Predictive Intelligence -Frameworks

Predictive Intelligence stellt drei verschiedene Modell-Frameworks im Release Washington DC ] bereit: Klassifizierung, Ähnlichkeit und Clustering. Jedes Framework ist auf verschiedene Arten von Vorhersagen spezialisiert.

Klassifizierungs-Framework von Predictive Intelligence

Mit dem Klassifizierungs-Framework Predictive Intelligence können Sie ML-Algorithmen verwenden, um kategoriale Feldwerte während der Datensatzerstellung festzulegen. Beispielsweise können Sie das Modell verwenden, um die Incident-Kategorie basierend auf der Kurzbeschreibung festzulegen. Sie können Vorhersagemodelle so trainieren, dass sie als Service Desk-Mitarbeiter fungieren, um Arbeit basierend auf Ihrer bisherigen Erfahrung in der Datensatzverarbeitung automatisch zu kategorisieren und weiterzuleiten.

Aktivieren Sie Predictive Intelligence, um das Volumen eingehender Anforderungen zu geringeren Kosten zu verarbeiten. Automatisieren Sie die Kategorisierung und Zuweisung von Anforderungen, und reduzieren Sie:

• Die Zeit für die Lösung von Aufgaben
• Die Anzahl der Interaktionen, die zur Lösung von Aufgaben erforderlich sind
• Die Fehlerquote bei der Kategorisierung und Zuweisung der Arbeit

Weitere Informationen finden Sie unter Klassifizierungslösung erstellen und trainieren.

Ähnlichkeits-Framework von Predictive Intelligence

Das Ähnlichkeits-Framework von Predictive Intelligence erkennt vorhandene Datensätze, deren Werte den Werten eines neuen Datensatzes ähnlich sind. Sie können beispielsweise eine Teilmenge Ihrer Incident-Datensätze trainieren, um eine Lösung basierend auf den Informationen eines ähnlichen Incident-Datensatzes zu empfehlen. Durch die Wiederverwendung ähnlicher geschlossener Incidents mit einer bereits bewährten Lösung können Sie Agents und Erfüllern helfen, für einen eingehenden Incident schnell die beste Lösung zu finden.

Das Ähnlichkeits-Framework benötigt keine exakte Übereinstimmung von Stichwörtern für seine Textvergleiche, da seine Algorithmen ähnliche Wörter und Synonyme basierend auf ähnlichen Kontexten identifizieren. Zum Beispiel werden die Sätze Drucker funktioniert nicht und Drucker defekt als ähnlich erkannt. Das Framework erfasst, erlernt und verwendet darüber hinaus Ihren branchenspezifischen Kontext. Zum Beispiel hat die Formulierung „ Netzwerkverbindung nicht möglich “ in einem Computernetzwerkunternehmen einen anderen Kontext als in einem Krankenversicherungsunternehmen.

Das Ähnlichkeits-Framework verwendet eine Workflow-Ähnlichkeitslösung. Weitere Informationen finden Sie unter Ähnlichkeitslösung erstellen und trainieren.

Clustering Framework von Predictive Intelligence

Beim Clustering werden Daten in Gruppen unterteilt, die dann zum Identifizieren von Mustern verwendet werden können. Sie können Datensätze dann gemeinsam bearbeiten oder Lücken in vorhandenen Daten suchen. Sie können beispielsweise ähnliche neue Incidents gruppieren, um einen schwerwiegenden Ausfall zu identifizieren.

Das Clustering-Framework verwendet eine Workflow-Clustering-Lösung. Weitere Informationen finden Sie unter Clustering-Lösung erstellen und trainieren.

Seit Release [] veraltet: Washington DCPredictive Intelligence Regression Framework

Wichtig:

Die Unterstützung für die Erstellung neuer Regressionslösungen wurde im Release Washington DC entfernt. Sie können vorhandene Lösungen weiterhin trainieren und bearbeiten, aber Sie können keine neuen erstellen.

Regression ist ein Framework für maschinelles Lernen, das Sie mit Verlaufsdaten trainieren können, um numerische Ausgaben wie Temperatur oder Aktienkurs vorherzusagen. Regressions-Frameworks können direkt zur Erfolgsmessung verwendet werden. Beispielsweise können Sie die Regression verwenden, um die Zeit zu schätzen, die zur Lösung eines Incident oder Falls benötigt wird.

Weitere Informationen finden Sie unter Erstellen und trainieren Sie eine Regressionslösung.