Transcript
attraverso una live demo in modo pratico come queste capacità si possano tradurre nel service management quotidiano. Ok, quindi andiamo per ordine, parliamo di intelligenza artificiale, se pensiamo alla AI nel service management il riferimento va sicuramente a use case tradizionali come classificazione automatica del ticket, sintesi degli incident, generazione della knowledge base e chatbot, tutte queste leve servono a velocizzare il service desk e a migliorare l'esperienza. Il punto che però per me è importante introdurre oggi è quello relativo non tanto alla possibile introduzione di nuove capacità, ma come farlo in modo governato e sostenibile evitando di aggiungere complessità e sopportando quella che è un'adazione progressiva, il mercato è già in questa direzione e la sta seguendo, ad esempio come vi sto mostrando nella slide una ricerca di Deloitte di quest'anno, ci dice che oltre il 70% delle aziende ha introdotto l'intelligenza artificiale nel service management e che circa il 50% la sta utilizzando per automatizzare ed orchestrare, tuttavia solo una mironanza circa il 20% ha raggiunto una maltrudità realmente strutturale, questo gap poi se lo andiamo ad allargare anche a quello che ci siamo detti in passato è amplificato da quello che è l'everywhere work, quindi che ha aumentato la complessità tra strumenti e endpoint mettendo sotto pressione i dipartimenti e l'intelligenza artificiale diventa centrale non solo per automatizzare ma anche per semplificare l'ecosistema, ridurre il carico operativo, abilitare un modello realmente scalabile. Questo scenario emerge ancora più chiaramente dai dati riportati nel nostro report di Vantia e The Feature of ITSM Automation che vi invito a scaricare che trovate nella sessione documenti in alto a destra, che si basa su interviste da oltre 3.300 professionisti a livello globale, come si può leggere da questa slide le aspettative sull'intelligenza artificiale sono altissime, quasi tutti gli intervistati credono che la AI migliorerà il servizio, aumenterà l'efficienza e ridurrà il dicket, tuttavia quello che rimane veramente centrale è la lezione concreta ovvero oggi meno della metà dell'organizzazione automatizza in modo strutturato i processi di AI. La ricerca infatti mostra che l'automazione è diffusa solo su attività base, 67% ticketing, 60% pre-AMP, 58% di reset password, mentre resta limitato su use case avanzata come per esempio la protezione proiettiva o root cause analysis addirittura con 28%. Il risultato è un'automazione spesso frammentata senza orchestrazione dei processi come ad esempio un board e inglobigazione del ticket, creando un vero debito dell'automazione tra sistemi veloci ma non così intelligenti. A rallontare le evoluzioni poi incidono le barriere concrete, dati frammentati, compressità tecnologica e legacy con 38%, rischi di sicurezza sopra il 40% ed investimenti elevati con ritorni non sempre certi. E quindi il tema, e torno su questo punto perché per noi divanti è fondamentale, non è se usare l'AI oppure no, questo è inevitabile, il tema è siamo pronti ad usarla davvero perché alla fine, se ci pensiamo bene, l'AI funziona davvero solo quando ci sono tre elementi ben strutturati. Processi chiari non improvvisati, dati affidabili e correnti utilizzabili, automazione già presente nei flussi operativi. Se manca solo uno di questi tre elementi, l'intelligenza artificiale aiuta ma non riesce a far fare quel salto di qualità, non scala, non è consistente e non crea valore nel tempo. E questo è esattamente il punto di partenza del nostro approccio. Inivanti, interpretiamo l'intelligenza artificiale pertanto non come un layer aggiuntivo, ma come un elemento trasformativo dell'IT operativo, integrata all'interno dei processi, guidata dai dati e governata in modo strutturale. L'obiettivo per noi è passare da un modello reattivo a un modello proattivo, e soprattutto autonomo, in cui l'IT evolve verso una logica di prevenzione e di self healing. Questa visione si concretizza nella nostra piattaforma Inivanti Neurons, che unifica, come sapete, TSM e ITAM, sicurezza, tutto all'interno di un unico sistema, e nel nuovo modello che Inivanti sta proponendo, quello dell'autonomous endpoint management, dove asset, endpoint, utenti e servizi sono gestiti come un unico ecosistema connesso. Al centro di questo modello c'è il system of record, basato su Discovery e CMDB, per garantire dati affidabili, normalizzati e correlati. È questa base che rende l'AI efficace, accurata e conforme. Su questi dati operano agenti AI autonomi, orientate alle persone, capaci di gestire workflow end-to-end, tramite linguaggio naturale, per risolvere incidenti, ticket, senza l'intervento umano. L'approccio poi si completa, infine, con altre