Automatización de la clasificación de incidencias mediante procesamiento del lenguaje natural en la empresa Inditex

Abstract

[CA] La gestió d’incidències tecnològiques és una prioritat crítica per qualsevol empresa que rebi un considerable volum diari d’aquestes. La multinacional Inditex s’enfronta a desafiaments sigificatius en la gestió d’incidències a causa de la naturalesa global de les seves operacions i la diversitat dels seus sistemes i plataformes tecnològiques, no obstant això, el procés de la seva classificació i distribució s’ha mantingut de manera manual fins al moment. En aquest treball de fi de grau, desenvolupat en el context de les practiques realitzades a l’empresa Inditex S.A., s’ha establert com a objectiu principal dissenyar i desenvolupar un sistema de classificació automatitzada de tiquets d’incidències utilitzant tècniques de Processament del Llenguatge Natural (PLN). Aquest sistema permetrà categoritzar automàticament els tiquets en múltiples classes predefinides, lo qual facilitarà l’assignació i resolució eficient de les incidències per part dels equips de suport tècnic. Per tal d’aconseguir aquest objectiu, s’estudiaran diferents mètodes per a la construcció d’un sistema de classificació mitjançant l’ús de tècniques de PLN, inclòs el preprocessament de text, l’extracció i selecció de característiques, així com l’entrenament de models de classificació. S’avaluaran diferents plantejaments i algoritmes d’aprenentatge automàtic tradicional i d’aprenentatge profund per aconseguir aquest objectiu.

[ES] La gestión de incidencias tecnológicas es una prioridad crítica para cualquier empresa que reciba un considerable volumen diario de estas. La multinacional Inditex se enfrenta a desafíos significativos en la gestión de incidencias debido a la naturaleza global de sus operaciones y la diversidad de sus sistemas y plataformas tecnológicas, sin embargo, el proceso de su clasificación y distribución se ha mantenido de forma manual hasta el momento.

En este trabajo de fin de grado, desarrollado en el contexto de las prácticas realizadas en la empresa Inditex S.A., se ha propuesto abordar este problema y por tanto se ha establecido como objetivo principal diseñar y desarrollar un sistema de clasificación automatizada de tickets de incidencias utilizando técnicas de Procesamiento del Lenguaje Natural (PLN). Este sistema permitirá categorizar automáticamente los tickets en múltiples clases predefinidas, lo que facilitará la asignación y resolución eficiente de las incidencias por parte de los equipos de soporte técnico.

Para lograr este objetivo, se estudiarán diferentes métodos para la construcción de un sistema de clasificación mediante el uso de técnicas de PLN, incluido el preprocesamiento de texto, la extracción y selección de características, así como el entrenamiento de modelos de clasificación. Se evaluarán diferentes enfoques y algoritmos de aprendizaje automático tradicional y de aprendizaje profundo para lograr este objetivo.

[EN] The management of technological incidents is a critical priority for any company handling a substantial daily volume of such issues. For the multinational Inditex, significant challenges arise in incident management due to the global scope of its operations and the diversity of its technological systems and platforms. Nevertheless, the process of classifying and distributing these incidents has remained manual up to now.

In this final degree project, conducted within the framework of an internship at Inditex S.A., we aim to address this issue by designing and developing an automated ticket classification system using Natural Language Processing (NLP) techniques. The primary objective of this system is to automatically categorize tickets into multiple predefined classes, thereby facilitating the efficient assignment and resolution of incidents by the technical support teams.

In order to achieve this objective, various methods for constructing a classification system using NLP techniques will be studied. This includes text preprocessing, feature extraction and selection, as well as training classification models. Different approaches and algorithms from traditional machine learning and deep learning will be evaluated to accomplish this goal.