Un exemple d’implémentation du plugin Agent Intelligence de ServiceNow

Nous avons souhaité partager notre retour d’expérience sur l’utilisation du plugin ServiceNow « Agent Intelligence » dans notre domaine d’application de la gestion des laboratoires.

Qu’est-ce qui nous a poussés à utiliser ce plugin dans notre application Lab Management Portal (LMP) ?

Le « Big Data » est très présent aujourd’hui dans de nombreux domaines et plus particulièrement dans les sciences biologiques.

Les développements récents des technologies à haut débit et des appareils de plus en plus puissants ont accéléré l’accumulation de quantités massives de données omiques provenant de sources multiples : génome, épigénome, transcriptome, protéome, métabolome, etc. Les analyses mono-omiques ont déjà permis de faire des bonds considérables dans les sciences du vivant, et plus particulièrement en médecine. Aujourd’hui grâce au développement du ‘Big Data’ nous en attendons bien plus avec les analyses multi-omiques.

Mais pas seulement, il existe aussi un flux grandissant de documents associés à ces appareils et à ces technologies de pointe, tels que les manuels d’utilisation, les publications scientifiques et les protocoles expérimentaux. Ces données sont souvent non structurées, gérées, stockées et classifiées manuellement et aléatoirement. Aussi le lien avec le matériel n’est pas automatisé et nécessite beaucoup de temps si l’on veut pouvoir avoir une veille complète.

La compréhension de ces données ainsi que leur contenu devient une nécessité et ceci est devenu possible grâce à l’intelligence artificielle (IA) et au Machine Learning (ML).

Pour remédier à ces problématiques, l’équipe Keralia Tech s’est positionné sur différents sujets et souhaite utiliser le Machine Learning (ML) pour :

  • Des analyses de données multi-omiques,
  • De la traduction de protocole de type texte en protocole intelligent,
  • Un service de classification automatique de la connaissance.

Dans cet article, ne sera développée que la classification automatique grâce à l’utilisation du plugin « Agent Intelligence » de ServiceNow les autres sujets seront traités dans de prochains articles de notre blog.

Qu’est-ce que le Machine Learning et le Data Mining ?

L’Intelligence Artificielle (IA) est l’une des tendances technologiques les plus passionnantes de nos jours. Elle consiste à imiter le comportement humain basé par exemple sur le raisonnement tel que la représentation de la connaissance ou le traitement du langage naturel, sur la perception visuelle ou auditive tel que l’interprétation de l’image et la compréhension du langage parlé.

Le Machine Learning (ML) quant à lui est une sous branche de l’IA qui consiste à créer des machines imitant le processus d’apprentissage humain c’est à dire des machines capables d’analyser, de calculer et de s’améliorer d’une manière autonome. Nous distinguons deux types de ML :

  • ML Supervisé : consiste à établir un modèle de classement et à définir l’ensemble des règles et des relations entre les différents composants du système auquel il s’applique. Le processus se passe en deux phases :
    • Apprentissage : se déroule en mode hors ligne où l’algorithme traite un ensemble de données pré-traitées et étiquetées ;
    • Test : consiste à prédire l’étiquette ou la classe de nouvelles données se basant sur le modèle préalablement appris.
  • ML Automatique : nous parlons de ML automatique lorsque nous ne disposons que de données et non pas des étiquettes et des relations entre elles. L’algorithme découvre alors par lui-même la structure et les relations cachées entre les données.

Parmi les autres branches de l’IA nous trouvons le Data-Mining ou “fouille de données”, qui comporte entre autres un ensemble de techniques et d’outils de la statistique, de l’informatique et de la science de l’information. Cette dernière consiste à extraire automatiquement des connaissances à partir de données.

Il existe plusieurs approches qui traitent de Data-Mining, qu’on peut classifier selon le type de données qu’elles utilisent. Dans notre cas de figure, nous nous sommes focalisés sur le Text-Mining, qui est spécifique à la reconnaissance de l’information d’un texte.Il s’appuie sur des algorithmes de ML (algorithme non déterministe) pour donner un sens au texte analysé. Cela consiste à entraîner l’algorithme sur des modèles de données déjà analysées c’est à dire pré-traitées. Plusieurs approches sont proposées pour cet effet : algorithmes basés sur les statistiques (réseaux bayésiens), Support Vector Machine (SVM), réseaux de neurones et arbre de décision.

