| Bezeichnung |
Geben Sie einen eindeutigen Namen für die Ähnlichkeitslösung ein. In diesem Anwendungsfall können Sie beispielsweise Incidents mit Wissensartikeln abgleichen. |
| Name |
Wenn Sie eine Lösungsbezeichnung eingeben, wird dieses Feld automatisch mit einem vom System zugewiesenen Namen gefüllt, der Ihrem Bezeichnungswert ähnelt. |
| Wortkorpus |
Wenn Sie eine veraltete Ähnlichkeitslösung haben, können Sie einen relevanten Wortkorpus aus dem Feld Wortkorpus im Definitionsformular auswählen.
Hinweis: Mit Release Washington DC ist kein Wortkorpus mehr erforderlich, da stattdessen ein vortrainiertes Modell verwendet wird. Das Feld Wortkorpus ist im Definitionsformular für vortrainierte Modelle nicht sichtbar.
Weitere Informationen finden Sie unter Wortkorpus erstellen. |
| Tabelle |
Wählen Sie in der ersten Spalte des Formulars die Tabelle mit den Datensätzen aus, die Sie mit anderen ähnlichen Datensätzen vergleichen möchten. In diesem Anwendungsfall wählen Sie die Tabelle Incident [incident] aus, die die Datensätze mit den zu lösenden Incidents enthält.
Wenn Sie einen Tabellenwert zuweisen, erscheint ein Link im Formular, der die Anzahl der Datensätze zeigt, die mit ihren aktuellen Bedingungen übereinstimmen. |
| Testtabelle |
Wählen Sie in der zweiten Spalte des Formulars die Tabelle mit den Datensätzen aus, die Sie mit den Datensätzen in der ersten Spalte vergleichen möchten. In diesem Anwendungsfall wählen Sie die Tabelle Wissen [kb_knowledge] aus, die die Datensätze mit den Artikeln aus der Knowledge Base enthält, in denen möglicherweise Informationen über die zu lösenden Incidents zu finden sind. Hinweis: Die Anzahl der Datensätze, die im Ähnlichkeitsfenster für Suchergebnisse abgerufen werden können, ist auf 100.000 beschränkt. |
| Felder |
Wählen Sie in der ersten Spalte des Formulars Feldtypen aus, die wahrscheinlich Wörter und Ausdrücke enthalten, die Sie mit anderen ähnlichen Datensätzen vergleichen möchten. In diesem Beispiel wählen Sie Kurzbeschreibung aus, da dieser Feldtyp den Text der Datensätze mit den Incidents enthält, die Sie lösen möchten. Hinweis: Journaltyp ist kein unterstützter Datentyp. |
| Testfelder |
Wählen Sie in der zweiten Spalte des Formulars Felder aus, die wahrscheinlich Text enthalten, der den Datensätzen in der ersten Spalte ähnlich ist oder Relevanz für sie hat. Wählen Sie in diesem Beispiel Kurzbeschreibung und Artikeltext aus. Wenn Sie den Text des Artikels einbeziehen, erhöhen Sie die Chancen, in dem Artikel relevante Informationen zum Thema zu erfassen. |
| Filter |
Klicken Sie auf Filterbedingung hinzufügen, um Bedingungen auf die Datensätze der Felder anzuwenden, die als Grundlage für die abgerufenen Ähnlichkeitsergebnisse dienen. In diesem Anwendungsfall legen Sie beispielsweise die Bedingung [Aktiv] [ist] [wahr] fest, da die Incident-Datensätze, an denen Sie arbeiten, aktiv sind. |
| Verarbeitungssprache |
Wählen Sie die dominante Sprache des Datensatzes aus, den Sie anhand der Lösungsdefinition trainieren. Wenn die Datensatzsprache Italienisch ist, wählen Sie Italienisch aus. Außerdem werden alle Datensätze standardmäßig auch in Englisch verarbeitet. Wenn Sie beispielsweise Italienisch auswählen, verarbeitet das System die Daten sowohl in Englisch als auch in Italienisch.Hinweis: Der Begriff Verarbeitung beinhaltet einige der sprachspezifischen Schritte, die im Rahmen des Trainings einer Lösung verwendet werden. Zum Beispiel das Versehen von Wörtern mit Token, das Entfernen von Stoppwörtern und die Wortstammerkennung. |
| Stoppwörter |
Nachdem Sie die Verarbeitungssprache ausgewählt haben, fügt das System automatisch eine Stoppwortliste in derselben Sprache hinzu. Wenn Ihre Verarbeitungssprache beispielsweise Italienisch ist, wird die Liste für standardmäßige italienische Stoppwörter angezeigt. Die Liste für standardmäßige englische Stoppwörter wird in Ihrer Auswahl auch angezeigt. Wenn Sie eine benutzerdefinierte Stoppwortliste erstellen, können Sie sie im Feld „Stoppwörter“ auswählen, um sie Ihrer Lösung hinzuzufügen. |
| Schulungshäufigkeit |
Wählen Sie eine Option zur Wiederholung des Trainings wie „einmal täglich“ oder „alle 30 Tage in 3-Monats-Schritten für bis zu 180 Tage“ aus. |
| Aktualisierungshäufigkeit | Wählen Sie aus, wie oft Sie die Daten aktualisieren möchten, die Sie zum Abrufen der Ähnlichkeitsergebnisse verwenden. Für geöffnete Incident-Datensätze empfiehlt sich beispielsweise die Auswahl der Aktualisierungshäufigkeit Alle 15 Minuten, da neue Incidents normalerweise tagsüber häufig auftreten. Diese Häufigkeit kann die Wahrscheinlichkeit erhöhen, dass neu geöffnete Datensätze in die Aktualisierung einbezogen werden.
Wenn Ihre Lösung jedoch KB-Wissensartikeldatensätze verwendet, die normalerweise nicht häufig erstellt werden, können Sie eine weniger häufige Aktualisierungshäufigkeit auswählen, z. B. Jeden Tag.
Hinweis: Der ML-Scheduler begrenzt die Anzahl der Schulungen, die eine Instanz innerhalb eines 24-Stunden-Fensters durchführen kann, auf 50 neue ML-Schulungsanfragen pro Instanz. Davon ausgenommen sind Anforderungen zum geplanten erneuten Training. Darüber hinaus sind Clustering- und Ähnlichkeitsaktualisierungen von diesem Grenzwert ausgenommen, auch wenn die neuen Schulungsanfragen innerhalb eines 24-Stunden-Fensters den Wert von 50 überschreiten. |