Konfigurieren Sie Lösungsdefinitionen, um Lücken in einer Knowledge Base zu finden

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 5 Minuten Lesedauer

    • Die Funktion „Wissensbedarf-Einblicke“ findet Wissenslücken, indem Knowledge Bases mit vorhandenen Aufgaben verglichen werden. Um den Vergleich von Knowledge Bases mit einem Aufgabentyp zu ermöglichen, müssen Sie zuerst Definitionen der Ähnlichkeit und Clustering-Lösung konfigurieren.

    Vorbereitungen

    Diese Aufgabe beschreibt den Prozess zum Konfigurieren einer Lösungsdefinition.

    Anstatt die Konfiguration über dieses Verfahren durchzuführen, sollten Sie ein geführtes Setup verwenden. Navigieren zu Wissen > Administration > Geführtes Setup, Klicken Sie auf Erste Schritte , Und scrollen Sie dann zum Abschnitt Wissensbedarf-Einblicke.

    Erforderliche Rolle: Administrator

    Warum und wann dieser Vorgang ausgeführt wird

    Konfigurieren Sie einen Ähnlichkeitstyp und eine Clustering-Lösungsdefinitionen für jeden Aufgabentyp: Incidents, Kundenservicefälle oder andere Aufgaben. Eine Definition einer Ähnlichkeitslösung erfasst und vergleicht Ihre vorhandenen Datensätze mit neuen ähnlichen Datensätzen. Eine Clustering-Lösungsdefinition gruppiert ähnliche Datensätze in Clustern, damit Sie sie gemeinsam bearbeiten oder Muster identifizieren können.

    Prozedur

    1. Navigieren zu Einblicke in Wissensbedarf > Lösungsdefinitionenan.
    2. Suchen Sie in der Liste Lösungsdefinitionen (ML-Ansicht) nach der Definition der Ähnlichkeitslösung für den Aufgabentyp, und wählen Sie sie aus.
      • Wählen Sie für Kundenservicefälle aus Nachfrageeinblicke: Ähnliche Fälle und Wissen (ml_sn_global_similar_cases_and_KBS) .
      • Wählen Sie für Incidents aus Nachfrageeinblicke: Ähnliche Incidents und Wissen (ml_sn_global_similar_Incidents_and_KBS) .
      • Wählen Sie für HR-Fälle aus Nachfrageeinblicke: Ähnliche HR-Fälle und -Wissen (ml_x_sn_HR_Core_global_Demand_Insights_similar_HR_Cases_and_Knowledge) .
      • Klicken Sie für andere Aufgaben als Kundenservicefälle, Incidents und HR-Fälle auf Neu Dient zum Erstellen einer weiteren Definition der Ähnlichkeitslösung.
    3. Überprüfen Sie im Formular „Ähnlichkeitsdefinition“ die Standardfeldwerte für Kundenservicefälle oder Incidents, oder geben Sie die Werte für eine anwenderdefinierte Konfiguration ein.
      Hinweis:
      Wenn der Anwendungsbereich nicht auf Wissensmanagement – maschinelles Lernen festgelegt ist, können Sie das Formular nicht bearbeiten, und eine Warnmeldung wird angezeigt. Um das Formular bearbeitbar zu machen, klicken Sie am Ende der Nachricht auf das Wort hier.
      Tabelle : 1. Formular „Ähnlichkeitsdefinition“
      Feld Beschreibung
      Bezeichnung Eindeutiger Name für die Ähnlichkeitslösung
      Wortkorpus Definiert, welche Wissensartikel und -Aufgaben für die Analyse von Wissenslücken ausgewählt werden.

      Wenn Sie keinen relevanten Wortkorpus haben, folgen Sie den Schritten unter Wortkorpus erstellen.
      Tabelle Tabelle, die die wissensartikeldatensätze enthält. Legen Sie den Wert auf Wissen [kb_Knowledge] fest, es sei denn, Sie verwenden eine andere Tabelle zum Speichern von Wissensartikeln.

      Nachdem Sie einen Tabellenwert zugewiesen haben, wird die Anzahl der Datensätze, die den Filterbedingungen entsprechen, als Link angezeigt.
      Felder Felder aus der Knowledge-Tabelle, die für die Analyse der Wissenslücke ausgewählt sind.
      Filter Filterbedingungen, die auf die Knowledge-Tabelle angewendet werden, um wissensartikeldatensätze für die Analyse von Wissenslücken zu filtern.
      Testtabelle Tabelle, die die Aufgabendatensätze enthält, die Sie mit wissensartikeldatensätzen vergleichen möchten.
      Testfelder Felder aus der Aufgabentabelle, die für die Analyse der Wissenslücke ausgewählt sind.
      Verarbeitungssprache Die dominante Sprache des Datensatzes, den Sie anhand der Lösungsdefinition trainieren. Standardmäßig werden alle Datensätze 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. Diese Schritte können dabei das Tokenisieren von Wörtern, das Entfernen von Stoppwörtern und die Wortstammerkennung umfassen.
      Stoppwörter Allgemeine Begriffe in der Verarbeitungssprache, die von der Suche ausgeschlossen werden, z. B. Präpositionen.

