V souvislosti s implementací schopností generativní umělé inteligence (GenAI) do platformy ServiceNow je klíčové připravit nejen technickou infrastrukturu, ale i organizační a etické základy. Aby bylo možné úspěšně zavést tuto technologii, je nezbytné zajistit, že všechny složky systému budou splňovat požadavky na bezpečnost, shodu a etiku, a zároveň poskytovat efektivní a měřitelné výsledky.

Základním krokem je zajištění správné infrastruktury pro nasazení AI. ServiceNow vyžaduje specifické licencování pro využívání funkcí Now Assist a generativní umělé inteligence, přičemž cena závisí na počtu uživatelů, instancích a aktivovaných AI schopnostech. Je důležité, aby organizace měla odpovídající rozpočet pro nákup potřebných licencí a aby IT manažer spolupracoval s účtem ServiceNow pro zajištění správné konfigurace licenčních požadavků. Pokud organizace již využívá základní inteligentní automatizace, jako jsou Prediktivní inteligence nebo Virtuální agent, přechod na GenAI dává smysl, protože existuje již určité porozumění technologii a její implementaci.

Dalším zásadním faktorem je aktualizace verzí ServiceNow a čistota dat. Před nasazením generativní AI by měla být data dobře označená a strukturovaná, aby mohly být efektivně využita pro trénování modelů AI. Bez kvalitních a aktuálních dat nelze očekávat dobré výsledky implementace. Pro IT manažery je důležité mít na paměti, že schopnosti AI nejsou dostupné v osobních vývojářských instancích (PDI) ServiceNow, a proto je doporučeno obrátit se na zástupce ServiceNow pro ukázky produktu a podrobnosti o těchto funkcích.

Etická připravenost a dodržování pravidel ochrany soukromí jsou nezbytné pro správnou implementaci AI v organizacích. Governance struktura by měla zajistit, že AI je nasazována zodpovědně, bezpečně a v souladu s regulatorními požadavky. To zahrnuje řízení přístupu k datům na základě rolí, což zajišťuje, že uživatelé mají přístup pouze k relevantním informacím. Dále jsou do procesů zahrnuty mechanismy pro minimalizaci zkreslení a halucinací, což zajišťuje spravedlivé a přesné výstupy AI. Zajistit, aby platforma splňovala normy jako GDPR, HIPAA nebo SOC 2, je klíčové pro ochranu osobních a citlivých informací.

ServiceNow vyvinul komplexní rámec pro odpovědné nasazení AI, který zahrnuje čtyři základní principy: orientaci na člověka, inkluzivitu, transparentnost a odpovědnost. Tyto principy by měly být součástí každé fáze vývoje a nasazení AI. AI by měla být navržena tak, aby doplňovala lidské schopnosti, nikoliv je nahrazovala, přičemž uživatelé by měli být vždy informováni, kdy je AI použita. Důležité je také použití různorodých datových souborů a pravidelné testování na spravedlnost, aby se minimalizovalo riziko zkreslení. Transparentnost pak zajišťuje, že zákazníci mohou rozumět rozhodnutím AI a auditovat procesy, kterými AI prochází. Odpovědnost je pak zajištěna prostřednictvím přísného dohledu a externího poradenství pro vysoce rizikové případy.

Důležitou součástí správy AI je i měření úspěšnosti a získávání zpětné vazby. Klíčové metriky zahrnují analýzu úspěšnosti deflektování případů pomocí AI, měření doby řešení incidentů s podporou GenAI, analýzu přesnosti a přijetí znalostních článků, stejně jako spokojenost uživatelů a agentů s interakcemi s AI. Zpětná vazba by měla být získávána pravidelnými průzkumy po vyřešení incidentů a pravidelnými úpravami promptů na základě nejběžnějších případů. Tímto způsobem lze průběžně optimalizovat procesy a zajišťovat, že nasazení AI bude dlouhodobě efektivní.

Je důležité mít na paměti, že implementace AI není vhodná pro všechny typy organizací. Pokud organizace působí v regulovaném odvětví nebo teprve plánuje implementaci základních schopností AI, jako je prediktivní inteligence nebo virtuální agenti, není nasazení generativní AI tou správnou volbou. Organizace musí být připravené nejen technicky, ale i organizačně a eticky, aby mohly zodpovědně nasadit generativní umělou inteligenci a maximalizovat její přínosy.

Jak začít implementaci AI v ServiceNow ITSM a co je důležité pro maximální efektivitu?