funzionalità, presenti all'interno della nostra piattaforma, che possono essere direttamente integrate e che sono direttamente capacità pro-active. La DEX, l'end-to-end, la sicurezza, il patching, l'hailsurfing, e l'estensione a tutto quello che è il mondo dell'enterprise service management, portando l'automazione anche oltre le etiche. Tutto questo modello, pertanto, come se voi lo immaginate, lo andate a vedere, si va a fondare su quelli che sono i tre pilastri fondamentali. Visione olistica senza silos, dati strutturati e governati, una governanza che rende l'AI scalabile, controllabile, allenata a quello che è il business. È qui che, in questo modello, Ivanti fa la differenza. Pertanto, ribadisco il concetto, non ci limitiamo ad automatizzare, ma a cambiare il modo in cui il servizio viene erogato, rendendolo più produttivo, in una logica di shift lab. Il risultato è un IT più efficiente, con servizi più rapidi, meno attività, soprattutto manuali, a basso valore, meno escalation e tempi di risoluzione più brevi, con una reale capacità di scalare. In sintesi, vediamo effetti chiari, migliore esperienza, migliore produttività, maggiore consapevolezza operativa ed una gestione più semplice e sostenibile. Ma andando al cuore, quindi, introducendovi a quello che poi sarà la demo che il collega Nicola vi mostrerà tra poco. All'interno di questa logica, Ivanti Neurons for ITSM può essere considerata come la piattaforma che rende tutto questo possibile grazie alle sue funzionalità di IA disegnate ed integrate direttamente all'interno della soluzione e che ritroviamo solo per i clienti SAS nel modulo Ivanti Intelligence, che lo possiamo definire non come un semplice motore di automazione logica, ma come quella chiave che rappresenta il passaggio d'automazione frammentata, vista ed utilizzata fino ad ora, ad un'automazione realmente intelligente e integrata dei processi. Pertanto, consideriamo Ivanti Intelligence come una componente aggiuntiva che include un insieme di capacità di intelligenza artificiale generativa nativamente integrata all'interno del nostro motore ITSM di Ivanti Neurons, progettata per supportare concretamente il lavoro del Service Desk, non come funzionalità isolate, ma come un supporto continuo lungo tutto il ciclo di gestione del servizio. L'obiettivo è molto semplice, ridurre l'effort manuale, aumentare la qualità delle risposte e liberare le capacità sui team, liberandole pertanto da attività manuali. L'intelligenza artificiale disegnata interviene direttamente sulle attività quotidiane del Service Desk, automatizzando quella che è la gestione di ticket. Li comprende, li sintetizza, genera contenuti utili a partire dalle attività svolte e rende tutto questo processo più veloce e più ordinato. Questo permette di superare, come dicevamo prima, una gestione irreattiva e frammentata e la evolve verso un modello più strutturato e scalabile. Il risultato di tutto questo è appunto un Service Desk più efficiente e meno operativo che evolve progressivamente verso un approccio proattivo orientato al miglioramento continuo, in sintesi, se vogliamo riassumerlo in due parole, il punto in cui possiamo definire l'antintelligenza, il punto in cui l'intelligenza artificiale smette di essere un supporto e diventa un driver attivo del servizio. Questa breve introduzione serviva soprattutto a voi a dare quello che è un quadro di quella che è la nostra ricerca che, come vi dicevo prima, potete scaricare all'interno del nostro box dedicato. Adesso passo la parola al collega Nicola che vi mostrerà con una semplice demo dedicata come questo sistema può rendere effettivamente il vostro Service Desk più efficiente, meno operativo e meno frammentato. Vai, Nic! Grazie mille, Riccardo. Buongiorno, ancora buongiorno a tutti. Grazie dell'introduzione. Allora, come vi anticipava Riccardo, oggi andiamo a vedere un po' più nella pratica quello che vi ho descritto fino adesso e quindi come in IVANTI abbiamo pensato di implementare poi l'intelligenza artificiale all'interno della nostra piattaforma. Vorrei fare una brevissima premessa perché si sente parlare tanto di intelligenza artificiale, di intelligenza artificiale agentica, non agentica con tutte le sue declinazioni. E quindi, intanto per dare un'idea di che cosa abbiamo messo in campo, abbiamo tutti sentito parlare nei mesi passati, negli anni passati del tema del chatbot. Il chatbot è un oggetto che ci permette di dialogare utilizzando uno script, un po' come potrebbe essere un risponditore automatico del centralino telefonico. Mentre invece l'AI agentica è tutt'altra cosa, nel senso che dietro a un flusso strutturato c'è però una parte intelligente basata sull'utilizzo di più entità che definiamo agenti, che collaborano fra loro e ciascuno si occupa