将新员工培训时间从 1 年缩短至 3 个月
借助 Elastic AI 助手，新员工可以在几个月内承担客户项目，同时借助生成式 AI 功能，对首席工程师的依赖度降低 90%。
将误报减少 75%
借助 Elastic Observability，Hexaware 在许多用例中显著减少了误报，包括一个用例中，误报从每周 1,000 个减少到仅 244 个。
借助 AI 助手，运营效率提高 50%
借助 Elastic AI 助手，Hexaware 从事托管服务客户项目的团队通过简化对实时见解的访问，运营效率提高了 50%。
在几秒钟内检索关键 KPI 数据和图表
借助 Elastic AI 助手，员工可以在几分钟而不是几小时内检索 KPI 数据并请求自定义图表。
先进的 AI 和机器学习助力 Hexaware 在竞争激烈的托管服务领域取得进步
许多 IT 公司声称自己是“AI 优先”，但很少有像总部位于印度的 IT 服务公司 Hexaware 那样体现这一点的。Hexaware 拥有 30,000 名员工和 13 亿美元的收入。Hexaware 有 80% 的员工获得了高级 AI 技能认证，其对这一愿景的承诺体现在其密集的员工培训和 AI 驱动的增长中。
Hexaware 已将 Elastic 置于其 AI 路线图的核心位置，这已经改变了企业及其客户的 IT 运营。它部署了 Elastic 可观测性，以检测和解决系统异常。此外，企业还实施了 Elastic AI 助手，这是一种生成式 AI 工具，使用户能够与 Elastic 进行交互，以执行诸如警报调查、事件响应和使用自然语言生成查询等任务。
生成式 AI：推动转型
Hexaware 产品战略与创新副总裁 Sanjesh Rao 表示，Elastic AI 助手正在两个关键领域推动 IT 转型。首先，它使 Hexaware 能够直接从大学招聘优秀工程师，并将他们迅速整合到客户项目中，作为其“Mavericks 计划”的一部分。
这些新员工不再需要记住复杂的错误代码。只需单击代码，即可触发 Elastic AI 助手，以提供有价值的上下文、潜在原因和建议的解决方案。这不仅提高了新员工的生产力，还将对首席工程师的依赖度降低了高达 90%。
“我们的 Mavericks 计划利用 Elastic AI 助手来加速入职和在职培训。这使我们能够在短短三个月而不是一年甚至 18 个月内部署新的人才。”
Elastic AI 助手还简化了应用程序和服务监控。Hexaware 员工无需检查数十个仪表板和数百个 KPI，只需用通俗的英语输入问题，例如“这项服务在午夜到早上六点之间是如何运行的”。然后，Elastic AI 助手会回复，列出在此时间段内发生的异常情况。员工可以跟进进一步的问题，例如“当这些异常发生时是否有任何交易失败”。这使 Hexaware 团队的运营效率提高了 50%，并提高了平均解决时间 (MTTR)，从而提高了客户部署的性能、稳定性和弹性。
Sanjesh 对 Elastic AI 中的自动化图表功能也印象深刻，该功能可以根据最终用户的提示绘制异常、事务和其他重要 KPI。“我可以在几分钟甚至几秒钟内获得所有这些信息。以前，这些步骤可能需要一个小时或更长时间，”他说。
Hexaware 员工已经在数十个场景中使用 Elastic AI 助手。 Sanjesh 举了一个例子，一位工程师请求绘制吞吐量和延迟的相关图表。另一个用例涉及 Elastic 服务级别目标 (SLO)，Hexaware 将其用于大约 25 个应用程序。“我不用浏览数十页来找出哪些错误预算已超出，只需输入‘告诉我哪些 SLO 在预算内，哪些违反了这些阈值’。我只需两秒钟即可得到回复，”Rao 说。
Elastic AI 助手示例
机器学习助力可观测性
Hexaware 还在 Elastic Observability 中利用机器学习来提高支持团队的效率，从而减少误报。在一个实例中，每周警报的数量从 523 个降至 22 个。误报减少 96% 以上，这使得工程师可以专注于更有价值的任务。
Elastic AI 机器学习示例
除了帮助支持团队更快地解决问题外，Elastic Observability 还具有高度的灵活性。 Hexaware 使用它来支持其全方位可观测性计划，该计划包括对基础设施、应用程序和用户体验的监控。
Sanjesh 还区分了 Elastic Observability 和其他应用程序性能监控工具（如 Dynatrace 和 AppDynamics），后者配置、灵活性和对特定客户需求的开放性较低。“Elastic 的功能（如无监督学习、监督学习以及第三方模型入职和训练）非常宝贵。你在市场上其他产品中找不到这些功能。”
生成式 AI 的未来
Sanjesh 和他的团队已经向客户展示了许多这些自动化功能，客户对 Elastic 的高级监控工具赞不绝口。这包括 Elastic Cloud 中的自我修复技术，例如在关键流程以满负荷运行时添加虚拟机的自动缩放。然后，该工单会被分配给故障排除团队以进行进一步调查。“Elastic Observability 给客户带来了真正的‘哇’效果，”Rao 说。“他们中的许多人已经要求为其关键任务应用程序提供价值证明 (POV)。”
展望未来，Sanjesh 认为 Elastic 生成式 AI 工具和 Elastic Observability 将进一步推动 Hexaware IT 运营的自动化，尤其是在呼叫中心和其他支持活动中。借助 Elastic Observability，团队可以通过在问题影响最终用户之前预防问题来主动减少支持工单量。 Elastic 的 ELSER 检索模型使企业能够根据上下文含义和用户意图执行语义搜索，这在这一转型中起着至关重要的作用。其中一个例子是 Hexaware 与一家欧洲能源公司的合作，该公司由于 ServiceNow 中历史数据利用不足而导致事件响应延迟。借助 Elastic 的 ELSER 模型，Hexaware 集成了一个主动解决方案，该解决方案会自动匹配相关的历史事件，并使用 AI 生成的摘要进行丰富。这使平均故障排除时间 (MTTR) 减少了 40%，事件匹配准确率达到了 92%。
在另一个针对美国医疗保健提供商的示例中，处理来自大型表格健康保险数据的复杂查询效率低下。通过利用 Elastic 的 ELSER 模型和 Azure OpenAI，Hexaware 提高了响应准确性和速度。该解决方案的准确率达到了 90%，查询速度提高了 40%，并提高了客户满意度。
“当工单被提出时，可以使用生成式 AI 来增强查询并搜索类似的过去问题。通过识别相关的知识库文章，系统可以自动为员工提供解决方案，从而大大减少对人工坐席和呼叫中心的需求，”他说。
