С появлением микросервисов и практик DevOps функции развертываются чаще, чем раньше. Это отлично подходит для разработки, но создает проблемы для организации поддержки клиентов. Существующие функции обновляются, а новые функции запускаются постоянно, часто с плохой документацией и недостаточным тестированием. Служба поддержки остается позади, и не видно, какие функции вызывают большое количество обращений в службу поддержки.
Платформы для продажи билетов, такие как Zendesk, предоставляют возможность пометить билеты, но часто инженеры службы поддержки не имеют полного представления о последнем стеке технологий, чтобы добавить правильный тег. Следовательно, большинство тегов на платформах продажи билетов либо неполные, либо отсутствуют, либо относятся к очень широким областям продукта, что делает их менее действенными.
Необходим новый подход для автоматического и динамического определения того, какой детализированной функции соответствует запрос в службу поддержки, а также что послужило причиной обращения (ошибка, проблема с документацией, проблема с производительностью и т. д.). Это не только помогает инженерам службы поддержки быстрее решать проблемы, но и позволяет получать аналитические данные о стоимости поддержки различных функций. По мере того, как инженеры добавляют в продукт новые функции, мы должны динамически генерировать новые теги, чтобы не отставать от поддержки.
Мы проанализировали проект Tensorflow с открытым исходным кодом на Github и представляем результаты ниже. Мы проанализировали все открытые и закрытые проблемы на Github для Tensorflow, которые были созданы не участниками проекта (прокси для пользователей/клиентов). Мы получили последний список функций из примечаний к выпуску и документации по продукту и выполнили интеллектуальное сопоставление функций и проблем. Формируем 3 основных отчета:
- Функции с наибольшим количеством проблем
- Наиболее распространенные причины проблем
- [Самое интересное] Функция, вызывающая сопоставление (например, какие функции имеют наибольшее количество сообщений об ошибках).
Функции с наибольшим количеством проблем
Функции с наибольшим количеством проблем: keras, train, data, estimator, sysconfig и другие. По этому показателю это также наиболее популярные функции Tensorflow. Что означают эти функции, вы можете узнать здесь.
Наиболее распространенные причины проблем
Как и ожидалось, самой частой причиной проблем было наличие ошибки или бага, на долю которых приходилось 74% всех проанализированных проблем. Проблемы, связанные с документацией, составили 13% от общего числа — легко висящие плоды для улучшения документации, чтобы уменьшить количество проблем и улучшить качество обслуживания клиентов.
Функция для причинного сопоставления
Это самый интересный и действенный раздел для менеджеров по продукту и техподдержке. Он предоставляет области улучшения для детальных функций для менеджеров по продуктам. Для менеджеров службы поддержки он показывает, в каких областях руководства по поддержке клиентов и базы знаний могут быть улучшены путем добавления информации о конкретных функциях.
Чтобы придать этому анализу некоторую окраску, ниже приведены несколько проанализированных вопросов и связанные с ними результаты:
- Проблема: Ошибка преобразования модели .pb в .tflite, которая была помечена как функция/модуль: lite и причина: ошибка.
- Проблема: [Документация API TF 2.0] tf.io.write_file, который был помечен как функция/модуль: io и причина: документация.
Если вам понравился этот анализ и вы хотели бы видеть такие результаты для своего продукта (с открытым или закрытым исходным кодом), пожалуйста, зарегистрируйтесь здесь. Если вы хотите помочь с этим проектом или просто поделиться своими мыслями и отзывами, напишите мне сообщение на этот адрес электронной почты.
Предостережение. В некоторых исключительных случаях система выдает ложные срабатывания. Мы все еще обучаем систему, чтобы сделать ее более точной.
