بات‌های هوشمند در ITSM چگونه کار می‌کنند؟
وقتی صحبت از تحول در مدیریت خدمات فناوری اطلاعات (ITSM) می‌کنیم یکی از اولین ابزارهایی که میتواند به ذهن برسد بات‌های هوشمند هستند.از این بات‌ها صرفا برای پاسخ‌گویی خودکار به یک سری از سوالات استفاده نمی شود، آنها به کارمندان دیجیتالی ای تبدیل شده اند که می‌توانند درخواست ها را تحلیل کنند و همچنین تصمیم بگیرند و در نهایت عملی انجام دهند.
برای درک بهتر اینکه این بات‌ها چطور کار می‌کنند باید مسیر آنها را از لحظه‌ای که کاربر درخواستی مطرح می‌کند تا زمانی که پاسخی دریافت می‌کند بررسی کنیم. همچنین نیاز است بدانیم چه لایه‌هایی در پشت پرده وجود دارد چه تکنولوژی‌هایی دخیل‌اند و این معماری چگونه به مرور زمان یاد می‌گیرد و تکامل پیدا می‌کند.
۱. از مفهوم ITSM به AITSM مدرن
مدیریت خدمات فناوری اطلاعات در ابتدا بیشتر به صورت دستی و مبتنی بر فرآیندهای ثابت انجام میشد. کاربران تیکت ثبت می‌کردند، تیم IT بررسی می‌کرد و پاسخ می‌داد. اما با افزایش حجم کاربران و پیچیدگی زیرساخت‌ها این مدل دیگر پاسخ گو نبود.
وقتی ITSM با AI ترکیب می‌شود به اصطلاح به آن AITSM می‌گویند یعنی ITSM مجهز به هوش مصنوعی. در این مدل، بات‌ها نقش اصلی را برعهده می‌گیرند. آنها به جای اینکه صرفا درخواست را به نیروی انسانی منتقل کنند خودشان می‌توانند بخش بزرگی از کار را انجام دهند که درک زبان کاربر و اجرای مستقیم یک فرآیند را شامل می شود.
طبق بررسی‌های اخیر سازمان هایی که از AITSM استفاده کرده‌اند، توانسته‌اند تا ۷۰٪ درخواست‌های تکراری را بدون نیاز به دخالت انسان حل کنند. این یعنی کاهش هزینه‌ها، افزایش سرعت پاسخ گویی و آزاد شدن زمان تیم‌های پشتیبانی برای کارهای مهم و استراتژیک‌تر.
۲. معماری چند لایه یک بات هوشمند ITSM
بات‌های هوشمند را می‌توان مثل یک موجود زنده دیجیتال تصور کرد. هر کدام از اجزا نقش مشخصی دارند و همه با هم یک سیستم یکپارچه را می‌سازند. به‌طور کلی این معماری از چند لایه اصلی تشکیل شده است:
الف) لایه ورودی (Input Layer)
این همان جایی است که کاربر وارد سیستم می‌شود. ورودی میتواند شکل‌های مختلفی داشته باشد:
- چت در پورتال سازمان
- پیام در اپلیکیشن هایی مثل Slack یا Microsoft Teams
- ایمیل
- تماس صوتی یا ویدئویی (که از طریق Voice-to-Text تبدیل به متن می‌شود)
اهمیت این لایه در این است که باید بتواند چندین کانال ورودی را مدیریت کند و همه را به یک فرمت قابل پردازش برای بات تبدیل کند.
ب) لایه تشخیص و فهم زبان (NLP/NLU Layer)
اینجا جایی است که هوش مصنوعی متن ورودی را تحلیل می‌کند. این مرحله شامل دو کار اصلی است:
- تشخیص نیت (Intent Recognition): کاربر چه می‌خواهد؟ مثلاً «ریست رمز عبور»، «گزارش خرابی» یا «درخواست دسترسی».
- استخراج موجودیت‌ها (Entity Extraction): اطلاعات کلیدی مثل نام کاربر، شماره تیکت یا سرویس خاص استخراج می‌شود.
این بخش مرکز درک مکالمه است. تکنولوژی‌های NLP (پردازش زبان طبیعی) و NLU (درک زبان طبیعی) در اینجا استفاده می‌شوند. هرچه این لایه دقیق‌تر باشد، تجربه کاربر روان‌تر و طبیعی‌تر خواهد بود.
ج) لایه تصمیم گیری و برنامه ریزی (Reasoning & Orchestration Layer)
بعد از اینکه نیت کاربر مشخص شد نوبت به تصمیم گیری می‌رسد. اینجاست که سیستم بر اساس قوانین سازمانی و داده‌های موجود تصمیم می‌گیرد:
- آیا میتواند درخواست را مستقیم حل کند؟
- آیا باید آن را به یک سیستم دیگر منتقل کند؟
- یا نیاز به دخالت انسانی وجود دارد؟
در این لایه، از ترکیبی از قوانین از پیش تعریف‌شده و مدل‌های یادگیری ماشین استفاده می‌شود. برخی سیستم‌های پیشرفته‌تر از چیزی به نام Agentic AI استفاده می‌کنند که میتواند در لحظه برنامه ریزی کند و اقدام مناسب را انتخاب کند.
