--- sourceDocument: Xanadu-API-Referenz sourceDocumentLink: https://www.servicenow.com/docs/r/de-DE/xanadu/api-reference Release : - xanadu ft:locale : - de-DE ft:publication_title : - Xanadu-API-Referenz ft:clusterId : - crapiref bundleId : - crapiref workflow : - Creator --- # Ähnlichkeitslösung : Global # Ähnlichkeitslösung : Global {#ariaid-title1} * Freigeben Version: Xanadu * * Aktualisiert 1. August 2024 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 7 Minuten Lesedauer Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird. Diese(s) Die API erfordert das Plugin Predictive Intelligence (com.glide.platform_ml) und wird im Namespace `sn_ml` bereitgestellt. Der Lösungs-Setup-zu-Schulungs-Flow sieht wie folgt aus: 1. Erstellen Sie einen Encoder mit der [Encoder](https://www.servicenow.com/docs/G7ohgdKHJdsFxubAhcpxJw#EncoderAPI "Die Encoder- API stellt ein skriptfähiges Objekt bereit, das in den Speichern Predictive Intelligence verwendet wird. Dieses Objekt konvertiert Eingabedaten basierend auf Encoder-spezifischen Zielen und Konfigurationen in Zahlenvektoren. Encoder können unabhängig zum Ausführen von Codierungen verwendet oder als Teil von Lösungen zum Codieren von Textspalten konfiguriert werden.") -API. 2. Verwenden Sie den [Konstruktor](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung."), um ein Ähnlichkeitslösungsobjekt zu erstellen. 3. Fügen Sie das Lösungsobjekt dem Ähnlichkeitslösungsspeicher hinzu, indem Sie die Methode [Ähnlichkeitslösungsspeicher - add()](https://www.servicenow.com/docs/jdTY~8E_WwSjaB2zahReiA#SimilarityStore-add_O "Fügt dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück.") verwenden. 4. Trainieren Sie die Lösung mit der Methode [„submitTrainingJob()](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-submitTrainingJob "Übermittelt einen Trainingsauftrag.") ". Dadurch wird eine Version des Objekts erstellt, die Sie mit der [Ähnlichkeitslösungsversion-](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") API verwalten können. 5. Vorhersagen mit der [Ähnlichkeitslösungsversion -- vorhergesagt ()](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilarityVersion-predict_O_O "Ruft die Eingabedaten für eine Vorhersage ab.") abrufen. {#SimilaritySolutionAPI__ol_mmm_n1c_dmb} Hinweis: Diese API wird von mit vollständigen Rechten ausgeführt. Um den Benutzerzugriff einzuschränken, fügen Sie einen Zugriffssteuerungsmechanismus in das Skript ein. Richtlinien zur [Verwendung finden Sie unter ML-APIs](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)verwenden . ## Ähnlichkeitslösung: Ähnlichkeitslösung (Objektkonfiguration) {#ariaid-title2} Erstellt eine Ähnlichkeitslösung. {#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb__entry__3}{#SimilaritySol-SimilaritySolution_O__solution-obj-domainN-default}{#SimilaritySol-SimilaritySolution_O__solution-obj-lang-desc}{#SimilaritySol-SimilaritySolution_O__solution-obj-stop-desc} | Name | Typ | Beschreibung | |-|-|-| | Konfiguration | Objekt | JavaScript-Objekt mit Konfigurationseigenschaften für Lösung. { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDataset": {Object}, "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "testDataset": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | config.domainName | Zeichenfolge | Optional. Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domain Separation und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Standard: Aktuelle Domäne, z. B. `„global"`. | | config.encoder | Objekt | Trainiertes Encoder-Objekt, das dieser Lösung zugewiesen werden soll. Siehe [Encoder: Encoder (Objektkonfiguration)](https://www.servicenow.com/docs/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder."). | | config.label | Zeichenfolge | Gibt die Vorhersageaufgabe an. | | config.lookupDatensatz | Objekt | Name der Datensatzdefinition, die als [Suchsatz](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten.") verwendet werden soll. | | config.minRowCount | Zeichenfolge | Optional. Mindestanzahl von Datensätzen, die im Datensatz für das Training erforderlich sind. Standard: 10.000 | | config.processingLanguage | Zeichenfolge | Optional. Verarbeitungssprache im zweibuchstabigen ISO 639-1-Sprachcodeformat. Standard: „en" | | config.stoppwords | Array | Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Einstellung der Eigenschaft language automatisch generiert. Einzelheiten hierzu finden [Sie unter Anwenderdefinierte Stoppwortliste erstellen](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Standard: Englische Stoppwörter | | config.testDatensatz | Objekt | Name der [Datensatzdefinition](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten."), die nach Ähnlichkeiten mit lookupDataset -Ergebnissen gescannt werden soll. | | config.trainingFrequency | Zeichenfolge | Optional. Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: * jeden_30_Tage * jeden_60_Tage * jeden_90_Tage * jeden_120_Tage * jeden_180_Tage * run_once {#SimilaritySol-SimilaritySolution_O__ul_pmw_523_plb}Standard: run_once | | config.updateFrequency | | Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss. Mögliche Werte: * do_not_update * jeden_1_Tag * jeden_1_Stunden * jeden_6_Stunden * jeden_12_Stunden * jede_1_Minute * jeden_15_Minuten * jeden_30_Minuten {#SimilaritySol-SimilaritySolution_O__ul_kjm_2jh_3mb}Standard: do_not_update | [Tabelle : 1. Parameter] {#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb} Das folgende Beispiel zeigt, wie Sie ein Objekt erstellen und zu hinzufügen Ähnlichkeitslösungsspeicher var incidentData = new sn_ml.DatasetDefinition({ 'tableName' : 'incident', 'fieldNames' : ['category', 'short_description'] }); var kbData = new sn_ml.DatasetDefinition({ 'tableName' : 'kb_knowledge', 'fieldNames' : ['short_description'], 'encodedQuery' : 'active=true' }); var encoder = sn_ml.EncoderStore.get('GloVe'); var mySolution = new sn_ml.SimilaritySolution({ 'label': "similarity solution", 'lookupDataset' : kbData, 'testDataset' : incidentData, 'encoder' : encoder }); // add solution var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution); ## Ähnlichkeitslösung -- cancelTrainingJob() {#ariaid-title3} Storniert einen Auftrag für ein Lösungsobjekt , das zum Trainieren übermittelt wurde. {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 2. Parameter] {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb} {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb__entry__2} | Typ | Beschreibung | |-|-| | Keine | | [Tabelle : 3. Ergebnisse] {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb} Das folgende Beispiel zeigt, wie Sie einen vorhandenen Trainingsauftrag abbrechen. var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity'); mySolution.cancelTrainingJob(); ## Ähnlichkeitslösung -- getActiveVersion() {#ariaid-title4} Ruft das aktive ab Ähnlichkeitslösungsversion- Objekt. {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 4. Parameter] {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb} {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | Aktives [Ähnlichkeitslösungsversion-](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt. | [Tabelle : 5. Ergebnisse] {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb} Das folgende Beispiel zeigt, wie Sie eine aktive Ähnlichkeitslösung Version aus dem Store abrufen und ihren Schulungsstatus zurückgeben. var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2)); Ausgabe: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## Ähnlichkeitslösung -- getAllVersions() {#ariaid-title5} Ruft alle Versionen von ab ein Ähnlichkeitslösungsobjekt. {#SimilaritySol-getAllVersions__table_tvl_m3z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 6. Parameter] {#SimilaritySol-getAllVersions__table_tvl_m3z_llb} {#SimilaritySol-getAllVersions__table_uvl_m3z_llb__entry__2} | Typ | Beschreibung | |-|-| | Array | Vorhandene Versionen eines Lösungsobjekts. Siehe auch [Ähnlichkeitslösungsversion-](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") API | [Tabelle : 7. Ergebnisse] {#SimilaritySol-getAllVersions__table_uvl_m3z_llb} Das folgende Beispiel zeigt, wie Sie alle Ähnlichkeitslösungsversionsobjekte abrufen und die Lösungsversionsmethoden getVersionNumber() und getStatus() dafür aufrufen. var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity'); var mlSolutionVersions = mlSolution.getAllVersions(); for (i = 0; i < mlSolutionVersions.length; i++) { gs.print("Version " + mlSolutionVersions[i].getVersionNumber() + " Status: " + mlSolutionVersions[i].getStatus() +"\n"); Ausgabe: Version 3 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"} Version 2 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"} Version 1 Status: {"state":"solution_cancelled","percentComplete":"0","hasJobEnded":"true"} ## Ähnlichkeitslösung -- getLatestVersion() {#ariaid-title6} Ruft die aktuelle Version von ab eine Lösung. {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 8. Parameter] {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb} {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | [ÄhnlichkeitslösungVersion](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das der aktuellen Version von entspricht einer [Ähnlichkeitslösung](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung."). | [Tabelle : 9. Ergebnisse] {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb} Das folgende Beispiel zeigt, wie Sie die aktuelle Version einer Lösung abrufen und ihren Trainingsstatus zurückgeben.{#SimilaritySol-getLatestVersion__mlsol-getLatestVersion-example} var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity'); gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus()), null, 2)); Ausgabe: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## Ähnlichkeitslösung -- getName() {#ariaid-title7} Ruft den Namen des Objekts ab, das für die Interaktion mit dem Store verwendet werden soll. {#SimilaritySol-getName__table_pps_43z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 10. Parameter] {#SimilaritySol-getName__table_pps_43z_llb} {#SimilaritySol-getName__table_qps_43z_llb__entry__2} | Typ | Beschreibung | |-|-| | Zeichenfolge | Name des Lösungsobjekts. | [Tabelle : 11. Ergebnisse] {#SimilaritySol-getName__table_qps_43z_llb} Das folgende Beispiel zeigt, wie Ähnlichkeitslösung Datensatzinformationen aktualisiert und der Name des Objekts gedruckt wird. // Update solution var myIncidentData = new sn_ml.DatasetDefinition({ 'tableName' : 'incident', 'fieldNames' : ['category', 'short_description', 'priority'], 'encodedQuery' : 'activeANYTHING' }); var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('Similarity')); var mySimilarity = new sn_ml.SimilaritySolution({ 'label': "my Similarity solution", 'dataset' : myIncidentData, 'inputFieldNames': eligibleFields['eligibleInputFieldNames'], 'predictedFieldName': 'category' }); // update solution sn_ml.SimilaritySolutionStore.update('ml_x_snc_global_global_my_solution_definition_4', mySimilarity); // print solution name gs.print('Solution Name: '+mySimilarity.getName()); Ausgabe: Solution Name: ml_x_snc_global_global_my_solution_definition_4 ## Ähnlichkeitslösung -- getProperties() {#ariaid-title8} Ruft Lösungsobjekteigenschaften ab. {#SimilaritySol-getProperties__table_pps_43z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 12. Parameter] {#SimilaritySol-getProperties__table_pps_43z_llb} {#SimilaritySol-getProperties__table_qps_43z_llb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | Inhalt der Details des Datensatzes und des [Ähnlichkeitslösungsobjekts ()](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.") im [Ähnlichkeitslösungsspeicher](https://www.servicenow.com/docs/jdTY~8E_WwSjaB2zahReiA#SimilaritySolutionStoreAPI "Ermöglicht das Speichern und Abrufen von Lösungen."). { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDatasetProperties": {Object}, "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "testDatasetProperties": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | \.Domänenname | Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domain Separation und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Zeichenfolge. | | \.Encoder | Encoder-Objekt, das dieser Lösung zugewiesen ist. Siehe [Encoder: Encoder (Objektkonfiguration)](https://www.servicenow.com/docs/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder."). Datentyp: Objekt. | | \.label | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge. | | \.lookupDatasetProperties | Details der [Datensatzdefinition ()](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DDef-DatasetDefinition_O "Erstellt eine Instanz der DatasetDefinition -Klasse, sodass Sie einen Datensatz anhand des Tabellennamens, der Felder und der Abfrage definieren können.") Objekt, das als Suchsatz verwendet wird. