skip to Main Content

یک سیستم میز کمک مبتنی بر یادگیری ماشین برای مدیریت خدمات فناوری اطلاعات

عنوان انگلیسی: A machine learning based help desk system for IT service management
سال نشر: ۲۰۱۹
نویسنده: Feras Al-Hawari,Hala Barham
تعداد صفحه فارسی: ۳۳ – تعداد صفحه انگلیسی: ۱۷
دانشگاه: Computer Engineering Department, German Jordanian University, Amman, Jordan b Information Systems and Technology Center, German Jordanian University, Amman, Jordan
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

یک سیستم میز کمک که به عنوان یک نقطه تماس بین کاربران و کارکنان فناوری اطلاعات عمل می‌کند در این مقاله معرفی شده‌است. این مدل از یک مدل یادگیری ماشین طبقه‌بندی کننده دقیق استفاده می‌کند تا یک بلیط میز کمک را با سرویس درست خود از ابتدا مرتبط کند و در نتیجه زمان حل بلیط را حداقل کند، منابع انسانی را نجات دهد و رضایت کاربر را افزایش دهد. این مدل مطابق با یک روش‌ تجربی توسعه‌یافته است که از مراحل زیر تشکیل شده‌است: تولید بلیط آموزش، پیش‌پردازش داده‌های بلیط، کلمات ناشی از،بردارسازی ویژگی، و تنظیم الگوریتم یادگیری ماشین. با این وجود، نتایج تجربی نشان داد که از جمله توضیحات و توضیحات بلیط در داده‌های آموزشی، یکی از فاکتورهای اصلی است که دقت پیش‌بینی مدل را از ۵۳.۸ % به ۸۱.۴ % افزایش می‌دهد. علاوه بر این، سیستم از یک دیدگاه مدیریتی پشتیبانی می‌کند که تعریف خدمات ارائه‌شده، مدیریت نقش‌های کاربر، مدیریت بلیط‌ها و تولید گزارش‌های مدیریت را تسهیل می‌کند. همچنین ، این دیدگاه کاربر را فراهم می کند که به کارمندان اجازه می دهد تا مشکلات ، درخواست خدمات و تبادل اطلاعات را با کارمندان فناوری اطلاعات از

Abstract

A help desk system that acts as a single point of contact between users and IT staff is introduced in this paper. It utilizes an accurate ticket classification machine learning model to associate a help desk ticket with its correct service from the start and hence minimize ticket resolution time, save human resources, and enhance user satisfaction. The model is generated according to an empirically developed methodology that is comprised of the following steps: training tickets generation, ticket data preprocessing, words stemming, feature vectorization, and machine learning algorithm tuning. Nevertheless, the experimental results showed that including the ticket comments and description in the training data was one of the main factors that enhanced the model prediction accuracy from 53.8% to 81.4%. Furthermore, the system supports an administrator view that facilitates defining offered services, administering user roles, managing tickets and generating management reports. Also, it off
امتیاز شما:
(No Ratings Yet)
Back To Top