РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ HELP DESK-СИСТЕМЫ ДЛЯ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ НА ОСНОВЕ ОБРАБОТКИ ЕСТЕСТВЕННОГО ЯЗЫКА И ДЕНОТАТИВНЫХ ГРАФОВ

​АННОТАЦИЯ

В статье предложен новый подход к построению интеллектуальной системы технической поддержки (HelpDesk) для промышленных предприятий, основанный на интеграции методов обработки естественного языка (NLP) и денотативных графов знаний. Разработана формальная модель инцидента на основе нечетких множеств, позволяющая классифицировать слабоструктурированные текстовые обращения с учетом доменной лексики. Предложен метод автоматического построения и обновления денотативного графа, отражающего причинно-следственные связи между симптомами, проблемами и решениями. Экспериментальное внедрение системы на промышленном предприятии продемонстрировало снижение среднего времени реакции на 73%, увеличение доли решений на первом уровне поддержки на 63 процентных пункта и рост удовлетворенности пользователей на 28%. Результаты подтверждают эффективность предложенного подхода для автоматизации и повышения качества IT-сервисов в промышленной среде.

Ключевые слова: HelpDesk, ITSM, обработка естественного языка, нечеткие множества, денотативный граф, база знаний, промышленное предприятие.

1. ВВЕДЕНИЕ

Цифровая трансформация промышленных предприятий требует модернизации систем технической поддержки (HelpDesk), которые часто работают на основе неавтоматизированных процессов (электронная почта, телефонные звонки), что приводит к потере обращений, увеличению времени реакции и невозможности анализа причин инцидентов [2, 9]. Существующие коммерческие ITSM-решения (IT Service Management) плохо адаптируются к специфике промышленной IT-инфраструктуры, характеризуемой высокой гетерогенностью (АСУ ТП, SCADA, ERP), особыми требованиями к безопасности и необходимостью учета производственного контекста [10, 11].

Актуальной научно-технической задачей является разработка адаптируемых и эффективных методов автоматизации HelpDesk, способных обрабатывать слабоструктурированные текстовые обращения на естественном языке и интегрироваться в существующую IT-среду предприятия [3, 7].

Цель работы — разработка и апробация интеллектуальной системы автоматизации технической поддержки, основанной на NLP, нечетких множествах и денотативных графах знаний, с оценкой её эффективности на реальном промышленном предприятии.

Научная новизна заключается в:

- предложении формальной модели инцидента на основе нечетких множеств для классификации слабоструктурированных обращений;

- разработке метода автоматического построения и обогащения денотативного графа знаний на основе исторических данных и документации;

- реализации алгоритма интеллектуальной маршрутизации заявок с использованием графа знаний и учёта загруженности специалистов.

2. МЕТОДЫ И МОДЕЛЬ

2.1 Архитектура системы

Система реализует сквозной жизненный цикл обработки заявки и включает модули:

- сбора обращений (веб-интерфейс, email, Telegram, REST API);

- предобработки текста (токенизация, лемматизация, извлечение именованных сущностей);

- классификации на основе метода опорных векторов (SVM) [4];

- построения и использования денотативного графа знаний;

- интеллектуальной маршрутировки заявок.

2.2 Модель инцидента на основе нечетких множеств

Для формализации текстовых обращений предложена модель, основанная на теории нечетких множеств [1]. Каждая заявка представляется в виде:

                                                                     ₍₁₎

где  — множество ключевых понятий, извлеченных из текста. Каждая частная модель ​ для категории  является нечетким множеством:

                                                                   ₍₂₎

Функция принадлежности  вычисляется на основе исторических данных о закрытых заявках.

2.3 Денотативный граф знаний

База знаний реализована в виде взвешенного ориентированного графа , где — вершины (симптомы, ошибки, решения, специалисты),  — дуги (семантические связи).

Граф строится автоматически на основе истории обращений, документации и оргструктуры [8, 13]. Для поиска решений используется алгоритм обхода графа с ранжированием результатов по весам путей.

3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

3.1 Программная реализация

- Система реализована с использованием стека технологий: Python 3.9, Django REST Framework, scikit-learn, spaCy, NetworkX, React, PostgreSQL, Elasticsearch, Docker.

3.2 Экспериментальное внедрение

Апробация проведена на АО «Сарапульский электрогенераторный завод» (июль–ноябрь 2025 г.). Результаты показали:

- снижение среднего времени реакции с 4.5 до 1.2 часа (–73%);

- увеличение доли решений на первом уровне с 38% до 62% (+63 п.п.);

- рост удовлетворённости пользователей с 3.2 до 4.1 балла (+28%);

- точность автоматической классификации — 89%;

- граф знаний вырос со 120 до 215 узлов и 570 связей.

4. ЗАКЛЮЧЕНИЕ

Разработанная система продемонстрировала высокую эффективность в автоматизации HelpDesk промышленного предприятия за счёт интеграции NLP, нечетких множеств и денотативных графов. Предложенные методы позволяют структурировать слабоформализованные обращения, автоматически находить решения и оптимизировать маршрутизацию.

Перспективные направления исследований: интеграция с IoT для предиктивной аналитики, применение моделей глубокого обучения для анализа тональности, развитие мобильных интерфейсов с дополненной реальностью.

Список литературы:

1. Zadeh L.A. Fuzzy sets // Information and Control. 1965. Vol. 8, no. 3. P. 338–353.
2. ITIL Foundation: ITIL 4 Edition. AXELOS, 2019.
3. Яруллин Д.В., Файзрахманов Р.А. Векторное представление множества рабочих нагрузок ИТ-специалистов // Математические методы в технологиях и технике. 2021. № 7. С. 41–45.
4. Pedregosa F. et al. Scikit-learn: Machine Learning in Python // JMLR. 2011. Vol. 12. P. 2825–2830.
5. Jurafsky D., Martin J.H. Speech and Language Processing. 3rd ed. 2020.
6. Bird S., Klein E., Loper E. Natural Language Processing with Python. O'Reilly, 2009.
7. Feldman R., Sanger J. The Text Mining Handbook. Cambridge Univ. Press, 2007.
8. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2020.
9. Калянов Г.Н. Консалтинг при автоматизации предприятий. М.: СИНТЕГ, 2005.
10. Симонович С.В. (ред.) ИТ-инфраструктура предприятия. СПб.: Питер, 2010.
11. ISO/IEC 20000-1:2018. Information technology – Service management.
12. Cormen T.H. et al. Introduction to Algorithms. 3rd ed. MIT Press, 2009.
13. Клесов А.А., Ландэ Д.В. Поиск знаний в Internet. М.: ДМК Пресс, 2017.