Implementace umělé inteligence (AI) v prostředí IT Service Managementu (ITSM) na platformě ServiceNow může výrazně zlepšit efektivitu a automatizaci procesů. Nicméně, samotná implementace vyžaduje pečlivé zvážení několika aspektů, aby bylo dosaženo maximálního přínosu jak pro technologickou stránku, tak pro celkové řízení služeb v organizaci. Když se rozhodujete, v jaké oblasti začít, je důležité si uvědomit, že každá z funkcí, jako je řízení změn, správa incidentů, správa majetku nebo vydání, má své specifické požadavky a přínosy.

V mnoha případech je nejlepším výchozím bodem správa incidentů. To je oblast, kde AI dokáže automaticky kategorizovat a směrovat požadavky, čímž snižuje zátěž na operátory a zrychluje čas odpovědi. Implementace umělé inteligence v této oblasti může zjednodušit procesy, redukovat lidské chyby a zlepšit celkovou spokojenost uživatelů. Naopak, správa změn, i když nesmírně důležitá, může být složitější, pokud jde o AI, protože vyžaduje pokročilou analýzu rizik a silnou správu procesů.

Jedním z hlavních přínosů použití přednastavených (OOTB) konfigurací v AI implementacích v ServiceNow je to, že snižují problémy s upgrady a udržováním. Takové konfigurace jsou nejen rychlejší, ale také vyžadují méně technických dovedností, což usnadňuje jejich nasazení a správu. Na druhou stranu, pokud se rozhodnete pro rozsáhlejší přizpůsobení, může to zvýšit složitost správy a prodloužit čas implementace.

Vzhledem k dynamické povaze dat a neustále se vyvíjejícím vzorcům chování uživatelů je nezbytné, aby modely AI byly neustále přeškolovávány. Tento proces by měl být pravidelný, nikoli jednorázový, aby AI systémy zůstaly relevantní a dokázaly efektivně reagovat na nové výzvy. Přetrénování modelů na základě aktuálních dat pomáhá zachovat jejich efektivitu a přesnost.

Správa AI implementace v rámci ITSM zahrnuje i specifickou roli projektového manažera, který je zodpovědný za řízení vzorců, rozsahu a rizik implementace. Jeho úkolem je zajistit, že implementace probíhá podle plánu a že všechny klíčové zainteresované strany jsou v souladu se zamýšlenými cíli.

Z hlediska měření účinnosti AI v ITSM je zásadní sledovat metriky jako je míra zadržení (containment rate). Tato metrika ukazuje, jak dobře AI zvládá požadavky a řešení incidentů bez nutnosti zásahu lidského operátora. Zlepšení tohoto ukazatele může výrazně přispět ke zlepšení efektivity celé IT organizace.

Dalším klíčovým aspektem je zapojení obchodních stakeholderů již v průběhu implementace. Bez jejich zapojení může být velmi těžké zajistit, že AI skutečně poskytuje hodnotu pro celý podnik a ne jen pro oddělení IT. AI není jen o automatizaci procesů, ale i o schopnosti přizpůsobit technologie reálným potřebám organizace. K tomu je nutné, aby IT manažeři a projektoví lídři dokázali prokázat, že implementace AI není o nahrazování lidí, ale o posílení jejich schopností a zlepšení celkové produktivity.

Je třeba si také uvědomit, že implementace AI není jednorázovým procesem. K dosažení dlouhodobých výsledků je nutná neustálá optimalizace a vylepšování systémů. Tato optimalizace může zahrnovat přizpůsobování algoritmů a modelů, školení zaměstnanců v nových technologiích a zajištění, že procesy zůstávají efektivní i v měnícím se prostředí.

Dalším kritickým faktorem je důkladné hodnocení kvality dat. AI modely v ServiceNow mohou být vysoce efektivní pouze tehdy, když jsou trénovány na čistých a kvalitních datech. Nekvalitní nebo neúplná data mohou vést k nesprávným rozhodnutím a snížené efektivitě, což je zásadní riziko, které je třeba pečlivě monitorovat.

Kromě technických a provozních aspektů implementace AI v ServiceNow je také nezbytné provádět pravidelné audity správy a zaujatosti systémů. Tyto audity pomáhají zajistit, že AI systémy nevyvíjejí nežádoucí nebo diskriminační vzorce rozhodování, což je obzvláště důležité v případě, kdy jsou technologie zaměřeny na zákazníky nebo interní uživatele.

Nakonec, je důležité si uvědomit, že AI v ITSM není pouze o technologii, ale o schopnosti organizace lépe sloužit svým zaměstnancům a zákazníkům. Efektivní implementace AI v této oblasti přispívá k zefektivnění provozních procesů, zlepšení kvality služeb a optimalizaci nákladů, což má přímý dopad na celkový výkon organizace.

Jak se ITSM vyvinulo od manuálních systémů k plně automatizovaným pracovníkům?