effettivamente di una tematica. Quindi creare un sistema agentico permette poi di avere questa collaborazione fra i vari agenti e far sì che ciascuno poi si occupi del proprio tema. Nel nostro caso chiaramente parliamo di temi di service management e quindi avremo degli agenti che si occupano dell'incident, alcuni che si occupano del service request, altri del knowledge, e poi agenti, se volete, più generalisti che gestiscono la conversazione con l'utente, ne capiscono l'intento, il famoso intento, quindi che cos'è che stiamo chiedendo, che cos'è che vogliamo fare. Poi questi sistemi agentici possono essere integrati in tanti modi e quindi possono essere utilizzati o sfruttati da varie tecnologie. Inivanti abbiamo scelto di cominciare dal canale di Microsoft Teams e quindi creare effettivamente un'applicazione Microsoft Teams che non fa altro che utilizzare e collegarsi alla parte agentica che abbiamo sviluppato direttamente in piattaforma. Quindi una cosa sicuramente importante da dire come premessa è che la nostra offerta agentica è costruita direttamente all'interno di TSM, quindi ha un accesso diretto ai dati, al contesto, alle informazioni dell'utente, alle informazioni, ad esempio, dell'asset che quell'utente ha assegnato e così via. Quindi è un canale, se volete, privilegiato. E poi adesso vedremo nella pratica come si fa a interagire. Allora, l'obiettivo principale di questo implementare un'AI agentica è effettivamente supportare l'utente poi nell'aprire in una maniera sempre più semplice una segnalazione, un ticket, una richiesta al nostro supporto, al nostro service desk ma facendolo però in maniera intelligente. Quindi oggi vedremo come lo facciamo in Teams, come l'agente si rende conto del contesto nel quale ci muoviamo e quindi che cosa stiamo chiedendo e quindi fa conto su una sua knowledge base che può essere interna, cioè quella direttamente di TSM che gestiamo come processo parte integrante dei flussi IT che utilizziamo all'interno, che sfruttiamo all'interno dell'ITSM ma anche del knowledge esterno che noi possiamo configurare. Ovviamente l'intelligenza artificiale non è lasciata a se stessa completamente aperta, senza controlli ma ci sono dei guardrails che noi stessi possiamo poi impostare come amministratori per proteggere ovviamente e dirigere l'utilizzo dell'intelligenza artificiale. Quando abbiamo però capito qual è il problema abbiamo poi l'onere di andare a risolverlo e quindi potremmo utilizzare, possiamo utilizzare dei sistemi che, come raccontava prima Riccardo che sono attivamente integrati quindi quelli che noi chiamiamo degli healing bots in-bot che girano sulla piattaforma Neurons e che mi permettono di andare a fare in maniera attiva che girano sulla piattaforma Neurons e che mi permettono di andare a fare e anche proattiva delle remediation, quindi andare effettivamente a risolvere alcuni dei problemi o se non altro raccogliere per noi le informazioni. Dopodiché resta all'agente l'onere chiaramente di gestire e portare avanti il ticket come lo fa oggi, però con una serie di acceleratori e di supporti, quindi l'intelligenza artificiale non sostituisce l'umano ma si mette accanto e gli permette di accelerare alcune delle sue attività e permette di aumentare la qualità del suo lavoro. Semplicemente pensiamo alla scrittura e quindi come facciamo a comunicare ad esempio con i utenti, se abbiamo un sistema che ci aiuta a scrivere e raccogliere le informazioni direttamente sia dal contesto sia dal ticket che aggiungiamo noi, è chiaro che poi la qualità percepita anche dal lato utente, quindi da chi mi apre, poi una segnalazione è diversa, quindi la qualità aumenta. Se la qualità aumenta poi io posso anche utilizzare queste informazioni che metto insieme di qualità per creare un knowledge base sempre più nutrito e quindi migliorare ulteriormente il self-help, quindi la parte di deflection, quindi la possibilità di ridurre la pressione sul service desk per ticket di cui abbiamo già la soluzione di fatto nel sistema che è ben strutturata. Poi ci sono altri elementi più di gestione massiva quando abbiamo parecchi incidenti che vengono aperti o comunque abbiamo un grosso desk che deve gestire un grosso volume su temi magari comuni, abbiamo la possibilità di far fare all'intelligenza artificiale l'analisi dei ticket che abbiamo in ingresso e correlarli sulla base di una serie di criteri che noi impostiamo e possiamo modificare in maniera tale da capire che una serie di ticket sono tutti potenzialmente correlati alla stessa road cause e quindi aiutarci a non essere completamente soverchiati dalla quantità di ticket che riceviamo ma lasciarci quello spazio che ci serve per andare a effettivamente concentrarci sulla risoluzione e poi in automatico risolvere tutti tutti