PagerDuty公司使用機器學習技術來預測問題，從而顯著加快響應速度，因此可以在問題影響到客戶之前就得到解決。
預測美國大學生籃球聯賽(NCAA)一級男子籃球錦標賽的結果和錦標賽本身一樣具有競爭性，這是一項非常容易爆冷和結果極難預測的賽事。多年來，沃倫·巴菲特(Warren Buffet)舉行過一次活動，對成功預測各球隊比賽成績的人給予十億美元的獎金，但沒人能接近獲得這筆獎金。談到不可預測性，正如球迷們準備為今年的錦標賽成績進行預測一樣，所有重大的公共體育賽事都被取消了。誰能預料到這種情況呢?
儘管我們看不到未來，但對一些變量的深入了解確實能讓人們做出更好的預測，並在比賽中獲得優勢。通過學校吉祥物來預測獲勝者可能偶爾會奏效，但對最佳球隊、教練和運動員進行深入研究是一種更為有效的策略。
同樣，客戶服務、開發運營和IT問題在本質上也是不可預測的。企業不可能事先知道什麼時候會出現運營問題，什麼時候會出現產品缺陷，什麼時候溝通會出現問題。人工智慧和機器學習技術驅動的解決方案可以幫助團隊提高勝算。這些產品可以極大地加快對問題的響應速度，因此在大多數客戶遇到問題之前，就可以進行預防或得以解決。
當數字應用程式或服務出現問題時(例如，某一電子商務網站的購物車存在故障)，企業每分鐘會收到數千條警報，這對於人類員工來說既無用也無法操作。過多的噪音只會導致信號丟失，以及在潛在問題得到解決之前，客戶與服務團隊之間會有更多的聯繫。
客戶服務的預測性解決方案是基於對這些信號背後的驅動因素的了解。快速識別模式有助於企業保持領先地位。機器學習工具通過消除無用信號，從而為響應團隊大大地縮短了響應周期，而不是通過可能無用的警報和信息一遍又一遍地分散他們的注意力。
當團隊以這種方式使用機器學習技術時，他們可以大大減少這些信號，從而發現那些導致警報數量難以控制的實際事件。他們不必忙亂地解決許多小故障，而是可以全局性地看到問題的真正所在，並在解決一些數量較少的大問題時更加明智和聰明。
預測功能如何改善服務響應
如果預測流程要幫助企業為大多數客戶提前解決問題，那麼該流程必須實時進行。不斷變化的問題可能會影響到客戶，因此不允許您停下來進行反思或從容應對。
對預測性客戶服務和IT服務的更高層次的需求是訓練算法來識別哪些警報屬於哪些事件。在PagerDuty公司，我們的主要目標是幫助企業在數字系統出現問題之前找出這些問題，並預測將來可能出現的問題，以便企業能夠提前進行解決。我們使用機器學習技術將所有警報進行分組，這樣團隊就可以看到問題的整體狀況，並確切地知道如何解決這些問題。
例如，多個團隊可能各自都在處理單個投訴，卻不了解這些投訴都是某一問題的各個方面。PagerDuty平台的見解可以解決該問題，並讓所有人都能步調一致。同時，由於服務響應人員被分配去解決某些特定的問題，該平台會對信息進行篩選，然後發給每個人，因此他們不會被自己正在處理的問題以外的其他問題所淹沒。
這一點很重要，因為大多數系統都不是孤立運行的，當某個位置出現一個故障就等同於其他位置出現一個故障。當出現問題時，企業會使用PagerDuty平台來幫助查找連鎖問題的源頭，以防止發生災難性故障。當團隊的預測能力和預防能力更強時，他們就可以從更高層面上看問題，並了解他們的工作將在哪些方面產生最大的影響。
幫助團隊快速找到和解決問題的結構還可以為組織的各個層級帶來更大的視野。經理和主管可以更好地了解如何部署團隊。那些可能必須向客戶解釋問題或停機故障的領導們同樣也會獲得一些信息和擁有一個明確的前進道路。
PagerDuty公司如何使用機器學習技術
為企業的客戶服務和IT工作提供更好的預測能力和預防能力，首先要以有助於找到數字問題的潛在原因的方式來對問題進行分組。該分組操作首先基於以下假設：如果兩條信息具有相似的文本，則這兩條信息基本類似。儘管從理論上講這是合理的，但了解這些信息是否真正相似則是一個模糊的概念。