Mise en place et paramétrage du plugin Agent Intelligence

Le plugin « Agent Intelligence » de ServiceNow traite le Machine Learning. Il utilise des algorithmes d’apprentissage supervisé, mis en place par ServiceNow pour rendre automatiques certaines actions récurrentes. Ce plugin est disponible à partir de la version Kingston et est exploité dans des scénarios liés à la catégorisation, assignement de tâches et de priorisation. Le système offre la possibilité de créer de nouveaux modèles prédictifs en utilisant les « Templates » de ServiceNow, de les entraîner sur nos propres données antérieures d’enregistrements.

La mise en place d’une « Solution Template » ML ServiceNow passe par plusieurs étapes comme le montre le schéma ci-dessous  (voir la documentation ServiceNow pour plus de détails) :

La création du « Template »,

La configuration des différents attributs du « Template ».  Cette étape est cruciale lors de la création d’une « Solution Template »pour assurer que celle-ci répondra correctement aux besoins,

L’apprentissage de la solution.

Ce Plugin offre plusieurs fonctionnalités complémentaires à savoir :

  • Exclusion d’une classe de l’apprentissage,
  • Visualisation du progrès de l’apprentissage,
  • Examiner la couverture, précision et distribution d’une solution.

Image3

Processus de configuration d’une « Solution Template » Agent Intelligence

Résultats obtenus et retour d’expérience

Après avoir effectué des tests sur une base de connaissance Incident, pour reprendre le scénario défini par ServiceNow, nous avons réalisé une ‘Solution Template’ ML appliquée à notre base de connaissance ‘Documents’.

La réalisation de ces solutions est passée par plusieurs étapes :

  • Création manuelle des catégories,
  • Import de la base de connaissance Documents, en format Word. Cette fonctionnalité permet de télécharger l’article en récupérant son titre comme « short description »,
  • Classification des Documents,
  • Création de la solution et application à notre base de connaissance.

resultats

Tableau représentant les résultats obtenus et les avantages et inconvénients d’utiliser le plugin « Agent Intelligence »
dans un contexte ITSM et notre contexte métier.

Ce qu’il faut retenir

Le ML (supervisé ou non-supervisé) répond à une classe de problèmes où, partant d’un ensemble de conditions, on peut prévoir un résultat. Pour cela, on s’appuie sur des données accumulées qui serviront le processus d’apprentissage.

ServiceNow fournit son propre module de Machine Learning – « Agent Intelligence » – appliqué en premier lieu à l’analyse de données structurées, par exemple les incidents, pour renseigner automatiquement des valeurs prévisibles de champs, comme par exemple l’attribution automatique d’incidents.

Keralia Tech a appliqué « Agent Intelligence » à de l’analyse de texte pour classer des articles scientifiques. Les résultats obtenus nous incitent à compléter notre analyse avec des algorithmes plus spécialisés en Data Mining. Ainsi, afin d’améliorer la performance et la précision de la classification, nous pensons  procéder en deux temps :

  1. Enrichissement de la base de connaissance en intégrant de nouveaux documents et de nouvelles catégories,
  2. Réalisation de l’apprentissage de la solution sur le contenu complet des documents et non plus sur le champs ‘short description’ uniquement.

Plus globalement, mettre en œuvre un projet dans le Machine Learning incite à deux précautions.

D’une part, il est important de ne pas sous-estimer le temps à consacrer à la constitution du jeu de données (dataset), ce qui conditionne grandement la qualité de l’apprentissage et partant, des résultats de l’algorithme.

D’autre part, il faut porter une attention particulière au choix du type de stratégie de ML (supervisé vs non-supervisé), car cela dimensionne le coût de traitement de la problématique :

  • Constitution des échantillons de données les plus représentatifs,
  • Choix de l’algorithme, de son degré de complexité.