Akademik Veri Yönetim Sistemi
AL FARABI 13th INTERNATIONAL SCIENTIFIC RESEARCH AND INNOVATION CONGRESS, Tekirdağ, Türkiye, 17 - 18 Ekim 2024, ss.397-406, (Tam Metin Bildiri)
Bu çalışmada, Bilgi Teknolojileri Hizmet Yönetimi (ITSM) süreçlerine makine öğrenmesi modellerinin entegrasyonunun potansiyeli ve uygulama alanları incelenmiştir. Araştırmada, ITSM içerisindeki olay ve kritik arıza tespit süreçlerini optimize etmek amacıyla çeşitli makine öğrenmesi algoritmalarının performansı analiz edilmiştir. Karar Ağaçları, Yapay Sinir Ağları, Destek Vektör Makineleri, Rastgele Ormanlar, Gradient Boosting, genetik algoritmalar, kümeleme yöntemleri, pekiştirmeli öğrenme ve Bayes ağları gibi on farklı makine öğrenmesi modeli kapsamlı bir şekilde ele alınmıştır. Çalışmanın temel amacı, ITSM süreçlerinin verimliliğini artırarak daha hızlı ve doğru sonuçlara ulaşmayı sağlayacak makine öğrenmesi modellerinin nasıl kullanılabileceğini araştırmaktır. Bu kapsamda, veri ön işleme, model eğitimi, doğrulama ve test aşamaları titizlikle incelenmiş; olay tespit süreçlerinde çözüm süresi tahmini, olay hizmet tahmini, tekrarlayan olayların belirlenmesi ve müdahale sürelerindeki anomalilerin tespiti gibi kritik işlevler üzerinde durulmuştur. Çalışma, bu işlevlerin ITSM süreçlerinde nasıl geliştirilebileceğini gerçek zamanlı veri akışları ve karmaşık IT altyapıları bağlamında ele almıştır. Buna ek olarak, çalışmada kullanılan makine öğrenmesi modellerinin performansı gerçek dünya senaryolarında değerlendirilmiş, bu süreçlerde karşılaşılan zorluklar ve bu zorlukların aşılmasına yönelik çözüm önerileri detaylı olarak sunulmuştur. Elde edilen sonuçlar, makine öğrenmesi modellerinin ITSM deki olay ve kritik arıza tespiti süreçlerinde sağladığı operasyonel faydaları ve sınırlamaları ortaya koymuştur. Sonuç olarak, ITSM alanında makine öğrenmesi teknolojilerinin etkin kullanımına dair stratejik öneriler sunulmuş ve gelecekteki araştırmalar için yön gösterici bir kaynak oluşturulmuştur.
This study examines the potential and application areas of integrating machine learning models into Information Technology Service Management (ITSM) processes. The research analyzes the performance of various machine learning algorithms to optimize incident and critical fault detection processes within ITSM. Ten different machine learning models, including Decision Trees, Artificial Neural Networks, Support Vector Machines, Random Forests, Gradient Boosting, genetic algorithms, clustering methods, reinforcement learning, and Bayesian networks, have been comprehensively evaluated. The main objective of the study is to investigate how machine learning models can be utilized to enhance the efficiency of ITSM processes, enabling faster and more accurate outcomes. In this context, data preprocessing, model training, validation, and testing phases were rigorously examined. The study focuses on key functions in incident detection processes such as resolution time estimation, service prediction, identification of recurring incidents, and anomaly detection in response times. The research explores how these functions can be improved within ITSM processes, considering real-time data streams and complex IT infrastructures. Additionally, the performance of the machine learning models used was evaluated in real-world scenarios, and innovative solutions were proposed to overcome the challenges encountered during these processes. The results highlight the operational benefits and limitations of machine learning models in ITSM’s incident and critical fault detection processes. In conclusion, strategic recommendations for the effective use of machine learning technologies in ITSM are provided, offering a foundation for future research in this area.