questi ticket. Chiaro che poi nel tempo dobbiamo pensare, l'idea è che vogliamo evolvere continuativamente e quindi andare a crescere e migliorare sia come eroghiamo il nostro servizio sia come raccogliamo le informazioni e qui ancora ci viene in aiuto l'intelligenza artificiale con la possibilità di andare puntualmente a creare dei meccanismi per raccogliere l'informazione puntuale, non tutti hanno gli stessi KPI o sono interessati alle stesse insight ma avendo noi a disposizione una piattaforma Locode abbiamo la possibilità di configurare delle regole che ci permettono di filtrare o recuperare puntualmente l'informazione che ci serve e il dato e registrarlo per poi visualizzarlo in report, dashboard o addirittura mandarci delle segnalazioni e utilizzare quell'informazione per migliorarci. Ok, quindi così di fatto creiamo un loop virtuoso che vedete qui e quindi andiamo a dalle informazioni che riceviamo traiamo valore dal lavoro che facciamo e costruiamo la nostra base di conoscenze in maniera tale che poi ci possa aiutare e sulla base di quelle informazioni di quella qualità che continua a migliorare andiamo a migliorare il servizio e così riduciamo la pressione e facciamo quell'attività di deflection che ci permette poi di concentrarsi sulle cose veramente importanti e quindi la risoluzione più veloce e effettivamente poi il miglioramento del servizio in generale. Andiamo a vedere come funziona l'interazione quindi agentica, allora come vi dicevo lo strumento che abbiamo scelto è Teams come primo step, per cui io normalmente come aprirei una conversazione con chiunque dei miei colleghi mi collego al mio agent e gli dico semplicemente guarda che ho problemi con il mio laptop e quindi non riesco a non funziona bene è molto lento oggi ok lui già sa chi sono chiaramente io sono loggato quindi sa chi sono ma sa anche perché abbiamo fatto bene il nostro lavoro abbiamo fatto la discovery degli us li abbiamo assegnati abbiamo messo nel nel cmdb e li abbiamo li abbiamo collegati al ai nostri utenti e quindi lui già sa che io ho questi device assegnati sono fortunato nel ebook e un macbook e mi dice ma su quale dei due ha il problema perché io so che appunto nei due e io gli dico guarda ho problemi su questo bene e quindi la gente poi comincia a farmi una serie di domande perché il suo obiettivo qual è e creare più contesto possibile e capire bene qual è la natura del mio del mio problema e quindi mi chiede ok ma quando è che ha cominciato ad essere lento mi da anche alcune alcune indicazioni e io gli dico ok sono sto stiamo parlando di office e quando uso le applicazioni di office diciamo non è ancora soddisfatto delle informazioni che gli ho dato e vuole sapere se io vedo se ho degli errori ad esempio se vedo degli errori se c'è qualche altra informazione che potrebbe aiutare per fare il troubleshooting io gli dico no basta guarda c'è solo un problema che l'app si blocca e i menù sono son lenti quello che lui poi va a fare e diciamo questa interazione di domande quante domande mi fa quanto approfondisce io lo posso configurare è chiaro che se ho degli utenti che si stufano presto di dialogare con l'intelligenza artificiale posso cercare di limitare al minimo questo mentre invece se voglio che progressivamente poi che l'intelligenza artificiale raccolga più informazioni possibile magari posso estendere questo questo ciclo diciamo di domande e approfondimenti. A questo punto sulla base di tutte le informazioni che gli ho fornito del contesto del mio sistema operativo del mio del della versione del mio del mio hardware del tipo del mio hardware il brand e così via può andare a cercare l'interno del knowledge base con tutta una serie di informazioni e trova effettivamente una serie di informazioni che mette insieme e digerisce quindi non mi sta dicendo vai a leggere un articolo che trovi qui e mi da un link e leggerò da solo no prende tutta la knowledge base che ha che è rilevante per quella tipologia di problematica e quel contesto me la mette insieme la ridigerisce di fatto mi crea un articolo ad hoc quindi delle informazioni ad hoc che io posso seguire per vedere se posso risolvere il mio problema da solo me lo leggo lo provo mi dice anche da dove ha preso le informazioni così posso controllare quali sono le fonti se sta prendendo fischi per fiaschi tutti noi abbiamo sentito parlare delle allucinazioni è chiaro che c'è tantissimo lavoro nel tenere diciamo l'intelligenza artificiale a bada e dargli quel contesto corretto per poter andare a recuperare le informazioni le informazioni servono davvero e poi darmi evidenza in maniera tale che io possa controllare effettivamente che cosa che da dove ha preso quelle informazioni quindi valida anche validare da un punto di vista poi umano allora io qui