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Objekt. | | \.lookupDatasetProperties.tableName | Name der Tabelle für den Datensatz. Beispiel: `„tableName" : „Incident"`. Datentyp: Zeichenfolge. | | \.lookupDatasetProperties.fieldNames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„fieldNames" : ["short_description", "priority"]`. Datentyp: Array. | | \.lookupDatasetProperties.fieldNames.fieldDetails | Liste von JavaScript-Objekten, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. | | \.lookupDatasetProperties.fieldNames.fieldDetails.\.name | Name des Felds, das die Art der Informationen definiert, auf die dieser Datensatz beschränkt werden soll Datentyp: Zeichenfolge. | | \.lookupDatasetProperties.fieldDetails.\.type | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. | | \.lookupDatasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge. | | \.name | Vom System zugewiesener Name Datentyp: Zeichenfolge. | | \.processingLanguage | Verarbeitungssprache im zweibuchstabigen ISO 639-1-Sprachcodeformat. Datentyp: Zeichenfolge. | | \.scope | Objektbereich. Derzeit ist `global`der einzige gültige Wert. Datentyp: Zeichenfolge | | \.Stoppwörter | Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Einstellung der Eigenschaft language automatisch generiert. Einzelheiten hierzu finden [Sie unter Anwenderdefinierte Stoppwortliste erstellen](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Array. | | \.testDatasetProperties | Details der [Datensatzdefinition ()](https://www.servicenow.com/docs/BXzFaC72fsNUF0~2iVZkiA#DDef-DatasetDefinition_O "Erstellt eine Instanz der DatasetDefinition -Klasse, sodass Sie einen Datensatz anhand des Tabellennamens, der Felder und der Abfrage definieren können.") Objekt zum Abrufen von Ähnlichkeiten zwischen den in diesem Modell gesuchten Ergebnissen und den in lookupDatasetgefundenen Ergebnissen. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Objekt. | | \.testDatasetProperties.tableName | Name der Tabelle für den Datensatz. Beispiel: `„tableName" : „Incident"`. Datentyp: Zeichenfolge. | | \.testDatasetProperties.fieldNames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„fieldNames" : ["short_description", "priority"]`. Datentyp: Array. | | \.testDatasetProperties.fieldNames.fieldDetails | Liste von JavaScript-Objekten, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. | | \.testDatasetProperties.fieldNames.fieldDetails.\.name | Name des Felds, das die Art der Informationen definiert, auf die dieser Datensatz beschränkt werden soll Datentyp: Zeichenfolge. | | \.testDatasetProperties.fieldDetails.\.type | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. | | \.testDatasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge. | | \.trainingFrequency | Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: * jeden_30_Tage * jeden_60_Tage * jeden_90_Tage * jeden_120_Tage * jeden_180_Tage * run_once {#SimilaritySol-getProperties__ul_pmw_523_plb}Standard: run_once Datentyp: Zeichenfolge. | | \.updateFrequency | Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss. Mögliche Werte: * do_not_update * jeden_1_Tag * jeden_1_Stunden * jeden_6_Stunden * jeden_12_Stunden * jede_1_Minute * jeden_15_Minuten * jeden_30_Minuten {#SimilaritySol-getProperties__ul_kjm_2jh_3mb}Standard: do_not_update Datentyp: Zeichenfolge | [Tabelle : 13. Ergebnisse] {#SimilaritySol-getProperties__table_qps_43z_llb} Im folgenden Beispiel werden Eigenschaften eines -Lösungsobjekts im Store abgerufen.