AWS опубликовала описание архитектуры генеративного ИИ для модернизации операций поддержки. Решение, представленное в блоге AWS Machine Learning Blog, автоматизирует создание стандартных операционных процедур (SOP) из обучающих видео, применяет Retrieval Augmented Generation (RAG) для ускорения обработки тикетов и использует машинное обучение для прогнозирования рисков нарушения Service Level Agreements (SLA). Подход ориентирован не на оптимизацию отдельных тикетов, а на улучшение процессов, определяющих поток работы между командами.
Проблема, которую решает AWS, знакома многим компаниям: знания, необходимые для поддержки, фрагментированы между документами, людьми и инструментами. SOP создаются по мере необходимости и отражают лишь отдельные функции, без понимания сквозных зависимостей. Большая часть операционных знаний хранится в записях обучающих встреч, и сотрудники часто пересматривают их, чтобы восстановить порядок действий. В результате организации не накапливают знания, а повторно их открывают. Кроме того, аналитики тратят значительное время на поиск нужных инструкций в вики, общих дисках и чатах, а найденный SOP покрывает только одну функцию, что вынуждает вручную собирать полную картину.
| Ticket Number | Category | Status | SLA Score (%) | SLA Category |
|---|---|---|---|---|
| Ticket A | Account Merges | Assigned | 97.7 | High Risk |
| Ticket B | Account Merges | Researching | 97.8 | High Risk |
| Ticket C | Exception Management | Work in Progress | 0.5 | Low Risk |
| Ticket D | Access & Permissions | Pending | 5 | Low Risk |
| Ticket E | Account Merges | Researching | 0.3 | Low Risk |
Предложенная архитектура включает несколько компонентов. Во-первых, автоматическое создание SOP из видео: система анализирует записи обучающих сессий и структурирует их в формализованные процедуры. Во-вторых, RAG позволяет системе автоматически подбирать релевантные инструкции на основе содержимого входящего тикета, что сокращает время поиска. В-третьих, ML-модели прогнозируют риски нарушения SLA и оптимизируют распределение нагрузки, учитывая сложность задач, а не только их количество. Наконец, агентные рабочие процессы автоматизируют рутинные операции — тегирование, комментарии, обновление статусов, — но оставляют человека в контуре для контроля точности.
Особенность подхода — фокус на процессном мышлении, заимствованном из Lean Six Sigma. AWS отмечает, что превышение takt time (допустимого времени на обработку единицы работы) ведет к накоплению отставания и задержкам. Система позволяет выявлять узкие места и неравномерность загрузки, которые не видны при взгляде на отдельные тикеты. Например, запрос, требующий нескольких согласований, внешне не отличается от простого, но создает непропорциональную нагрузку.
Хотя пример в блоге относится к ИТ-поддержке, архитектура адаптируема для финансовых услуг, здравоохранения, логистики, производства и энергетики. В отраслях со строгими требованиями к соответствию автоматическое документирование процессов может упростить аудит, а прогнозирование рисков SLA — снизить штрафы за нарушение обязательств. Однако внедрение требует пересмотра существующих процессов и готовности инвестировать в интеграцию с текущими системами.
Для команд, рассматривающих подобное решение, важно понимать: генеративный ИИ здесь не заменяет аналитиков, а берет на себя поиск информации и рутину, позволяя людям сосредоточиться на сложных случаях. Ключевой вызов — качество исходных данных: если процессы не стандартизированы, автоматизация может закрепить хаос. Поэтому AWS рекомендует начинать с пилотного проекта на одном процессе, чтобы оценить эффект до масштабирования.
