# Бесплатная экспертная база знаний по управлению ИТ

Никакого пересказа ITIL, COBIT, ISO 20000, PRINCE2, TOGAF и прочего. Только сведения от консультантов и тренеров Cleverics. Включает ответы на **несколько тысяч вопросов** из **сотен источников**, а также детальный глоссарий с примерами, объяснениями и нюансами

## [Какие преимущества даёт семантический поиск в базе знаний по сравнению с традиционным поиском по ключевым словам?](https://cleverics.ru/digital/kb-qa/kakie-preimushchestva-daet-semanticheskiy-poisk-v-baze-znaniy-po-sravneniyu-s-traditsionnym-poiskom/)

Семантический поиск, основанный на ИИ, понимает смысл запроса, а не просто ищет совпадения ключевых слов. Это даёт несколько преимуществ. Во-первых, пользователи могут формулировать проблемы своими словами: «не открывается почта» и «Outlook не запускается» распознаются как одна проблема, хотя ключевые слова разные. Во-вторых, поиск находит релевантные статьи даже при отсутствии точного совпадения терминов: модель понимает контекст и связывает синонимичные выражения. В-третьих, снижается количество «нулевых» результатов поиска, когда пользователь не находит нужную информацию из-за несовпадения формулировок. В-четвёртых, улучшается качество самообслуживания: пользователи быстрее находят решения, не создавая тикеты. В-пятых, снижается нагрузка на операторов, которым не нужно объяснять пользователям, как правильно сформулировать поисковый запрос.

Автор: Игорь Фадеев

Рейтинг: 236

Теги: AI, ML, LLM, ИИ, машинное обучение, обучение сотрудников, учебные курсы, тренинги, поддержка пользователей, Service Desk, Help Desk, управление знаниями

## [Как отличить задачу, где искусственный интеллект быстро даст отдачу, от задачи, где он усложнит процесс?](https://cleverics.ru/digital/kb-qa/kak-otlichit-zadachu-gde-iskusstvennyy-intellekt-bystro-dast-otdachu-ot-zadachi-gde-on-uslozhnit-pro/)

Задача, где ИИ быстро даст отдачу, обладает тремя характеристиками: высокая повторяемость (операция выполняется десятки раз в день), наличие большого массива качественных исторических данных для обучения и некритичная цена ошибки. Такие задачи — классификация тикетов, подсказки оператору, генерация черновиков, ответы на частые вопросы. Задача, где ИИ усложнит процесс, характеризуется противоположными признаками: уникальность операций (мало исторических данных для обучения), критичность последствий ошибки (управление инфраструктурой, финансовые решения, утверждение изменений) и необходимость глубокой экспертной оценки, которую модель не может обеспечить. Также ИИ неуместен, когда нет владельца процесса, готового интегрировать технологию в рабочие процедуры, или когда ожидается полная замена эксперта.

Автор: Игорь Фадеев

Рейтинг: 232

Теги: AI, ML, LLM, ИИ, машинное обучение, измерение и оценка ИТ, метрики, KPI, отчётность, дашборды, обучение сотрудников, учебные курсы, тренинги, управление конфигурациями, CMDB, экономика и финансы

## [Какие юридические и этические вопросы возникают при применении искусственного интеллекта в ITSM?](https://cleverics.ru/digital/kb-qa/kakie-yuridicheskie-i-eticheskie-voprosy-voznikayut-pri-primenenii-iskusstvennogo-intellekta-v-itsm/)

При применении ИИ в ITSM возникает ряд юридических и этических вопросов. Вопрос ответственности: если ИИ-агент самостоятельно принял решение, приведшее к инциденту или финансовым потерям, кто несёт ответственность — вендор, разработчик модели, владелец процесса или оператор? Вопрос конфиденциальности: ИИ обрабатывает данные пользователей, инциденты могут содержать конфиденциальную информацию, и необходимо обеспечить защиту персональных данных при обучении моделей и генерации ответов. Вопрос прозрачности: пользователи должны понимать, взаимодействуют ли они с ИИ или с человеком, особенно при получении рекомендаций и инструкций. Вопрос дискриминации: модели могут воспроизводить предвзятость, присутствующую в исторических данных, например, приоритизировать обращения определённых групп пользователей. Для минимизации этих рисков необходимо чёткое регулирование использования ИИ, назначение ответственных лиц и регулярный аудит работы моделей.

Автор: Игорь Фадеев

Рейтинг: 232

Теги: AI, ML, LLM, ИИ, машинное обучение, ITSM, аудит, обучение сотрудников, учебные курсы, тренинги, общие вопросы менеджмента, поддержка пользователей, Service Desk, Help Desk, управление запросами на обслуживание, управление инцидентами, управление рисками

## [В чём разница между машинным обучением с учителем и без учителя в контексте анализа ИТ-процессов?](https://cleverics.ru/digital/kb-qa/v-chem-raznitsa-mezhdu-mashinnym-obucheniem-s-uchitelem-i-bez-uchitelya-v-kontekste-analiza-it-prots/)

Машинное обучение с учителем (supervised learning) предполагает, что на вход алгоритму подаются данные с предварительной классификацией или разметкой. Например, обращения уже помечены как «просрочено» или «своевременно», или отнесены к определённым услугам каталога. Алгоритм обучается на этих данных и впоследствии способен классифицировать новые объекты. Пример: модель, обученная на исторических данных о входящих электронных письмах, автоматически определяет тип услуги и категорию обращения по тексту письма. Машинное обучение без учителя (unsupervised learning) применяется, когда предварительная разметка данных отсутствует. Алгоритм самостоятельно выявляет структуру данных, группирует объекты по схожести характеристик и обнаруживает скрытые закономерности. Пример: кластеризация обращений по признакам обработки для выявления групп с похожим поведением, которые затем анализируются на предмет связи с определёнными результатами (просрочка, удовлетворённость и т. д.).