      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.
      Schulungs­häufigkeit Häufigkeit, mit der das Modell für die Definition der Ähnlichkeitslösung erneut trainiert werden muss.
      Aktualisierungshäufigkeit Häufigkeit, mit der neue Datensätze in das Modell für die Definition der Ähnlichkeitslösung aufgenommen werden sollen
    4. Übermitteln und trainieren Sie die Lösungsdefinition.
      • Klicken Sie für einen neuen Lösungsdefinitionsdatensatz auf Übermitteln Und Trainieren .
      • Klicken Sie für einen vorhandenen Lösungsdefinitionsdatensatz auf Aktualisieren Und Erneut Trainieren .
    5. Wahlweise: Fügen Sie hilfreichere zugehörige Artikel hinzu, indem Sie die Ähnlichkeitsbeispiele basierend auf der Ähnlichkeitsbewertung überprüfen und den Schwellenwert für die Ähnlichkeitsbewertung aktualisieren.
      Weitere Informationen finden Sie unter Überprüfen Sie Lösungsähnlichkeitsbeispiele Und Aktualisieren Sie den Schwellenwert für die Ähnlichkeitsbewertung .
    6. Suchen Sie in der Liste Lösungsdefinitionen (ML-Ansicht) nach der Definition der Clustering-Lösung für den Aufgabentyp, und wählen Sie sie aus.
      • Wählen Sie für Kundenservicefälle aus Nachfrageeinblicke: Fall-Cluster benötigen Wissen (ml_sn_global_Cases_need_Knowledge_Cluster) .
      • Wählen Sie für Incidents aus Nachfrageeinblicke: Incident-Cluster benötigen Wissen (ml_sn_global_Incidents_need_Knowledge_Cluster) .
      • Wählen Sie für HR-Fälle aus Bedarfseinblicke: HR-Fallcluster benötigen Wissen (ml_x_sn_HR_Core_global_Demand_Insights_HR_Case_Clusters_need_Knowledge) .
      • Klicken Sie für andere Aufgaben als Kundenservicefälle und Incidents auf Neu Dient zum Erstellen einer weiteren Clustering-Lösungsdefinition.
    7. Überprüfen Sie im Formular „Clustering-Definition“ die Standardfeldwerte für Kundenservicefälle oder Incidents, oder geben Sie die Werte für eine anwenderdefinierte Konfiguration ein.
      Hinweis:
      Wenn der Anwendungsbereich nicht auf Wissensmanagement – maschinelles Lernen festgelegt ist, können Sie das Formular nicht bearbeiten, und eine Warnmeldung wird angezeigt. Um das Formular bearbeitbar zu machen, klicken Sie am Ende der Nachricht auf das Wort hier.
      Tabelle : 2. Formular „Clustering-Definition“
      Feld Beschreibung
      Bezeichnung Eindeutiger Name für Ihre Clustering-Lösung.
      Wortkorpus Welche Aufgaben für Sammlungen ausgewählt werden.
      Tabelle Tabelle, die die gefilterten Aufgaben enthält, die Wissensartikel erfordern. Legen Sie den Wert auf Aufgabenwissensabdeckung [kb_Task_Knowledge_Coverage] fest, es sei denn, Sie verwenden eine andere Tabelle zum Speichern gefilterter Aufgaben.

      Nachdem Sie einen Tabellenwert zugewiesen haben, wird die Anzahl der Datensätze, die den Filterbedingungen entsprechen, als Link angezeigt.
      Felder Felder aus der Tabelle „Wissensabdeckung der Aufgabe“, die für die Analyse der Wissenslücke ausgewählt sind.
      Filter Filterbedingungen, die auf die Tabelle „Wissensabdeckung der Aufgabe“ angewendet werden, um wissensartikeldatensätze für die Analyse von Wissenslücken zu filtern.
      Verarbeitungssprache Die dominante Sprache des Datensatzes, den Sie anhand der Lösungsdefinition trainieren. Standardmäßig werden alle Datensätze 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. Diese Schritte können dabei das Tokenisieren von Wörtern, das Entfernen von Stoppwörtern und die Wortstammerkennung umfassen.
      Stoppwörter Allgemeine Begriffe in der Verarbeitungssprache, die von der Suche ausgeschlossen werden, z. B. Präpositionen.

      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.
      Aktualisierungshäufigkeit Häufigkeit, mit der neue und aktualisierte Datensätze in das Modell für die Definition der Clustering-Lösung aufgenommen werden sollen.
      Schulungs­häufigkeit Häufigkeit, mit der das Modell für die Definition der Clustering-Lösung erneut trainiert werden muss.
    8. Übermitteln und trainieren Sie die Lösungsdefinition.
      • Klicken Sie für einen neuen Lösungsdefinitionsdatensatz auf Übermitteln Und Trainieren .
      • Klicken Sie für einen vorhandenen Lösungsdefinitionsdatensatz auf Aktualisieren Und Erneut Trainieren .

    Nächste Maßnahme

    Füllen Sie das Formular für die KB-Kurationskonfiguration aus, um die geplanten Aufgaben für Bedarfseinblicke zu definieren. Weitere Informationen finden Sie unter Konfigurieren Sie die Zuordnung von Lösungsdefinitionen zu Aufgabentabellen.