ho risposto detto guarda non sono riuscito a risolvere il mio problema e quindi lui mi propone ci sono due strade possibili per adesso una è quella di aprire un incidente e l'altra di mettermi in contatto direttamente con un agente diciamo non di intelligenza artificiale ma live che semplicemente è loggato in back end sull'itsm con la chat interna per cui potrei iniziare una conversazione con direttamente la persona oppure dire no guarda aprimi un incidente così poi lo gestiamo con con il canale ecco e qui arriva diciamo il bello il vantaggio dell'intelligenza artificiale ha raccolto un sacco di informazioni per me quindi di fatto ha tagliato tutta quella parte iniziale di dimmi chi sei dimmi quale asset hai dimmi qual è il problema descrivimelo no ha già fatto tutta quell'attività per me quindi tutto quel tempo se volete di base di helpdesk di primo livello lo ha lo fa per noi e quindi mi mette in ordine tutte le informazioni che ha raccolto fino adesso mi chiede un feedback sul contenuto e se effettivamente poi il contenuto del dell'insieme che hai assunto di fatto che ha fatto della nostra interazione fino adesso va bene io dico che va bene e a questo punto automaticamente perché come dicevamo prima siamo integrati in itsm lui può aprire un ticket e quindi creare direttamente il ticket assegnato a me con quelle informazioni andiamo a vedere come dove eccoci quindi questo è effettivamente l'incidente che è stato aperto a valle di quella conversazione che abbiamo avuto con l'intelligenza artificiale quindi già contestualizzata con un summary che ha creato in automatico la descrizione che avete visto prima con le informazioni un un assegnazione quindi al servizio qui abbiamo fatto una classificazione automatica utilizzando ancora un algoritmo di machine learning che all'interno della piattaforma quello di incident classification che io nel tempo diciamo ho addestrato passandogli delle informazioni sotto forma di chiaramente ticket passati con la loro catalogazione corretta e sono riuscito a determinare effettivamente che questo si tratta di una di una performance issue il ticket è stato assegnato in automatico dalla sorgente corretta e quindi io sono pronto a lavorarlo. Che cosa che cosa posso fare? Abbiamo parlato di strumenti che mi possono aiutare come analista nel fare il troubleshooting ad esempio utilizzare dei bot di neurons e quindi ad esempio lanciare un bot di diagnostica dettagliata. Allora io lo posso fare da qua ci sono varie strade e varie parrocchie alcuni preferiscono avere tutto integrato qui non avere accesso direttamente alla piattaforma neurons altri invece se io vado a vedere l'asset che ho non è un laptop semplicemente perché questa è la macchina live che è collegata all'ambiente che io posso che io posso farvi vedere ma sarebbe naturalmente il vostro laptop di cui abbiamo fatto la discovery e potrei andare direttamente nella parte di neurons platform andare a vedere i dettagli del mio del mio device su cui adesso non ci soffermiamo più tanto perché non è diciamo oggetto del ragionamento che vogliamo fare oggi ma anche qui possiamo andare a invocare direttamente l'intelligenza artificiale per aiutarci a fare quella diagnostica che vi dicevo adesso lo vediamo vediamo il tempo di ristabilire la mia la mia sessione sulla base dei risultati quindi che io qui della della della mia diagnostica quindi qual è lo stato della macchina quale sono qual è la lunghezza della coda del disco qual è il processo che utilizza più memoria quanto è pieno il mio disco e così via elementi chiaramente che mio disco e così via, elementi chiaramente che sono tutti configurabili. Adesso questo è un sono tutti configurabili adesso questi esempio che noi abbiamo messo in piedi per raccogliere i dati chiave di diagnostica e quindi io poi posso da qui, ad esempio, dire ho bisogno o ho problemi rispetto alla mia applicazione di Office 365 e allora lui in automatico mi va a recuperare tutte queste informazioni che di fatto già esistono, io potevo già farlo all'interno della piattaforma manualmente lanciandomi delle azioni, ma qui mi faccio addirittura aiutare dall'intelligenza artificiale e mi faccio dare tutti questi dettagli che lui poi raccoglie, mette insieme, mette qui in disponibilità e oltretutto ne dà anche una classificazione in termini di che cos'è che probabilmente mi sta creando il problema e quindi ho un concerne abbastanza alto di sette e quindi questi sono i processi che effettivamente mi creano un collo di bottiglia e potrebbero essere correlati al problema che ha l'utente. Ok, quindi io sono un bravo analista, ho fatto così, lanciando direttamente, poi vedendo i risultati da qua, oppure passando direttamente in contesto dal mio device, direttamente all'interno del device, della