Fuel under the Hood

written by: Nikola Greb.

The Importance of Data in Artificial Intelligence

We have all heard that Artificial Intelligence (AI) is changing the world on a large scale and this is not an overstatement. But what enables this artificial intelligence?

Generally speaking, the ‚intelligent‘ part of the artificial intelligence is made of two key parts:

1) Algorithm

2) Data

We can consider the data as a fuel, and the algorithm as a car. You need both to drive. Of course, you need a road, a trip plan, first aid, a spare tire, and other equipment in the car. For AI, these are complex hardware and software components that process data through the algorithm to deliver useful results. Separate blog posts on parts, details and nuances of this process are coming in the following months.

Although certainly not the only use case for AI in ITSM, using an algorithm to make a prediction of category based on some input is very useful since it enables us to send the solution to the user automatically.

X (input): I have a problem with adding the Outlook signature
Y (output): Outlook signature.

We explained what happens and why when you have wrongly labeled Y. It’s similar to pouring diesel fuel into the gasoline engine. If you are interested, you can learn more about the Noisy labels here.

The main question of this article is what should we do if we don’t have any fuel to start our journey?! In other words, what to do when the client does not have the data we can use?

Well, we should create it. And we will use AI to do so!

Apart from noisy labels, the two most common scenarios are creation from scratch and creation with confidential input from the client.

Scenario 1

1.0 Creation from scratch

It’s often that a company has a valid business use case and feels that some of the processes might be automated with AI, but doesn’t know which exactly nor have the data. Also, some companies aren’t willing to share their internal data in the early phase of the project. We understand and respect that.

In this scenario, we will talk to the client and try to get some input about general needs like the usual problems that need to be solved, the length of the average ticket, the approximate number of tickets and similar. The important distinction from the second scenario is that this input we get from the user can be shared outside the Emma®AI environment.

To conclude, this approach can generate very useful Proof of Concept (PoC) in a generally short time and open the space for mutual trust and collaboration. In some cases, a PoC can also serve as a Minimum Viable Product (MVP) that is immediately used, followed by further improvements to the AI based on data received from real end users. This brings us to the second scenario

Scenario 2

2.0 Creation with confidential input from the client

The main distinctions to the first scenario are that here we can’t share the input we get from the client outside the Emma®AI environment because it contains business secrets and the input from the client consists of more detailed instructions. This creation use case is made of the following sub-scenarios:

2.1. Creation based on the detailed input from the user that contains business secrets

We can think about this use case as the user having Y (wanted categories), and some parts of X (tickets), but not the full examples. For instance, a bank may share with us the exact names of their internal processes and the structure for classifying incoming tickets into categories, but they either do not have or cannot share the full tickets created by end users.

2.2. Creation based on existing client’s tickets

Further, 2.2. can be divided into two most common scenarios:

2.2.1. The user has some tickets, but not all

In this case, additional tickets need to be created to feed the data into the algorithm and build the AI. This situation occurs frequently. Depending on the number of tickets that need to be created, we can think of it as either topping up with gasoline at a local station or filling the full tank for a longer journey.

2.2.2. The user has all tickets but doesn’t have their classification.

The last scenario is also very common. It happens a lot in customer support and ITSM, and we use multiple AI solutions to propose the best categorization of incoming tickets for the client.

Conclusion & preview

To conclude, in all mentioned cases, we will conduct a detailed analysis of the client’s needs through a collaborative communication process. After that, we will apply AI analytics followed by the best-suited AI solutions to generate the data that will lead to the creation of the final AI solution.

AI creating data for AI may sound like science fiction, but it happens quite frequently nowadays. We do this under the careful control and supervision of our experts. That’s the way we get to our destination quickly and safely.

Treibstoff unter der Haube: Die Bedeutung von Daten in der Künstlichen Intelligenz

Verfasst von: Nikola Greb

Wir alle haben gehört, dass Künstliche Intelligenz (KI) die Welt im großen Stil verändert, und das ist keineswegs übertrieben. Aber was ermöglicht Künstliche Intelligenz überhaupt?

Grundsätzlich besteht der ‚intelligente‘ Teil der Künstlichen Intelligenz aus zwei Schlüsselelementen:

1. Algorithmus
2. Daten

Man kann die Daten als Treibstoff betrachten und den Algorithmus als Auto. Um zu fahren, braucht man beides. Natürlich gibt es auch eine Straße, man braucht einen Reiseplan, Erste-Hilfe-Ausrüstung, ein Ersatzrad und andere Ausstattungen, die ebenfalls im Auto sein sollten. Im Fall der KI sind dies verschiedene Teile einer komplexen Hardware- und Software-Infrastruktur, die es ermöglichen, Daten in den Algorithmus einzuspeisen, der am Ende etwas Nützliches für Sie tun wird. In den kommenden Monaten werden wir in separaten Blogbeiträgen auf die Teile, Details und Feinheiten dieses Prozesses eingehen.

Obwohl dies sicherlich nicht das einzige Einsatzgebiet von KI im ITSM ist, ist die Verwendung eines Algorithmus zur Vorhersage einer Kategorie basierend auf bestimmten Eingaben sehr nützlich, da es uns ermöglicht, dem Nutzer automatisch die passende Lösung zu senden.