{#SimilaritySol-getProperties__mlsol-getProps-example-other2} var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity_solution'); gs.print(JSON.stringify(JSON.parse(mySolution.getProperties()), null, 2)); Ausgabe: *** Script: { "domainName": "global", "encoderProperties": { "datasetsProperties": [], "name": "wordCorpusA" }, "label": "similarity", "lookupDatasetProperties": { "tableName": "incident", "fieldNames": [ "short_description" ] }, "name": "ml_x_snc_global_global_similarity", "processingLanguage": "en", "scope": "global", "stopwords": [ "Default English Stopwords" ], "testDatasetProperties": { "tableName": "incident", "fieldNames": [ "short_description" ] }, "trainingFrequency": "every_30_days", "updateFrequency": "do_not_update" } ## Ähnlichkeitslösung -- getVersion(Zeichenfolgenversion) {#ariaid-title9} Ruft eine Lösung ab anhand der angegebenen Versionsnummer. {#SimilaritySol-getVersion_S__table_pps_43z_llb__entry__3}{#SimilaritySol-getVersion_S__mlsol-gerversion-returns-other} | Name | Typ | Beschreibung | |-|-|-| | Version | Zeichenfolge | Vorhandene Versionsnummer einer Lösung. | [Tabelle : 14. Parameter] {#SimilaritySol-getVersion_S__table_pps_43z_llb} {#SimilaritySol-getVersion_S__table_qps_43z_llb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | Angegebene Version des [Ähnlichkeitslösungsobjekts ()](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung."), für das Sie [Ähnlichkeitslösungs](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") -API-Methoden aufrufen können. | [Tabelle : 15. Ergebnisse] {#SimilaritySol-getVersion_S__table_qps_43z_llb} Das folgende Beispiel zeigt, wie Sie den Trainingsstatus einer Lösung anhand der Versionsnummer abrufen.{#SimilaritySol-getVersion_S__mlsol-gerversion-example-other} var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity'); gs.print(JSON.stringify(JSON.parse(mlSolution.getVersion('1').getStatus()), null, 2)); Ausgabe: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## Ähnlichkeitslösung -- setActiveVersion(String version) {#ariaid-title10} Aktiviert eine angegebene Version einer Lösung im Store. {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Version | Zeichenfolge | Name der zu aktivierenden [Ähnlichkeitslösungs-Objektversion ()](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung."). Durch die Aktivierung dieser Version werden alle anderen Versionen deaktiviert. | [Tabelle : 16. Parameter] {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb} {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb__entry__2} | Typ | Beschreibung | |-|-| | Keine | | [Tabelle : 17. Ergebnisse] {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb} Das folgende Beispiel zeigt, wie Sie eine Lösungsversion im Store aktivieren.{#SimilaritySol-setActiveVersion_S__mlsol-setActive-example2} sn_ml.SimilaritySolution.setActiveVersion("ml_incident_categorization"); ## Ähnlichkeitslösung --submitTrainingJob() {#ariaid-title11} Übermittelt einen Trainingsauftrag. Hinweis: Bevor Sie diese Methode ausführen können, müssen Sie dem Speicher zuerst eine Lösung mit der Methode [Ähnlichkeitslösungsspeicher - add() hinzufügen](https://www.servicenow.com/docs/jdTY~8E_WwSjaB2zahReiA#SimilarityStore-add_O "Fügt dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück."). {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb__entry__3} | Name | Typ | Beschreibung | |-|-|-| | Keine | | | [Tabelle : 18. Parameter] {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb} {#SimilaritySol-submitTrainingJob__table_ymd_33z_llb__entry__2} | Typ | Beschreibung | |-|-| | Objekt | [ÄhnlichkeitslösungVersion](https://www.servicenow.com/docs/q6GYI22DqZ3JBy0a0YJ_cQ#SimilaritySolutionVersionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das [Ähnlichkeitslösung](https://www.servicenow.com/docs/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.") dem trainierten entspricht. | [Tabelle : 19. Ergebnisse] {#SimilaritySol-submitTrainingJob__table_ymd_33z_llb} // Create a dataset var incidentData = new sn_ml.DatasetDefinition({ 'tableName' : 'incident', 'fieldNames' : ['category', 'short_description'] }); var kbData = new sn_ml.DatasetDefinition({ 'tableName' : 'kb_knowledge', 'fieldNames' : ['short_description'], 'encodedQuery' : 'active=true' }); // Create a solution var encoder = sn_ml.EncoderStore.get('GloVe'); var mySolution = new sn_ml.SimilaritySolution({ 'label': "similarity solution", 'lookupDataset' : kbData, 'testDataset' : incidentData, 'encoder' : encoder, }); // Add solution var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution); // Train the solution - this is a long running job var mySimilarityVersion = mySolution.submitTrainingJob();