د) لایه اتصال به سیستم‌ها (Integration Layer)
بات بدون اتصال به سیستم‌های دیگر کار زیادی نمی‌تواند انجام دهد. این لایه شامل کانکتورها و APIهاست که بات را به ابزارهای مختلف متصل می‌کند:
- Jira برای مدیریت تیکت‌ها
- Active Directory برای مدیریت دسترسی و رمز عبور
- ابزارهای مانیتورینگ برای بررسی وضعیت سرویس‌ها
- CMDB برای اطلاعات پیکربندی
این لایه همان چیزی است که باعث می‌شود بات بتواند اقدام واقعی انجام دهد نه اینکه فقط پاسخ متنی به کاربر بدهد.
ه) لایه تولید پاسخ (Response Generation)
پس از تصمیم‌گیری و اجرای عملیات نوبت به پاسخ گویی به کاربر می‌رسد. این پاسخ میتواند ساده باشد «رمز شما ریست شد» یا پیچیده‌تر، شامل گزارش وضعیت یک سرویس.
در بات‌های مجهز به مدل‌های زبانی مولد (GenAI)، پاسخ‌ها بسیار طبیعی‌تر هستند و بیشتر شبیه گفت‌وگو با یک همکار واقعی به نظر می‌رسند.
و) لایه یادگیری و بهبود مستمر (Learning Loop)
هر تعامل فرصتی برای یادگیری است. بات‌های مدرن می‌توانند نتایج تعاملات را بررسی کنند، خطاها را تشخیص دهند و پایگاه دانش را بهبود دهند. به مرور زمان این فرآیند باعث می‌شود بات دقیق‌تر، سریع‌تر و به مراتب هوشمندتر شود.
مسیر کامل یک درخواست از سمت کاربر و عملیات اجرایی بات
برای اینکه این معماری ملموس‌تر شود، بیایید یک سناریوی ساده را بررسی کنیم:
کاربر در پورتال می‌نویسد: «رمزم رو فراموش کردم.»
لایه ورودی پیام را دریافت و ثبت می‌کند.
لایه NLP تشخیص می‌دهد که نیت، «ریست رمز» است.
لایه تصمیم‌گیری بررسی می‌کند آیا شرایط برای ریست مستقیم فراهم است یا نیاز به تأیید هویت و یا وابسته به تایید لایه بالاتر می باشد.
اگر شرایط فراهم باشد، لایه اتصال به Active Directory وارد عمل می‌شود و رمز را ریست می‌کند.
لایه تولید پاسخ پیام می‌دهد: «رمز شما ریست و به شما پیامک شد (و یا ایمیل به لایه مافوق) گردید.»
این تعامل در پایگاه دانش ذخیره و برای بهبود مدل استفاده می‌شود.
این فرآیند شاید در ظاهر ساده باشد، اما شامل چندین مرحله پیچیده تحلیل، تصمیم‌گیری و اجراست که همه در پس زمینه رخ می‌دهد.
چرا بات‌های هوشمند ITSM مهم هستند؟
سرعت و کارایی
بات‌ها می‌توانند در کمتر از چند ثانیه به کاربر پاسخ دهند چیزی که در بهترین تیم انسانی در مقیاس بالا هم دیده نخواهد شد.
کاهش هزینه ها
با خودکارسازی درخواست های پرتکرار، سازمان‌ها می‌توانند منابع انسانی خود را به کارهای ارزش آفرین‌تر اختصاص دهند.
بهبود تجربه کاربری
کاربران احساس می‌کنند همیشه شبانه روز و بدون وقفه کسی برای پاسخ‌گویی وجود دارد.
یادگیری مستمر
بر خلاف روش‌های سنتی بات‌ها به مرور زمان بهتر و دقیق‌تر می‌شوند.
آینده بات‌های ITSM
می توان گفت بات‌ها در ابتدا صرفا ابزارهای FAQ بودند، اما امروز تبدیل به عامل‌های مستقل (Autonomous Agents) شده‌اند. نسل جدید یعنی Agentic AI فراتر از پاسخ‌گویی است زیرا آنها می‌توانند برنامه ریزی کنند، اقدامات متوالی انجام دهند و پیشنهادهای بهبود به مدیران بدهند.
هم اکنون در برخی از سازمان ها شاهد این هستیم که این بات‌ها درخواست‌ها را حل می‌کنند و قبل از بروز مشکل هشدار می‌دهند و اقدام پیشگیرانه انجام می‌دهند.
این فناوری هم باعث افزایش سرعت و دقت شده هم تجربه کاربری بهتری را ایجاد می‌کند و منابع سازمانی را آزاد می‌سازد تا تیم‌های IT روی مسائل مهم تر تمرکز کنند. در واقع می‌توان گفت بات‌های هوشمند سنگ بنای گذار از ITSM سنتی به AITSM مدرن هستند.
در ادامه این مجموعه به سراغ نمونه‌های واقعی و شرکت‌های پیشرویی مانند ServiceNow با Virtual Agent و همچنین BMC ،Atlassian و شرکت های دیگر خواهیم رفت که این مسیر را در مقیاس جهانی پیموده‌اند. بررسی این نمونه‌ها به ما کمک می‌کند تا ببینیم در عمل، این بات‌ها چه دستاوردهایی داشته‌اند و سازمان‌ها چگونه توانسته‌اند با اتکا به آنها خدمات IT خود را متحول کنند.