uczenie maszynowe w automatyzacji

Uczenie maszynowe w automatyzacji pozwala dostosowywać scenariusze komunikacji do obserwowanych zachowań.

Jak uczenie maszynowe zmienia scenariusze automatyzacji

Uczenie maszynowe w automatyzacji oznacza wykorzystanie modeli, które analizują dane z wcześniejszych zdarzeń i na tej podstawie przewidują reakcję użytkownika albo wybierają kolejny krok procesu. W systemie komunikacji takim zdarzeniem może być otwarcie wiadomości, kliknięcie odnośnika, wysłanie formularza, rozpoczęcie rozmowy z chatbotem lub brak odpowiedzi w określonym czasie. Model nie wykonuje automatycznie dowolnych działań bez reguł nadrzędnych. Otrzymuje zdefiniowane dane wejściowe, oblicza prawdopodobieństwo określonego zachowania i przekazuje wynik do mechanizmu sterującego scenariuszem.

Przykładowy proces może podzielić odbiorców na grupy według cech związanych z przebiegiem komunikacji. Jednej osobie system wyśle krótkie przypomnienie po braku reakcji, innej zaproponuje dodatkowe wyjaśnienie, a jeszcze innej zakończy sekwencję wiadomości po rozpoznaniu, że wcześniejszy komunikat został zignorowany kilka razy. Takie różnicowanie nie polega na ręcznym zapisaniu każdej możliwej ścieżki. Reguły automatyzacji korzystają z wyniku modelu, a administrator określa dozwolone działania, warunki przejścia oraz sytuacje wymagające obsługi przez człowieka.

Dane wejściowe, etykiety i ocena decyzji modelu

Model uczenia maszynowego potrzebuje danych opisujących przebieg komunikacji. Mogą to być między innymi czas od ostatniego kontaktu, liczba wcześniejszych interakcji, rodzaj użytego kanału, kolejność wykonanych kroków oraz informacja, czy użytkownik przeszedł do następnego etapu procesu. W modelu nadzorowanym dane treningowe zawierają także etykietę, na przykład „odpowiedział na kolejną wiadomość” albo „nie wykonał oczekiwanej czynności”. Na podstawie takich przykładów algorytm uczy się zależności między obserwowanymi cechami a wynikiem.

Skuteczności modelu nie ocenia się wyłącznie po liczbie wysłanych komunikatów. Dla klasyfikacji stosuje się między innymi dokładność, precyzję, czułość i macierz pomyłek, ponieważ błędne zakwalifikowanie odbiorcy może uruchomić niewłaściwą ścieżkę. Jeżeli model przewiduje prawdopodobieństwo odpowiedzi, próg decyzyjny powinien wynikać z kosztu obu rodzajów błędów. W praktyce warto również porównywać scenariusz sterowany modelem z ustaloną regułą bazową, na przykład z wysłaniem tej samej wiadomości wszystkim osobom po identycznym czasie.

Integracja modelu z kolejką zdarzeń i regułami procesu

Automatyzacja wykorzystująca uczenie maszynowe składa się zwykle z kilku oddzielnych elementów: źródła zdarzeń, magazynu danych, usługi obliczającej predykcję oraz silnika wykonującego scenariusz. Zdarzenie może zostać zapisane w kolejce, następnie usługa pobiera aktualny zestaw cech i zwraca wynik w ustalonym formacie. Silnik procesu sprawdza, czy predykcja mieści się w dozwolonym zakresie, po czym wybiera kolejną akcję. Rozdzielenie tych funkcji ułatwia testowanie, ponieważ można osobno sprawdzić poprawność danych, działanie modelu i wykonanie reguł.

Ważnym elementem jest obsługa sytuacji, w których model nie może podjąć wiarygodnej decyzji. System powinien mieć zdefiniowaną ścieżkę zastępczą, na przykład użycie stałej reguły czasowej, wstrzymanie automatycznego kontaktu albo przekazanie sprawy do operatora. Należy także rejestrować wersję modelu, użyte cechy, czas predykcji i wykonane działanie, aby można było odtworzyć przebieg procesu. Po wdrożeniu monitoruje się zmianę rozkładu danych, odsetek błędów oraz różnicę między przewidywaniami a rzeczywistymi wynikami. Jeżeli zachowania użytkowników zmienią się, wcześniejszy model może wymagać ponownego trenowania.

Praktyczne zastosowanie w komputerze i serwisie

Na komputerze użytkownika uczenie maszynowe w automatyzacji może wspierać programy obsługi zgłoszeń, systemy powiadomień, automatyczne sortowanie komunikatów oraz asystentów odpowiadających na powtarzalne pytania. Przykładowo aplikacja może rozpoznać, że zgłoszenie dotyczy problemu z uruchamianiem systemu, zaproponować odpowiednią sekwencję pytań diagnostycznych i skierować rozmowę do kolejnego kroku po otrzymaniu konkretnej odpowiedzi. Model nie zastępuje jednak sprawdzenia sprzętu ani analizy logów. Jego wynik powinien być traktowany jako wskazówka dla procesu, a nie jako pewne rozpoznanie awarii.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i ich podzespołów, dlatego podczas serwisowania można sprawdzić, czy problemy z aplikacjami automatyzującymi komunikację wynikają z błędnej konfiguracji, uszkodzenia systemu, niewystarczających zasobów lub niezgodności oprogramowania. Diagnostyka obejmuje ustalenie, czy program poprawnie odbiera zdarzenia, zapisuje dane, komunikuje się z wymaganymi usługami i wykonuje przewidziane reguły. W przypadku nieprawidłowych decyzji modelu trzeba dodatkowo zweryfikować jakość danych wejściowych, aktualność modelu, ustawiony próg klasyfikacji oraz zgodność jego wersji z pozostałą częścią aplikacji.