Yrityksen paras hälytin voi olla asiakas
Kun tuttu verkkopalvelu yllättäen takeltelee, ensimmäinen reaktio on usein sama: ihmiset alkavat kysellä apua chatissa, kirjoittaa tukipyyntöjä ja valittaa somessa. Yksi kertoo, ettei kirjautuminen onnistu, toinen kuvaa samaa ilmiötä omin sanoin. Hetkessä viestejä on satoja. Jossain toisaalla insinöörien kojelaudat näyttävät vielä vihreää – anturit eivät ole ehtineet huomata ongelmaa.
Pitkään ajateltiin, että tällainen viestivyöry on enemmän haitta kuin hyöty: liikaa meteliä, liian vähän tietoa. Tekniset mittarit ja valvonta nähtiin luotettavimpina varhaisvaroituksina. Tuore tutkimus ehdottaa toista: asiakkaiden kuvaamat häiriöt voivat olla tehokkain herätyskello – jos metelistä osataan erottaa signaali.
ArXiv-palvelussa julkaistussa artikkelissa esitellään TingIS-niminen järjestelmä, joka seuloo reaaliajassa esiin todelliset viat valtavasta määrästä asiakasviestejä. Sen ydin on tekstistä ymmärtävä tekoäly, niin sanottu suuri kielimalli, jota käytetään harkitusti yhdessä nopeiden hakutekniikoiden ja sääntöpohjaisten suodattimien kanssa. Ajatus on yksinkertainen: yhdistää muutamasta toisilleen muistuttavasta viestistä yksi selkeä hälytys ja ohjata se täsmälleen oikealle vastuutiimille – ilman, että jokainen viesti käynnistää turhan paniikin.
Miksi tämä olisi tärkeää? Suurissa pilvipalveluissa ja muissa verkkojärjestelmissä minuutit merkitsevät. Tutkimuksen mukaan järjestelmä on käytössä tuotantoympäristössä, jossa liikenne on hurjaa: huipussaan yli 2 000 viestiä minuutissa ja yhteensä noin 300 000 viestiä päivässä. Siellä 90 prosenttia hälytyksistä syntyy 3,5 minuutissa siitä, kun asiakkaiden viestit alkavat saapua. Tärkeimpien, kiireellisiksi luokiteltujen vikojen kohdalla järjestelmä löytää 95 tapausta sadasta. Tutkijat raportoivat myös, että ratkaisu päihitti vertailumenetelmät sekä siinä, miten hyvin viestit yhdistetään samaa vikaa kuvaaviksi kokonaisuuksiksi että siinä, miten täsmällisesti hälytys ohjataan oikeaan paikkaan. Väärien hälytysten osuus pieneni.
Konsti ei perustu yhteen taikatemppuun vaan useaan peräkkäiseen vaiheeseen. Ensin suodatetaan ilmeinen roska ja toistuva kohina: automaattiset vastaukset, päällekkäiset ilmoitukset, käyttäytymismallit, jotka eivät liity oikeisiin vikoihin. Sitten viestejä verrataan toisiinsa tehokkailla hakukeinoilla, jotta saman suuntaiset kuvaukset löytyvät nopeasti. Lopuksi tekstiä ymmärtävä malli tekee harkitun päätöksen siitä, kuuluvatko viestit samaan tapahtumaan vai eivät. Tämän jälkeen järjestelmä ”reitittää” eli ohjaa löydetyn tapauksen sille liiketoiminta-alueelle tai tiimille, joka todennäköisimmin voi korjata vian.
