論文の概要: Designing AI Pipelines for Decision-Ready ITSM Intelligence
- arxiv url: http://arxiv.org/abs/2608.12670v1
- Date: Thu, 13 Aug 2026 00:09:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.350911
- Title: Designing AI Pipelines for Decision-Ready ITSM Intelligence
- Title（参考訳）: 決定対応ITSインテリジェンスのためのAIパイプラインの設計
- Abstract要約: ITサービス管理(ITSM)システムは、大量の異種チケットデータを蓄積する。
本稿では、生の輸出を多段階の意思決定支援アーティファクトに変換する社会技術AIパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 36.94429692322632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: IT service management (ITSM) systems accumulate large volumes of heterogeneous ticket data that are difficult for sales and executive stakeholders to convert into actionable intelligence. This paper presents a sociotechnical AI pipeline, designed and evaluated following design science research principles, that transforms raw ITSM exports into a multilevel decision-support artifact. The pipeline combines LLM-based schema normalization, HDBSCAN sub-topic clustering, and hierarchical agglomerative clustering to generate executive-facing Main-topics and granular Sub-topics. A stakeholder evaluation across six artifacts and five raters from Sales Engineering and customer success roles shows that all four decision-support metrics, interpretability, actionability, trust, and likelihood of use, on average exceed 4.0 out of 5.0, with trust as the most consistent signal. The findings position ITSM analytics as an Information Systems (IS) problem of transformation, abstraction, and human-centered design.
- Abstract（参考訳）: ITサービス管理(ITSM)システムは、営業や経営関係者が行動可能なインテリジェンスに変換するのが困難な不均一なチケットデータを大量に蓄積する。
本稿では、生のTHEM輸出を多段階の意思決定支援アーティファクトに変換する、設計科学の原則に従って設計・評価された社会技術AIパイプラインを提案する。
このパイプラインは、LLMベースのスキーマ正規化、HDBSCANサブトピッククラスタリング、階層的な集約クラスタリングを組み合わせて、エグゼクティブ対応のメイントピックとグラニュアルサブトピックを生成する。
6つのアーティファクトと、セールスエンジニアリングと顧客成功の役割から5つのラッカーで評価されたステークホルダーは、4つの意思決定支援指標、解釈可能性、行動可能性、信頼、使用可能性の全てを、信頼が最も一貫したシグナルである5.0の4.0以上で示している。
この結果から,ITS分析を変換・抽象化・人間中心設計における情報システム(IS)問題として位置づけた。
関連論文リスト
- ANASSA: An Agentic AI Orchestration Framework for Spatial Intelligence [0.0]
ANASSAは空間システムのためのエージェントAIオーケストレーションフレームワークである。
構造化空間推論、マルチエージェントワークフローオーケストレーション、実行フィードバック、権威的空間検証、証明、不確実性処理、人間決定権限を統合システム設計に統合する。
論文 参考訳（メタデータ） (2026-09-13T22:35:26Z) - Towards Autonomous Business Intelligence via Data-to-Insight Discovery Agent [30.464965380711334]
AIDA(Autonomous Insight Discovery Agent)は、複雑なビジネス環境での自律的な探索のために設計された、最初のエンドツーエンドフレームワークである。
我々の研究は、最終的に産業規模のビジネスインテリジェンスシステムにおける自律的知能の変革の可能性を確立します。
論文 参考訳（メタデータ） (2026-05-08T03:49:41Z) - FT-Dojo: Towards Autonomous LLM Fine-Tuning with Language Agents [25.60249598832918]
FT-Dojoは5つのドメインにわたる13のタスクからなる対話型環境である。
我々は、評価駆動フィードバックを活用することで、人間の専門家を模倣する自律システムFT-Agentを開発した。
論文 参考訳（メタデータ） (2026-03-02T10:37:11Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - Scaling Generalist Data-Analytic Agents [95.05161133349242]
DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。
DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
論文 参考訳（メタデータ） (2025-09-29T17:23:08Z) - LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。
LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
論文 参考訳（メタデータ） (2025-09-28T17:31:38Z) - WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。
我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。
WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
論文 参考訳（メタデータ） (2025-09-16T17:57:03Z) - Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。
高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。
CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文 参考訳（メタデータ） (2025-01-17T17:51:22Z) - Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation [1.6230958216521798]
本研究では,事前学習された大規模言語モデル(LLM)を活用する可能性について検討する。
推論コアとしてChatGPT APIを採用することで、自然言語処理、メソノロジーベースのプロンプトチューニング、トランスフォーマーを含む統合ワークフローを概説する。
我々の方法論の成果は、広く採用されているオントロジー言語(OWL、RDF、SPARQLなど)の知識グラフである。
論文 参考訳（メタデータ） (2024-05-29T16:40:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。