Erkunden Sie Predictive Intelligence
ServiceNow® Predictive Intelligence ist eine Plattformfunktion, die eine Ebene künstlicher Intelligenz bereitstellt, die Funktionen und Fähigkeiten in ServiceNow® Anwendungen ermöglicht, um eine bessere Arbeits-Experience zu bieten.
Übersicht
Predictive Intelligence ist ein leistungsstarker Satz von Tools zur Verwendung von künstlicher Intelligenz und maschinellem Lernen zur Verbesserung der Arbeits-Experience. Sie können Modelle auf der Plattform erstellen und trainieren und in andere Produkte und Anwendungen von ServiceNow integrieren.
Im Folgenden werden die zugrunde liegenden Konzepte hinter Predictive Intelligence und die verschiedenen verfügbaren Frameworks vorgestellt.
Weitere Informationen zu Möglichkeiten zur Verwendung vorhandener Modelle finden Sie unter Arbeiten mit Predictive Intelligence.
Terminologie
- Künstliche Intelligenz
- Systeme, die für Aufgaben entwickelt wurden, die ein gewisses Maß an menschlicher Intelligenz erfordern.
- Maschinelles Lernen
- Möglichkeit für Modelle, sich im Laufe der Zeit mit mehr Erfahrung zu verbessern.
- Modelle
- Sammlungen von Algorithmen, Berechnungen und Statistiken, die Vorhersagen und Entscheidungen basierend auf Eingabe-Ausgabe-Daten treffen.
- Training
- Hinzufügen oder Ändern von Daten, auf denen das Modell basiert, um zukünftige Vorhersagen zu beeinflussen.
- Überwachte Schulung
- Eingabe-Ausgabe-Paare bereitstellen, damit das Modell Regeln generieren kann, die die beiden verbinden.
- Unüberwachtes Training
- Bereitstellung von Rohdaten, damit das Modell Strukturen im Datensatz identifizieren kann.
- Trainingshäufigkeit
- Wie oft werden Modelle neu trainiert, um das vorhandene Modell mit neuen Trainingsdaten zu kombinieren?
- Wortkorpus
- Vokabular, das ein Modell verwenden kann, um nach Textähnlichkeit zu suchen.
Komponenten eines Vorhersagemodells
- Lösungsdefinition
- Ein Datensatz, den Sie erstellen und konfigurieren und der diese Werte zum Trainieren eines Vorhersagemodells angibt.
- Die Datensätze, mit denen das Modell trainiert wird. Beispielsweise können Sie das Training auf Incidents beschränken, die in den letzten sechs Monaten gelöst oder geschlossen wurden.
- Die Eingabefelder, die das Modell verwendet, um Vorhersagen zu treffen. Verwenden Sie beispielsweise die Incident-Kurzbeschreibung, um eine Vorhersage zu treffen.
- Das Ausgabefeld, dessen Wert das Modell vorhersagt. Legen Sie beispielsweise die Incident-Kategorie anhand der Kurzbeschreibung fest.
- Die Häufigkeit, mit der das Modell neu trainiert werden soll. Trainieren Sie das Modell beispielsweise alle 30 Tage neu.
- Lösung
- Die Lösung ist das Ergebnis einer Lösungsdefinition, die in einem Rechenzentrum von ServiceNow trainiert wurde. Predictive Intelligence verwendet die Lösung, um auf Grundlage von einem oder mehreren vorgegebenen Eingabefeldwert(en) einen Zielfeldwert vorherzusagen. Alle Lösungen geben diese Werte an.
- Die Genauigkeit der Lösung ist der Gesamtprozentsatz korrekter Vorhersagen. Eine Genauigkeit von 50 bedeutet beispielsweise, dass die Hälfte von 100 Vorhersagen den korrekten Wert haben sollte.
- Die Abdeckung der Lösung ist der Gesamtprozentsatz der Datensätze, die eine Vorhersage erhalten. Eine Abdeckung von 50 bedeutet beispielsweise, dass die Hälfte aller in Frage kommenden Datensätze tatsächlich eine Vorhersage erhält.
- Die Klassen der Lösung sind die Ausgabefeldwerte, für die das Modell Vorhersagen treffen kann. Jede Klasse ist ein Ausgabefeldwert mit einer Liste möglicher Genauigkeits-, Abdeckungs- und Verteilungsmetriken, aus denen Sie wählen können. Zum Beispiel verfügt die Lösung „Incident-Kategorisierung“ über eine Klasse für jede Kategorie, z. B. Software, Anfrage und Datenbank.
- Die Verteilung der Klasse ist der Prozentsatz von Datensätzen aus der gesamten Tabelle, die diesen bestimmten Ausgabefeldwert haben. Eine Verteilung von 50 für die Klasse „Anfrage“ bedeutet beispielsweise, dass die Hälfte der Incidents die Kategorie „Anfrage“ aufweist.
Predictive Intelligence-Frameworks
Predictive Intelligence stellt drei Frameworks im Release Washington DC ] bereit. Jedes Framework verfügt über unterschiedliche Lösungstypen, um das System so zu trainieren, dass es Datenergebnisse vorhersagt, empfiehlt und organisiert. Eine trainierte Lösung kann von jeder Anwendung über eine API aufgerufen werden, um eine Vorhersage zu treffen. Weitere Informationen finden Sie unter Predictive Intelligence -Frameworks.