在PagerDuty公司，最有效的解決方案是使用一個解析器，該解析器會接收信息，並將其轉換為不太精確的語言。此過程會減少詞語的數量，以顯示該信息中的某些特定元素。
該系統會查找唯一的標識符，例如日期、時間、客戶ID或內含ID的網站，這些標識符僅會在客戶信息和報告的語境中發布。就內容而言，這些標識符通常對解析器並不重要。該程序僅會查找這些標識符是否存在於信息主體中。
在這種總體模糊處理後，可將每條信息中的詞語和標識符進行分組。PagerDuty平台在此檢查所接收的信號，並根據信息的整體內容來確定哪些信息擁有相同的詞語組。
此步驟通過向量化來完成，向量化是將這些單詞系列中的每一個轉換為具有代表性數字序列的過程。但這仍是一個不完善的系統。當然，每個句子都會產生一個向量表示，但每個向量都可能來自幾個不同的句子。通常，有足夠的信息可以確定句子何時具有相同的信息。但PagerDuty公司的軟體工程師仍必須考慮一個事實，即一個向量可以有很多種組合方式。
一旦系統識別出一組具有相同向量的信息，便將它們捆綁在一起。這些信息組基本上具有相同的內容。它們的標識符表明它們包含了眾多相同的詞。
將機器數據轉化為預測和預防能力
例如，當一家公司在突然收到大量報告和信息時，通常他們會認識到出了問題。其中大多數內容是機器生成的，有些帶有自定義模板，有些甚至是由人編寫的。如果不進行某種形式的分組，團隊將無法從更高層面上了解所發生的情況。他們可以設計一個分組工具，但這需要投入大量的時間和精力，同時更多的事件報告會不斷累積。
同樣，由於如此多的信息具有不同的內容，僅在內容相同時對信息進行分組並不能減少問題的數量。使用AI技術來識別相似性可以讓團隊隨時間推移累積更多的相關信息。不同於數以千計的單個問題(每個問題由一個報告或信息表示)，通過這種方式對警報進行分組，這只會顯示出幾個核心問題，而這些核心問題就是其他問題的根源。
此時，該系統已使響應團隊具備了預測和預防能力。找出最大的問題，解決可能導致未來問題的根源，這就變得更為容易。優先處理核心問題上的一些工程工作會導致事件數量顯著下降，所有這一切都源自基本的AI分組。
從理論上講，這應該是一個非常可靠的過程。一旦對信息進行解析、識別和向量化，系統就應該很容易按相似的內容將信息進行分組。這些信息都是文本相關的，而這些向量可以讓該平台來衡量相關性的強度。
當然，實際上並不總是那麼簡單。語言的靈活性意味著該系統經常出錯。這就是為什麼PagerDuty公司在我們的產品中建立了功能強大的反饋系統。
通過人工反饋改進結果
當最終用戶向該系統提供反饋時，他們就為我們提供了新的數據點以有助於完善該流程。通常，這需要承認，A和B看起來應該是相互關聯的。然而，該信息在人類語境中顯示，它們彼此之間沒有多大關係。
PagerDuty公司的反饋系統會給予那些擁有相同單詞而正相關的信息更大的權重，但之後人工反饋表明它們並不相似。這種評估和修改過程可以在軟體中通過一個大型的強化學習系統完成，但對於用戶而言，這只是單詞和信息是否應該分在一起的一個簡單的評估過程。
當然，客戶不需要了解其如何工作的具體細節。客戶服務和IT團隊應該使用簡單的工具來提供反饋，以描述哪些詞彙不匹配。
在更高的層面上，PagerDuty公司的反饋系統為用戶提供了用於合併和拆開警報中的詞彙組的眾多選項。這只是一個抓取選項，可將這些詞彙組從某一組中移入或移出;本質上表示，某些項彼此屬於同一組，但另一項則不屬於。
另一個不太複雜但功能同樣強大的產品可能只需要幾個簡單的贊成和反對按鈕。 用戶基本上可以表示贊同某一匹配，或指出該過程中存在的缺陷。
任何事情都可能讓客戶感到沮喪和失望，就像在客戶服務部門工作過的人會告訴您的那樣。在這些不可預測的情況下改進工作，這需要在問題出現時儘快地學習、了解和解決問題。最初的太空集成事件智能和應急響應解決方案是通過觀察數位訊號和人類響應行為，將機器與人類遙測技術相結合。