vista del device, neurons e quindi con tutti gli annessi e connessi incluso il eventuale remote control se ho bisogno di andare direttamente sulla macchina a vedere che cosa succede e quindi ho abbastanza informazioni per andare a informare e quindi a scrivermi, a riportarmi qui poi quali potrebbero essere, diciamo, gli step, i passaggi da fare per andare a fare un'eventuale analisi risoluzione. Adesso poi ognuno di voi si è lavorato al desk, comunque supervede quelli che lavorano al desk e sa che poi ciascuno ha le proprie, diciamo, peculiarità, modalità con il quale va a risolvere i problemi, i propri strumenti, però qui abbiamo un punto centrale di controllo dal quale possiamo lanciare quei test o addirittura lanciare installazioni o lanciare degli eseguibili sul sistema target per poter andare a raccogliere informazioni e effettivamente magari a patchare un sistema o fare un aggiornamento, forzare un aggiornamento attraverso, diciamo, l'application management e così via. Però tornando a noi, ho cominciato a fare questa attività e poi mi succede che devo inoltrare a qualcun altro questo ticket o perché ho finito il turno o perché vado in vacanza o per qualunque altro motivo o semplicemente perché non mi rendo conto che non ho le competenze per fare l'attività e allora quando questo ticket viene assegnato a qualcun altro vorrei, visto che non ne so niente, mi arriva, arriva nella mia coda, nella mia dashboard, dico guarda, ok, devo gestirmi questo incident. Ho uno strumento che l'intelligenza artificiale mi mette a disposizione, che abbiamo messo, è quello di poter fare un summary dello stato delle cose e quindi andare a dire ok ma che cosa è successo fino ad oggi all'interno di questo ticket? Il sistema va e va a raccogliere tutte le informazioni nell'activity, nella description, nel summary e mi crea un summary abbastanza dettagliato di quello che è il problema. Quindi io leggendo semplicemente questo senza andare a entrare in tutti gli elementi vado direttamente a gestirmi e capire quali sono i prossimi step che dovrei fare. Diciamo che vado avanti, mi rendo conto, faccio la mia diagnostica e posso andare a pensare di risolvere il mio incident. Adesso chiaramente per brevità io qua mi riporto alcune note che ho rispetto a una potenziale risoluzione della mia attività di analista, però queste note io le ho prese a mano su un pezzo di carta, non sono scritte molto bene e diciamo pronte per essere poi utilizzate come una risoluzione di una certa qualità. E allora ancora qui mi posso avvalere dell'intelligenza artificiale e quindi andare a chiedere io ho queste note per favore mettimele a posto in un formato con un testo scritto in inglese italiano e quindi posso cambiare nel tono, posso fare un summary, renderlo più lungo. In questo modo praticamente ho un editor a mia disposizione automatico che migliora notevolmente la qualità del mio scritto e delle mie attività. Posso così salvare questa risoluzione se sicuramente devo dare la mia definizione poi di quale effettivamente è la causa originante alla fine di tutta di tutta la mia analisi e crearmi questa risoluzione. Una volta che ho una soluzione pronta, una delle e ha funzionato bene perché chiaramente poi io posso validare con un'interazione con l'utente che tutto è andato a buon fine, posso da qui generarmi poi della competenza, del knowledge che metterò poi a disposizione direttamente dei miei utenti finali per una prossima interazione sia dal portale self service che eventualmente dal direttamente dal dall'agente come abbiamo come abbiamo visto prima. Do una mia categorizzazione, salvo questo articolo che entra a far parte integrante del knowledge, del flusso del knowledge perché sapete che chiaramente il knowledge non può andare direttamente pubblicato, ma viene poi passato attraverso tutto un flusso di validazione e pubblicato secondo un ciclo rigoroso di approval e validazione. Quindi così sono riuscito a farmi aiutare velocemente sia a trovare una soluzione al problema utilizzando degli strumenti automatizzati, sia poi a documentare questa soluzione per metterla a disposizione, quindi scalare e industrializzare la mia attività, creando poi del valore che resta all'interno della mia organizzazione e quindi progressivamente sveltendo tutto il processo. Ritornando un attimo brevemente a noi, quindi per riprendere un attimino il flusso abbiamo di fatto coperto questa prima questa prima riga, quindi siamo arrivati a vedere quali sono poi gli strumenti dell'analista messi a disposizione dalla piattaforma dell'intelligenza artificiale. Ci resta da vedere come nei casi in cui poi dobbiamo gestire in forma più massiva gli incident possiamo fare e quindi ad esempio andiamo a vedere che strumenti di nuovo ci mette a disposizione il machine