们将主要使用分类(带监督或无监督两种)来根据事件文本数据的上下文，预测下一步的最佳行为。通常，带监督的分类更适合于预测分配组，而无监督的分类则更适合于知识库方案的推荐。当然，不同的分类模型，可能会因客户的实际环境、以及可用的数据类型，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方案，进行案例讨论。
下图的示例展示了，如何使用分类方法通过上下文数据，来挖掘事件背后的深层信息，进而协助ITSM团队快速地分类事件，并定位解决方案。
ServiceNow平台上的一个新事件
在上面的示例中，任务单一旦被创建或提交，NLP引擎就会自动选择、分析和更新上述提到的分配组、文字中的情绪、以及可推荐的知识库里的方案。
可见，采用NLP技术的AIOps，不但可以提供各种有价值的洞见，而且能够加快事件的解决过程，提出真实可行的操作型建议。在此基础上，我们甚至可以设置相应的自动化工作流，以更快地解决并修复问题。此外，随着事件数量的增加，由NLP构建的模型也会被训练得更加准确，这将有助于运维团队降低平均响应时间(Mean Time To Response，MTTR)。
ServiceNow平台上已解决的事件
用例 3：基于实体的知识和操作数据的提取(从非结构化数据到结构化数据)
我将通过本用例和您讨论，从非结构化的数据中，提取关键信息，并以结构化的格式予以呈现。在ITSM团队没有任何专业背景知识、以及在系统迁移期间，该功能有助于他们快速了解故障单所描述的具体情况。
在下面的示例中，我们主要用到了NLP的文本处理和自定义实体识别的功能。其中，NLP引擎分析了某个非常复杂的故障单中附加的日志文件。NLP通过提取关键信息，有关该事件的某个预定字段会被呈现到用户的界面上。据此，ITSM团队将能够更方便、更快捷地采取行动。与此同时，那些需要被提取的信息，也可以通过配置企业专用的实体字典，来实现定制化。
ServiceNow的日志数据，及其自定义的实体任务单
上图展示了ServiceNow任务单处理关键信息的效果。诸如：应用程序、关键身份等实体，都会被提取并呈现给用户。
原文标题：Top 3 NLP Use Cases for ITSM，作者：Gurubaran Baskaran
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