Автор: Евгений Шилов

Рейтинг: 231

Теги: AI, ML, LLM, ИИ, машинное обучение, обучение сотрудников, учебные курсы, тренинги, управление запросами на обслуживание

## [Как обрабатываются запросы на доступ при использовании систем искусственного интеллекта и машинного обучения?](https://cleverics.ru/digital/kb-qa/kak-obrabatyvayutsya-zaprosy-na-dostup-pri-ispolzovanii-sistem-iskusstvennogo-intellekta-i-mashinnog/)

Запросы на доступ при использовании систем искусственного интеллекта и машинного обучения обрабатываются с учётом специфики этих технологий. Системы ИИ/ML рассматриваются как информационные ресурсы, для которых определяются системные роли с учётом особенностей работы с данными и моделями. Маршруты согласования включают владельцев данных, службу информационной безопасности и специалистов по данным. Политики управления доступом устанавливают требования к защите данных, используемых для обучения моделей. Доступ к моделям и результатам их работы также управляется через процесс управления доступом. Все действия фиксируются с использованием технологии WORM для обеспечения прослеживаемости.

Автор: Денис Денисов

Рейтинг: 227

Теги: AI, ML, LLM, ИИ, машинное обучение, безопасность, обучение сотрудников, учебные курсы, тренинги, общие вопросы менеджмента, управление доступом, IDM, ролевые модели, RBAC, ABAC, управление процессами, ИТ-процессы

## [Какой принцип должен соблюдаться при внедрении искусственного интеллекта в процессы с SLA и ответственностью перед бизнесом?](https://cleverics.ru/digital/kb-qa/kakoy-printsip-dolzhen-soblyudatsya-pri-vnedrenii-iskusstvennogo-intellekta-v-protsessy-s-sla-i-otve/)

Железный принцип, который нельзя нарушать: искусственный интеллект должен усиливать человека, а не заменять контроль. В процессах с SLA, ответственностью перед бизнесом и риском остановки сервисов полностью автономная работа ИИ в контуре принятия решений недопустима. Даже если модель демонстрирует высокую точность, окончательное решение должно оставаться за человеком. Это касается утверждения изменений, управления критической инфраструктурой, финансовых решений и любых действий, последствия которых могут быть значительными. ИИ может подготовить рекомендацию, проанализировать данные и предложить вариант, но утверждение и ответственность всегда остаются за специалистом. Нарушение этого принципа неизбежно приводит к инцидентам, репутационным потерям и разочарованию в технологии.

Автор: Игорь Фадеев

Рейтинг: 206

Теги: AI, ML, LLM, ИИ, машинное обучение, SLA, бизнес, ценность, бизнес-заказчик, общие вопросы менеджмента, управление инцидентами, управление конфигурациями, CMDB, управление релизами, управление рисками, управление уровнем услуг, SLM

## [Какие технические решения используются для реализации машинного обучения в IT-поддержке?](https://cleverics.ru/digital/kb-qa/kakie-tekhnicheskie-resheniya-ispolzuyutsya-dlya-realizatsii-mashinnogo-obucheniya-v-it-podderzhke/)

Для реализации машинного обучения в IT-поддержке могут использоваться как встроенные модули в ITSM-системах, так и внешние решения. Некоторые компании разрабатывают собственные решения на базе библиотек машинного обучения, таких как TensorFlow или FastText. Встроенные модули существуют у ряда вендоров ITSM-систем, однако при их использовании возникает вопрос гибкости настройки: для достижения высокой точности необходима тонкая настройка, включая очистку данных не только на этапе обучения, но и на этапе эксплуатации, а также специфическую настройку параметров алгоритма. Внешние модули обеспечивают большую гибкость, но требуют интеграции с ITSM-системой. Выбор между встроенным и внешним решением зависит от требований к гибкости настройки и готовности к интеграционным работам.

Автор: Евгений Шилов

Рейтинг: 184

Теги: AI, ML, LLM, ИИ, машинное обучение, ITSM, обучение сотрудников, учебные курсы, тренинги, поддержка пользователей, Service Desk, Help Desk

## [Что такое «спагетти-карта» в контексте процессного майнинга и как с ней бороться?](https://cleverics.ru/digital/kb-qa/chto-takoe-spagetti-karta-v-kontekste-protsessnogo-mayninga-i-kak-s-ney-borotsya/)

«Спагетти-карта» — это результат визуализации процесса, при котором на схеме отображается слишком большое количество связей и переходов между узлами, что делает невозможным выявление структуры, закономерностей и проблемных областей. Такая карта возникает из-за большого объёма данных и множества различных маршрутов, по которым проходят объекты. Для борьбы со «спагетти-картой» рекомендуется использовать алгоритмы машинного обучения, которые позволяют: сузить область анализа, выделив наиболее значимые параметры и маршруты; выполнить кластеризацию объектов, группируя обращения с похожими характеристиками обработки; выявить ключевые признаки, влияющие на результат процесса, и сосредоточить анализ на них. Таким образом, машинное обучение помогает перейти от хаотичной визуализации к целенаправленному анализу конкретных проблемных областей.

Автор: Евгений Шилов

Рейтинг: 171

Теги: AI, ML, LLM, ИИ, машинное обучение, обучение сотрудников, учебные курсы, тренинги, управление запросами на обслуживание