X (Eingabe): Ich habe ein Problem beim Hinzufügen der Outlook-Signatur. Y (Ausgabe): Outlook-Signatur.

Wir haben erklärt, was passiert und warum, wenn Sie Y falsch zuordnen. Das ist vergleichbar mit dem Einfüllen von Diesel in einen Benzinmotor. Wenn Sie interessiert sind, können Sie hier mehr über das Thema „Noisy Labels“ erfahren.

Die Hauptfrage dieses Artikels lautet: Was sollten wir tun, wenn wir keinen Treibstoff haben, um unsere Reise zu beginnen?! Mit anderen Worten, was tun, wenn der Kunde keine Daten hat, die wir nutzen können?

Nun, wir sollten sie erstellen. Und dazu werden wir KI einsetzen!

Szenario 1

Abgesehen von fehlerhaften Labels gibt es zwei häufige Szenarien: die Erstellung von Daten von Grund auf und die Erstellung mit vertraulichen Eingaben des Kunden.

1. Erstellung von Grund auf: Es kommt oft vor, dass ein Unternehmen einen validen Geschäftszweck hat und das Gefühl, dass einige Prozesse mit KI automatisiert werden könnten, aber nicht genau weiß, welche, und keine Daten dafür hat. Auch sind manche Unternehmen in der frühen Projektphase nicht bereit, ihre internen Daten zu teilen. Das verstehen und respektieren wir.

In diesem Szenario sprechen wir mit dem Kunden und versuchen, einige allgemeine Bedürfnisse zu erfassen, wie z. B. die üblichen Probleme, die gelöst werden müssen, die durchschnittliche Dauer eines Tickets, die ungefähre Anzahl von Tickets und Ähnliches. Der wichtige Unterschied zum zweiten Szenario besteht darin, dass die Informationen, die wir vom Nutzer erhalten, außerhalb der Emma®AI-Umgebung weitergegeben werden können.

Zusammenfassend lässt sich sagen, dass dieser Ansatz in der Regel in kurzer Zeit einen sehr nützlichen Proof of Concept (PoC) generieren und Raum für gegenseitiges Vertrauen und Zusammenarbeit schaffen kann. In einigen Fällen kann ein PoC auch als Minimal Viable Product (MVP) dienen, das sofort genutzt wird, gefolgt von weiteren Verbesserungen der KI auf Basis von Daten, die von echten Endnutzern stammen. Dies führt uns zum zweiten Szenario:

Szenario 2

2. Erstellung mit vertraulichen Eingaben des Kunden:

Die Hauptunterschiede zum ersten Szenario bestehen darin, dass wir hier die Informationen, die wir vom Kunden erhalten, nicht außerhalb der Emma®AI-Umgebung weitergeben können, da sie Geschäftsgeheimnisse enthalten, und dass die Eingaben des Kunden detailliertere Anweisungen umfassen. Dieser Anwendungsfall zur Erstellung von Daten umfasst die folgenden Unterszenarien:

2.1. Erstellung auf Basis detaillierter, vertraulicher Nutzereingaben.

Man kann diesen Anwendungsfall so betrachten, dass der Nutzer Y (gewünschte Kategorien) und einige Teile von X (Tickets) hat, aber keine vollständigen Beispiele. Beispielsweise kann uns eine Bank die genauen Bezeichnungen ihrer internen Prozesse und die Struktur zur Klassifizierung eingehender Tickets in Kategorien mitteilen, aber sie hat entweder nicht oder kann nicht die vollständigen Tickets, die von Endnutzern erstellt wurden, teilen.

2.2. Erstellung auf Basis vorhandener Tickets des Kunden.

Weiter kann 2.2. in zwei häufige Szenarien unterteilt werden:

2.2.1. Der Nutzer hat einige Tickets, aber nicht alle.

In diesem Fall müssen zusätzliche Tickets erstellt werden, um die Daten in den Algorithmus einzuspeisen und die KI zu entwickeln. Diese Situation tritt häufig auf. Abhängig von der Anzahl der zu erstellenden Tickets kann man dies als das Auffüllen mit Treibstoff an einer lokalen Tankstelle oder als das Volltanken für eine längere Reise betrachten.

2.2.2. Der Nutzer hat alle Tickets, aber keine Klassifizierung.

Das letzte Szenario ist ebenfalls sehr häufig. Es tritt oft im Kundensupport und ITSM auf, und wir verwenden mehrere KI-Lösungen, um dem Kunden die beste Kategorisierung der eingehenden Tickets vorzuschlagen.

Fazit und Ausblick

Zusammenfassend führen wir eine detaillierte Analyse der Kundenbedürfnisse durch. Dies erfolgt durch einen kollaborativen Kommunikationsprozess. Anschließend wenden wir KI-Analysen an. Danach wählen wir die geeignetsten KI-Lösungen aus. Diese generieren die Daten für die finale KI-Lösung.

KI, die Daten für KI erstellt, mag wie Science-Fiction klingen, aber das geschieht heutzutage ziemlich häufig. Wir tun dies unter der sorgfältigen Kontrolle und Aufsicht unserer Experten. So erreichen wir unser Ziel schnell und sicher.