V prvních fázích vývoje IT Service Managementu (ITSM) byly systémy plně manuální, spoléhající se na tabulky, papírové pracovní postupy a telefonní hovory pro správu požadavků na služby, incidentů a změn. I když se tehdy používaly základní systémy pro správu tiketů, jako například ty postavené na principech ITIL (Information Technology Infrastructure Library), postrádaly jakoukoli významnou automatizaci nebo prediktivní schopnosti. Tento základní přístup, přestože byl funkcionalitou omezený, byl prvním krokem k modernizaci procesů řízení IT služeb.

V raných 2000 letech se krajina ITSM začala měnit, když se na trhu objevily nástroje pro správu tiketů, jako jsou ServiceNow, Remedy a HP Service Manager. Tyto nástroje umožnily IT týmům zaznamenávat incidenty, sledovat požadavky na služby a řídit procesy změn. Nicméně tyto systémy byly stále do značné míry manuální, s omezenými schopnostmi automatizace.

Ve středních 2000 letech došlo k zásadnímu obratu, když organizace začaly chápat potřebu automatizace opakujících se úkolů pro zlepšení efektivity a snížení lidských chyb. Vznikla první automatizace pro jednoduché úkoly, jako je automatické přiřazování tiketů, směrování požadavků na služby podle předem definovaných kritérií a automatická upozornění. Tyto kroky pomohly zefektivnit pracovní postupy, ale stále se jednalo o reakční a pravidly řízené procesy. V tomto období se začaly formovat základy pro složitější automatizované pracovní postupy.

S nástupem cloud computingu v 2010 letech a rostoucí složitostí IT infrastruktur začaly automatizační schopnosti ITSM systémů výrazně expandovat. AI-driven automatizace, včetně prediktivní analýzy, začala být na vzestupu. Nástroje jako ServiceNow představily funkce, jako je Predictive Intelligence, která automaticky kategorizovala tikety a přiřazovala prioritu na základě historických dat, což vedlo k inteligentnějšímu přístupu k řízení incidentů. Toto období rovněž přineslo přijetí samoobslužných portálů a chatbotů, které uživatelům umožnily řešit problémy bez přímého zapojení IT týmů.

Mezi lety 2015 a 2018 se výrazně posunul přístup k automatizaci díky využití umělé inteligence (AI) a strojového učení. Tyto technologie byly využívány k předvídání a řešení incidentů ještě před tím, než ovlivnily koncové uživatele. AI se rovněž začala využívat pro analýzu historických dat tiketů a identifikaci vzorců a trendů, což vedlo k rychlejšímu a přesnějšímu rozhodování. Milníkem v této fázi byla integrace virtuálních agentů a prediktivní inteligence do systémů jako ServiceNow, které dokázaly predikovat směrování tiketů na základě dat a tím zvýšily efektivitu a proaktivitu řízení IT služeb.

V letech 2019 a 2020 došlo k integraci generativní AI, což umožnilo virtuálním agentům učit se a přizpůsobovat se složitějším problémům. Rozvoj pokročilé automatizace napříč procesy řízení problémů, změn a incidentů přinesl ještě vyšší úroveň efektivity. Byla rovněž začleněna technologie zpracování přirozeného jazyka (NLP), která umožnila ITSM systémům chápat a reagovat na dotazy uživatelů v přirozeném jazyce, což zjednodušilo interakci a učinilo ji intuitivnější.

V současnosti, od roku 2021, se ITSM dostalo do fáze hyper-automatizace, kde většina opakujících se úkolů je plně automatizována a role IT personálu je více zaměřena na strategické řešení problémů, zlepšování služeb a analýzu základních příčin problémů. Integrace AI v ITSM procesech umožňuje organizacím předvídat, předcházet a řešit problémy ještě před tím, než ovlivní uživatele. Nový přístup k rozhodování, který zahrnuje autonomní AI agenty, znamená úplnou revoluci v rozhodovacích procesech, což vede k mnohem efektivnějšímu a proaktivnímu prostředí správy IT služeb.

Kromě rozvoje technologií je důležité si uvědomit, že automatizace v oblasti ITSM není pouze o zrychlení procesů. Je kladeno důraz na zvýšení spokojenosti uživatelů, snížení nákladů a zlepšení celkového přístupu k řešení problémů. S příchodem AI a strojového učení se ITSM postupně stává inteligentní, prediktivní a schopné rychle reagovat na měnící se potřeby organizace. Systémy se neomezují pouze na reakci na problémy, ale mají schopnost je předvídat a včas řešit ještě dříve, než způsobí větší dopad.

Jaké jsou patologické změny a klinické projevy při onemocněních nadledvin?
Jak převést výkresy na G-Code pro CNC stroj a jak řezat různé materiály?
Jak se dostat do pravdy, když okolnosti zůstávají zahalené mlhou?