Сегодня поговорим о том, как использовать искусственный интеллект в сервисе.

В системах распознавания лиц изображение человека преобразуется в вектор — набор чисел, описывающих его характеристики.
Похожесть определяется по расстоянию между этими векторами.

Тот же принцип можно применить в ИТ-сервисах.
В векторы преобразуются обращения пользователей, логи систем, события мониторинга и документация.
Каждый объект превращается в эмбеддинг, который отражает смысл, а не просто текст.
Похожие по контексту данные имеют близкие векторы и группируются в кластеры.

Так можно привязать любое обращение к кластеру проблемы
и фокусироваться не на отдельных инцидентах, а на устранении причин самых критичных.

Для реализации подойдут открытые инструменты:

bge-m3 — мультиязычная модель с высокой точностью

Jina embeddings v3 — эффективна для разных языков

InstructorXL — учитывает контекст задачи при формировании эмбеддинга

Qdrant или Milvus — векторные базы данных для хранения и поиска эмбеддингов

Следующий шаг — использование этих данных для построения памяти сервиса и анализа тенденций по источникам проблем.