# Introduzione L'assistenza IT è un settore critico per l'efficienza operativa, ma rimane sfidante a causa di ingressi testuali noiosi, stili di scrittura soggettivi e classifiche imbarazzanti. Un nuovo studio riscontra due famiglie di approcci per la priorizzazione delle richieste IT: pipeline basate su embedding che combinano riduzione dimensionalità, clusterizzazione e classificatori classici, e un modello multilingue fine-tunato che processa sia caratteristiche testuali che numeriche. ## Risultati del confronto Gli embedding-based methods esibiscono limitazioni nel generalizzare su una vasta gamma di trenta configurazioni con clusterizzazione che non riesce a scoprire strutture significative e modelli supervisionati molto sensibili alla qualità degli embedding. In contrapposizione, il modello proposto raggiunge prestazioni molto superiori con un punteggio medio F1 del 78,5% e valori kappa pesati di quasi 0,80, indicanti una forte alineazione ai segnali reale. ## Implicazioni tecnologiche Queste prestazioni evidenziano le limitazioni delle generiche embedding per i dati ITSM ed esibiscono l'efficacia degli architetture dominate da AI per la priorizzazione operativa delle richieste IT. Il modello in questione rappresenta una nova generazione di modelli LLM che utilizzano un'addestramento multi-lingue per gestire sia caratteristiche testuali che numeriche, dimostrandosi particolarmente efficaci nel processare ingressi soggettivi e noiosi. ## Conclusioni Questo studio sottolinea l'importanza della fine-tunatura delle architetture dominate da AI per affrontare le sfide specifiche dei dati ITSM, evidenziando un cammino incolmato verso una priorizzazione più efficace e flessibile delle richieste IT.