في ظل التحديات التي تواجهها المؤسسات في استخلاص رؤى قيمة من كميات ضخمة من تذاكر الدعم التقني، طوّرت فرق تقنية المعلومات في نيفيديا نموذجًا ذكيًا يُعرف باسم ITelligence، وهو وكيل ذكي يعتمد على نماذج الذكاء الاصطناعي المفتوحة من نيفيديا، وخاصة نموذج Nemotron، لتحليل بيانات التذاكر بشكل متقدم. يهدف النظام إلى تحويل البيانات غير المنظمة في أنظمة إدارة خدمات تقنية المعلومات (ITSM) إلى رؤى تنظيمية دقيقة وقابلة للتنفيذ. تم بناء النظام على هيكل متكامل يتكون من عدة مراحل رئيسية. أولاً، يتم استخلاص البيانات من مصادر متعددة مثل أنظمة التذاكر، وسجلات الأجهزة، ومصادر الهوية، عبر عمليات استخراج وتحويل وتحميل دورية (ETL) بدلًا من التدفق الزمني، نظرًا لكون التأخير في التحديث غير مقبول في هذه الحالة. تُخزن البيانات في قاعدة بيانات رسمية (Graph Database)، حيث تمثل الكيانات مثل المستخدمين، التذاكر، والأجهزة كعقد، بينما تمثل العلاقات بينها كروابط (مثل "تم فتحها بواسطة"، "مخصصة إلى"). هذه البنية تتيح استعلامات متعددة الخطوات بسهولة، مما يصعب تحقيقه في الهياكل التقليدية. ثانيًا، يتم تعزيز كل تذكرة بمعلومات إضافية مثل مستوى التجربة، نوع الجهاز، أو موقع المستخدم، مما يمنح النظام سياقًا أعمق دون الاعتماد على مدخلات يدوية غير موثوقة. ثم، يتم استخدام نموذج لغة كبير (LLM) لتحليل السبب الجذري لكل تذكرة، حيث يُطلب من النموذج استخلاص كلمات مفتاحية دقيقة مثل "YubiKey" أو "Microsoft Authenticator"، بدلاً من الاعتماد على تصنيفات معيارية غير دقيقة. وقد أظهر نموذج llama-3_3-70b-instruct عبر منصة NVIDIA NIM أفضل أداء في هذه المهمة. بعد ذلك، تُجرى مهام توليد رؤى دورية تُستخدم فيها النماذج لتحليل أنماط محددة: مثل تحليل متوسط وقت الإصلاح (MTTR) لفهم أسباب التأخير، أو تقييم رضا العملاء للكشف عن نقاط الضعف، أو مراقبة التكرار في أسباب معينة للكشف عن مشكلات منظومة. تُولَّد هذه الرؤى تلقائيًا وترتبط بالهيكل التنظيمي، مما يسمح بتقديم تقارير مخصصة لكل فريق أو مدير. لضمان تفعيل هذه الرؤى، تم تطوير نظام إنذار موزع يُفعّل تنبيهات تلقائية عند تجاوز مؤشرات أداء محددة، مثل ارتفاع متوسط وقت الإصلاح أو انخفاض رضا العملاء. كما يمكن توليد نشرات دورية تلقائية، مخصصة لكل مدير، تتضمن ملخصات تنفيذية مدعومة بالذكاء الاصطناعي. فيما يتعلق بالواجهة، تم تجنب استخدام محادثات ذكية قائمة على RAG، نظرًا لصعوبة ترجمة الاستفسارات الطبيعية إلى استعلامات دقيقة في قاعدة بيانات معقدة، مما يؤدي إلى سوء فهم أو استعلامات خاطئة. بدلًا من ذلك، تم اختيار لوحة تحكم تفاعلية (مثل Grafana) تُعرض البيانات بشكل مرئي، مع دمج خدمة تلخيص ذكية. عند تطبيق فلاتر معينة، تُرسل البيانات إلى خدمة تلخيص تعمل عبر نموذج لغة كبير، لتوليد ملخصات تنفيذية تشمل الأسباب الشائعة، التحديات، والاقتراحات، مما يقلل الحاجة إلى مراجعة يدوية لكل تذكرة. هذا النموذج لا يقتصر على دعم تقني، بل يمكن تكييفه لتطبيقات أخرى مثل استجابة الحوادث الأمنية أو إدارة دعم العملاء، حيث يُحوّل البيانات غير المنظمة إلى رؤى استراتيجية فعالة، باستخدام الذكاء الاصطناعي والتحليل البياني بشكل متكامل.