Puolustusvoimien Palvelukeskus vastaanottaa kuukausittain tuhansia tuki- ja palvelupyyntöjä. Valtiovarainministeriön hankerahoituksen avulla tehtiin kokeilu, jossa koneoppimisella ja tekstianalytiikalla ratkotaan ja luokitellaan tikettejä automaattisesti.

Suuressa organisaatiossa, jossa sekä käyttäjiä että tietojärjestelmiä on paljon, myös erilaisia ongelma- ja vikatilanteita syntyy usein. Puolustusvoimissa tehdään kuukausittain jopa 5000 sähköistä tuki- ja palvelupyyntöä, joita ratkotaan tikettien perusteella. Valtaosa palvelupyyntöjen tekijöistä käyttää tiketöintijärjestelmää harvoin ja siksi palvelupyynnöt eivät aina päädy oikeaan osoitteeseen. Tämä aiheuttaa lisätyötä ja viivettä palveluprosessin käsittelyssä.

Koneoppimisen hyödyntämistä ongelman ratkomisessa oli Puolustusvoimien Palvelukeskuksessa pyöritelty jo pidemmän aikaa. Tilaisuus tarjoutui valtiovarainministeriön avatessa syksyllä 2018 rahoitushaun, jolla kannustettiin valtion virastoja yksinkertaistamaan ja automatisoimaan palveluja.

”Olimme pallotelleet jo aiemmin ideaa koneoppimisen hyödyntämisestä palvelupyyntöjen teossa. Valtiovarainministeriön rahoitushaun myötä lähdimme kirkastamaan ideaa, ja saimme rahoituksen hankkeellemme, joka tähtäsi hallinnollisen taakan vähentämiseen tekoälyn ja tekstianalytiikan avulla”, kertoo Palvelukeskuksen Jaakko Vesanen.

Chatbot hyödyntää valmiita komponentteja ja tehostaa palvelua

Konseptia lähettiin aluksi kehittelemään viikon välein järjestettävissä työpajoissa, joissa keskustelun ja iteroinnin myötä päästiin kiteyttämään varsinainen konsepti. POC päästiin aloittamaan ketterästi yhteistyössä entuudestaan tutun kumppanin, Digian kanssa.

”Alkuhaasteena meillä oli uuden prosessin konseptointi ja sen pohtiminen, miten voisimme käyttää tekstianalytiikkaa ja koneoppimista parhaiten hyväksi. Kyseessä ei siis ollut mikään perinteinen chatbot, vaan taustalle haluttiin jotain enemmän”, Vesanen kertoo.

Suunnitellun chatbotin ytimessä on käyttäjäystävällisyys: kun käyttäjä havaitsee ongelman, oikean ilmoituslomakkeen etsimisen sijaan hän voi kuvata ongelman vapaasti botille. Tekstianalytiikan ja koneoppimisen avulla chatbotin taustalla toimiva koneoppimismalli etsii ongelmaan vastausta tietokannasta ja ehdottaa ratkaisua. Q&A-tyyppisen lähestymisen ansiosta chatbot pystyy ratkaisemaan osan ongelmista suoraan, jolloin tikettien määrä vähenee.

Jos ongelma ei ratkea, chatbotin taustalla oleva koneoppimismalli etsii oikean palveluluokan ja kysyy tiketin luontiin tarvittavat kysymykset, jonka jälkeen tikettilomake lähtee ratkaistavaksi. Chatbot rakennettiin Azure-pilvipalveluihin kuuluvien komponenttien avulla, jotka löytyivät valmiiksi Puolustusvoimien käytöstä.

Yhteistyö Digian kanssa sujui tiiviissä ja hyvissä merkeissä.

”Sovitut tehtävät ja aikataulut pitivät ja lopputuloksena oli demototeutus ajallaan ja budjetissa”, Vesanen sanoo.

Entä jääkö chatbot-kokeilu elämään?

”Kokeilu antoi meille hyvät perusteet chatbottien kehitykseen. Saimme syötteitä Puolustusvoimien muihin orastaviin chatbot-hankkeisiin, sekä ymmärrystä ja kokemuksia, joita jakaa talon sisällä eteenpäin”, Vesanen päättää.