learning per poter andare a vedere e guardare in contesto un po' più olistico il set di incident che arrivano al mio service desk. Quindi vedete che qui c'è un meccanismo che chiamiamo incident correlation, che non è altro che un sistema che va ad analizzare secondo dei criteri che noi possiamo impostare su una serie di parametri, campi, che andiamo a definire se un incidente o uno più incidente sono uno simile all'altro e poi da lì possiamo andare a creare dei cluster di incident. Quindi il sistema in automatico mi propone una serie di incident che ha analizzato che sono effettivamente potenzialmente correlati, vedete che in questo caso sono sempre sullo stesso dispositivo o comunque sono collegati a degradation delle performance e poi mi permette di dire di raggrupparli un po' per chi è abituato al discorso della gestione tramite master incident, poter direttamente da qui andare a raggruppare poi, è chiaro che potrebbero essere più di uno all'interno del cluster, io mi rendo conto come analista del service desk, che sì è vero ok sono simili però potenzialmente le cause potrebbero essere differenti, allora vado a fare il ragionamento di chi ha in mente la risoluzione, la ricerca della root cause e quindi più orientato a cercare effettivamente poi qual è il problem, qual è la root cause dietro e quindi vado a correlazione con il parent e creare quindi di fatto un master incident con dell'incident sotto, che vantaggi mi dà è che i vantaggi che ho qui è che mi concentro su meno incident che sono quelli chiave che ho identificato, quando li risolvo vado a propagare poi la risoluzione anche su tutti gli altri, adesso qui chiaramente è un set piccolo perché è il mio ambiente demo ma pensate se avessimo un problema diffuso e 20 30 50 persone mi aprono incident simili perché una certa applicazione ha problemi e quindi hanno bisogno di risolverlo tutti si rendono nel loro modo nel loro linguaggio mi aprono un incident e io mi rendo conto che effettivamente il problema alla fonte è soltanto uno. Poi se nel tempo abbiamo poi aggiunto la possibilità di aggiungere anche altri di questi incident allo stesso gruppo e quindi se la correlation non c'è ancora arrivata perché l'algoritmo non è ancora girato comunque ha un suo tempo di diciamo di valutazione poi della coda anche in funzione del carico della quantità di incident che ricevo posso aggiungere manualmente incident io al cluster quindi ho quello che possiamo chiamare effettivamente a buon titolo hello human in the loop e quindi la possibilità di andare a collaborare con quello che l'intelligenza artificiale ci ha dato per poter costruire diciamo un oggetto più dettagliato. Allora è chiaro che qua è un brevissimo accenno io sono andato visto sono sul mio parent incident e se stessi facendo una root cause analysis potrei andarmi a creare direttamente il mio problem in contesto e quindi già mi porto tutte le informazioni chiave di questo parent incident e lo diciamo informo chiaramente devo aggiungere poi l'informazione fare la mia lavorazione quando questo problem poi viene risolto a cascata vado a risolvere parent incident e vado a risolvere poi tutti gli incident correlati quindi diciamo qua abbiamo visto come l'intelligenza artificiale ci aiuta a industrializzare la diciamo risoluzione se volete di massa di un set di incident più grosso quindi non andiamo sul singolo. Come ultimo diciamo elemento che stavamo che stavamo vedendo era la possibilità di generarci gli insight e utilizzare quelli insight per poi prendere le nostre decisioni non solo utilizzando report ma insight e KPI puntuali che invece che invece possiamo costruire nelle dashboard. Vi accennavo prima che c'è chiaramente sempre abbiamo e possiamo costruire nelle dashboard. Allora vi accennavo prima che c'è chi l'aspetto relativo a avere una piattaforma no-code e quindi la piattaforma no-code vuol dire che io, come amministratore della piattaforma, posso andare a crearmi delle regole che mi aiutano a raccogliere le informazioni. Ad esempio, esempio molto semplice, entro qui nella parte delle business rule, vorrei andare, adesso vi faccio un esempio semplice, senza scendere troppo nei dettagli del tema, ma perché è quello che mi preme farvi vedere che ho la possibilità di creare in linguaggio naturale delle richieste per andare a filtrare il mio dato. Quello che vi ho aperto è quello che noi chiamiamo una business rule, quindi di fatto una regola che vado a mettere all'interno del sistema e che mi permette di andare a essere triggerata in certi particolari, con certi particolari criteri. Ad esempio, se io dicessi voglio mandare questa notifica, voglio mandare questa notifica soltanto quando il team owner non è il service desk. Prima avrei dovuto, diciamo, scrivermi io un expression