- 1. Grundlagen: KI-Technologien im ITSM-Kontext
- Machine Learning (ML): Klassifikation und Regression auf Basis historischer Ticketdaten.
- Natural Language Processing (NLP): Verstehen von unstrukturierten Nutzeranfragen.
- Generative AI & LLMs: Der Einsatz von GPT-Modellen für Zusammenfassungen und Dialoge.
- 2. Auto-Classification: Tickets intelligent verstehen
- Feature Engineering: Welche Datenfelder sind für die Klassifizierung entscheidend?
- Automatisierung: Automatische Zuweisung von Kategorien, Services und Prioritäten.
- Genauigkeit: Umgang mit "Confidence Scores" und manuellen Korrekturschleifen.
- 3. Auto-Routing: Den richtigen Experten finden
- Smart Dispatching: Ticket-Zuweisung an das richtige Team basierend auf Skill-Matching.
- Workload Balancing: Berücksichtigung der aktuellen Team-Auslastung durch KI.
- Vermeidung von "Ticket-Ping-Pong": Reduktion von Fehlleitungen durch historische Erfolgsmuster.
- 4. Knowledge Suggestion & RAG (Retrieval Augmented Generation)
- Intelligente Suche: LLM-basierte Suche in der Knowledge Base und Confluence.
- Solution Drafting: Automatische Erstellung von Lösungsvorschlägen für Agenten.
- Self-Service-Boost: KI-gestützte Antworten im Kundenportal zur Ticket-Vermeidung.
- 5. Predictive Analytics: Agieren statt Reagieren
- Incident Prediction: Mustererkennung zur Vorhersage von Major Incidents.
- Trend-Analyse: Frühwarnsysteme für Performance-Einbußen in der Infrastruktur.
- Kapazitätsplanung: Prognose des Ticket-Volumens (z. B. nach Feiertagen oder Releases).
- 6. Sentiment Analysis: Die Stimmung der Nutzer messen
- Echtzeit-Analyse: Erkennung von Frust oder Dringlichkeit im Ticket-Text.
- Priorisierungs-Update: Dynamische Anpassung der Priorität bei negativem Sentiment.
- Customer Experience (CX): Reporting über die gefühlte Service-Qualität jenseits von harten SLAs.
- 7. KI-gestützte Chatbots und Virtuelle Agenten
- Conversational AI: Dialogführung in natürlicher Sprache statt starrer Entscheidungsbäume.
- Action-Bots: Ausführen von Aktionen (Passwort-Reset, Software-Bestellung) direkt im Chat.
- Handoff-Szenarien: Nahtlose Übergabe vom Bot zum menschlichen Agenten mit vollem Kontext.
- 8. Datenqualität und Training von Modellen
- Data Cleaning: Vorbereitung historischer Tickets (Dubletten, Rauschen entfernen).
- Bias-Vermeidung: Sicherstellung von fairen und unvoreingenommenen KI-Entscheidungen.
- Continuous Learning: Strategien für das regelmäßige Nachtrainieren der Modelle.
- 9. Governance, Ethik und Datenschutz
- DSGVO-Konformität: Schutz personenbezogener Daten in KI-Modellen.
- Transparenz: Warum hat die KI so entschieden? (Explainable AI).
- Vendor Selection: Vergleich von KI-Features in ServiceNow, Jira Service Management und Freshservice.
- 10. Praxis-Workshop: "The AI Service Lab"
- Workshop: Entwurf eines Klassifizierungs-Modells basierend auf einem Test-Datensatz.
- Prompt Engineering Task: Optimierung eines LLM-Prompts für Knowledge Suggestions.
- Prediction Task: Definition von Triggern für ein Frühwarnsystem bei Systemausfällen.
- Final Roadmap: Stufenplan zur Einführung von KI - von "Assistiert" zu "Autonom".
LernzieleDie Teilnehmenden erlernen die Implementierung von KI-Komponenten in bestehende ITSM-Prozesse. Ziel ist es, Modelle zur automatischen Kategorisierung und Priorisierung von Incidents zu trainieren, KI-gestützte Lösungsvorschläge (Knowledge Suggestion) zu etablieren und durch Predictive Analytics Muster für Major Incidents frühzeitig zu erkennen, um die Lösungsgeschwindigkeit (MTTR) massiv zu steigern.
Zielgruppen- IT-Service-Manager: Zur strategischen Modernisierung ihrer Service-Organisation.
- Service-Desk-Leiter: Zur operativen Entlastung ihrer Teams durch Automatisierung.
- IT-Prozess-Owner: Zur Optimierung von Incident- und Problem-Management.
- Data Scientists & KI-Entwickler: Zur Integration von Modellen in ITSM-Plattformen (Jira, ServiceNow).