Yksi arkinen esimerkki auttaa hahmottamaan idean. Kuvitellaan, että kymmenet ihmiset kirjoittavat lyhyessä ajassa eri sanoin samasta ongelmasta: ”maksu ei mene läpi”, ”kassa jumittaa”, ”tilaus ei valmistu”, ”kortti hylätään”. Jokainen viesti on hieman erilainen, mukana on kirjoitusvirheitä ja eri kieliä. Perinteinen sääntökokoelma hukkuu muunnelmiin. TingIS-tyyppinen järjestelmä ryhmittelee nämä kuvaukset yhdeksi tapahtumaksi, erottaa ne täysin muista samanaikaisista valituksista ja laukaisee yhden selkeän hälytyksen maksujärjestelmästä vastaavalle tiimille – muutamassa minuutissa. Samalla se jättää huomiotta irralliset, tapaukseen kuulumattomat viestit, jotka eivät yhdessäkään vielä muodosta todellista ongelmaa.
Merkille pantavaa on toteutuksen maanläheisyys. Tekoäly ei yksin ratkaise kaikkea, vaan sitä käytetään valikoiduissa kohdissa, joissa ihmiskielen vivahteiden ymmärtäminen tuo eniten lisäarvoa: kun pitää päättää, kuvaavatko erilaiset lauseet samaa ilmiötä. Muissa kohdissa nojataan tilastollisiin kaavoihin ja ennalta tunnettuihin toimintamalleihin. Tutkijoiden mukaan tämä yhdistelmä parantaa vakautta ja pitää hälytykset hallittavina myös silloin, kun viestien sisältö elää liiketoiminnan mukana.
On silti syytä katsoa lukuja myös varauksin. Vaikka 95 prosentin löytymisaste kuulostaa hyvältä, se tarkoittaa, että osa tärkeistäkin vioista jää löytymättä. Se, että 90 prosenttia hälytyksistä syntyy 3,5 minuutissa, jättää jäljelle myös hitaita tapauksia, joissa signaali hahmottuu vasta myöhemmin. Artikkelissa kerrotaan tuloksista yhdessä tuotantoympäristössä ja oikealla datalla, mutta kaikkea ei avata: emme esimerkiksi tiedä, miten ratkaisu toimisi aloilla, joilla asiakkaita on vähemmän tai joissa ongelmista ei luontevasti synny tekstiviestejä. Järjestelmä on rakennettu käsittelemään ”erilaisten liiketoiminta-alueiden” sanastoa ja tapoja, mutta tämäkin vaatii ylläpitoa – maailma muuttuu, ja sanojen merkitykset sen mukana.
Lisäksi järjestelmä nojaa moniin valintoihin, joista paperi antaa yleiskuvan mutta ei tee lupauksia kaikkialla toimivasta reseptistä. Esimerkiksi kuinka herkästi samankaltaisia mutta erillisiä häiriöitä kannattaa yhdistää yhdeksi tapaukseksi? Liika yhdistely voi peittää alleen pieniä, mutta olennaisia eroja. Liika varovaisuus taas johtaa hälytyskaikuun ja turtumiseen.
Silti peruslähtökohta on kiinnostava: yritysten omat anturit eivät ole ainoa totuus, eikä asiakasviesti ole pelkkää kohinaa. Kun tekstiä ymmärtävät mallit ovat tulleet riittävän taitaviksi, ihmisten kuvaamat oireet voi kääntää järjestelmien kielelle nopeasti ja käyttökelpoisesti. Tänä päivänä, kun isot palvelut ovat ketjuja kymmenistä tai sadoista osista, juuri tällainen varhainen, ihmislähtöinen vihje voi katkaista kalliiksi käyvän ketjureaktion.
Lopulta kysymys on laajempi kuin yksi järjestelmä. Jos asiakkaiden viestit voivat toimia luotettavana hälytyksenä ilman, että ihmiset hukkuvat meteliin, mitä muuta arjen sekavasta datasta voidaan vielä tehdä ymmärrettäväksi ja hyödylliseksi – ja kuka päättää, milloin hiljaisuuskin kertoo eniten?
Paper: https://arxiv.org/abs/2604.21889v1
Register: https://www.AiFeta.com
tekoäly yritykset palvelut tietojenkäsittely tutkimus