qui, quindi diciamo se volete c'era un po' di gradino tecnologico da poter, da dover salire. Adesso abbiamo introdotto anche l'intelligenza artificiale dal lato dell'analista e quindi abbiamo cominciato a dare la possibilità all'amministratore di costruire dei filtri, delle regole di business con le quali andare puntualmente a triggerare in certe situazioni, ad esempio raccogliere informazioni, raccogliere dei KPI. Quando il ticket arriva a questo stadio devi salvare questo tipo di informazione in questo campo, oppure quando siamo in quel contesto devi mandare un'email a quella persona, e così via. Questo mi serve per, se volete, se stiamo guardando più agli insight, come dicevamo, i KPI per poter in maniera dinamica andare io a costruirmi le mie probe, quindi i miei punti di valutazione e salvarmi il dato direttamente all'interno dell'insight, così poi quando vado a fare la mia dashboard ho un dato puntuale su cui posso appoggiarmi, se le dashboard non dovessero bastarmi. Quindi questo è un aspetto, se volete, l'altro aspetto è il fatto che io poi possa utilizzare le dashboard con i KPI, ne abbiamo moltissimi a seconda del contesto, a seconda dei ruoli, questa poi non è la sede, poi chiaramente se vi interessa approfondiamo, però anche qui abbiamo pensato di darci un acceleratore, quindi dare la possibilità a chi poi utilizza il sistema di generarsi dei widget per queste dashboard in automatico, anche qui in linguaggia naturale e con l'intelligenza artificiale. Quindi vedete che il sistema di fatto sotto che cosa ha fatto, è andato a creare un dataset, che è quello che voi creereste normalmente, creando una search nel sistema e poi utilizzando quella search come feed, quindi come data source per questo widget, ha scelto per noi un certo tipo di grafico e poi ci permette di aggiungerlo a questa dashboard o crearne una nuova. Quindi tutta una serie di elementi che non sono solo relativi a recuperare le informazioni dell'incident, o aprire gli incident, quindi volti agli utenti finali, ma anche a supporto poi dell'analista e di chi il lavoro poi lo deve fare per risolvere i problemi e darne poi una valutazione, misurare e sulla base di quella misura poi migliorarsi, perché sappiamo che avere dei dati è fondamentale, però è anche fondamentale questi dati tenerli puliti, tenerli aggiornati e soprattutto tenere la loro qualità elevata, perché è chiaro che se ho dei dati input con qualità elevata, l'output che ne ho è di qualità elevata, viceversa purtroppo non si applica il contrario e quindi ottengo poi delle informazioni poco poco rilevanti. Con l'intelligenza artificiale questo tema è ancor più valido, nel senso che è fondamentale poi dare le informazioni corrette, di ottima qualità all'intelligenza artificiale in maniera tale che poi l'output che genera sia di qualità. Quindi io genero, abbiamo visto un articolo di Knowledge Base di buona qualità, vuol dire che il prossimo utente che ha quel problema otterrà una risposta di ottima qualità e quindi percepirà un livello di servizio elevato, avrà una soddisfazione elevata, risolverà il suo problema perché sarà chiaro come farlo e è in tutto un circolo virtuoso. Io mi fermerei qui, diciamo che ripasserei poi la parola brevemente a Riccardo per salutarci. Grazie Nick, ottimo lavoro come sempre e congratulazioni. Se vogliamo fare un breve riassunto di quello che abbiamo visto oggi, diciamo un antipasto perché già vi anticipo che in Q3 faremo un'ulteriore sessione su quella dell'intelligenza artificiale, Ivanti sta investendo moltissimo su queste capabilities e quindi sempre di più verranno inserite funzionalità che poco a poco vi andremo spiegando attraverso webinar tecnici di questa portata. La cosa fondamentale che mi preme ricordare è che soprattutto per noi di Ivanti l'IA, l'intelligenza artificiale è uno strumento che da solo non basta, funziona quando è inserita all'interno di un modello coerente, quello che Nicola ci ha appena illustrato, dati affidabili, processi integrati, governance chiaro, quindi l'IA non automatizza solo l'attività ma anche il servizio, l'anticipa, rende i problemi e i tipi funzionali ma soprattutto è uno strumento a supporto, questa per noi è una cosa molto importante a cui tengo molto sottolineare. Io con questo breve riassunto vi vorrei ringraziare per il tempo che ci avete dedicato, adesso risponderò a tutte le vostre domande, alcune mi sono arrivate in privato ecco perché poi ho scritto su domande e risposte, questa è la sezione, vi risponderemo in maniera puntuale e nulla, vi ringrazio molto per questa ora che ci avete dedicato e per qualsiasi informazione non esitate a contattare direttamente me, i miei colleghi di Ivanti e Nicola, va bene? Buona giornata a tutti, grazie mille. Grazie a tutti, arrivederci.
