Verwenden von APIs für maschinelles Lernen

Verwenden Sie ServiceNow Machine Learning (ML)-APIs, um Modelle für maschinelles Lernen zu trainieren und Rückschlüsse auszuführen.

ML-APIs ermöglichen das Trainieren von Lösungen und das Verwalten von Lösungsversionen. Sie können aktive Versionen abrufen und festlegen, den Trainingsstatus überwachen und vieles mehr. Die ML-API stellt auch Encoder bereit, die die Verwendung von Begriffshäufigkeit – inverse Dokumenthäufigkeit (TF-IDF) als Wortkorpus ermöglichen. Schätzungen der Vorhersagbarkeit ermöglichen die Bewertung des Vorhersagewerts von Tabellenspalten.

Hinweis:

Predictive Intelligence APIs werden ausgeführt mit vollständigen Berechtigungen aus. Um den Benutzerzugriff einzuschränken, fügen Sie einen Zugriffskontrollmechanismus in das Skript ein.

ML-API-Klassenübersicht

In diesem Abschnitt werden kurz Klassen zum Trainieren von ML-Lösungen und zum Ausführen von Rückschlüssen mit trainierten Lösungen beschrieben.

Datensätze

Ein Datensatz ist Eine Reihe von Datensätzen, einschließlich Tabellenname, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden sollen. Datensätze enthalten nicht die tatsächlichen Daten.

Weitere Informationen finden Sie unter DatasetDefinition.

ML-Objekte – Lösungen, Codierer und Schätzungen

ML-Objekte definieren eine bestimmte Trainingskonfiguration, die auf einen Datensatz angewendet werden soll. Einige Vorgänge sind für ML-Objekte gleich. Zu den Lösungsobjekten gehören Klassifizierung, Clustering, Regression und Ähnlichkeit.

Codierer sind Textverarbeitungsobjekte, die entweder vortrainiert oder basierend auf den von Ihnen bereitgestellten Sprachdatensätzen trainiert werden. Sie können Encoder trainieren, die bestimmen, wie das System Textfelder interpretiert und verarbeitet. Für ML-Lösungen, die Text enthalten, können Sie einen Encoder trainieren, um anzugeben, wie Text verarbeitet werden soll, und den trainierten Encoder in einer Lösung zu verwenden.

PredictabilityEstimate-Objekte schätzen, welche Felder in einem Datensatz vorhersehbar sind und auf welchen Funktionen diese Vorhersagbarkeit basiert.

Weitere Informationen finden Sie unter:

• KlassifizierungLösung
• Clusterlösung
• Encoder
• PredictabilityEstimate
• RegressionLösung
• ÄhnlichkeitLösung

Speicher

ML-Objekte werden in einem bestimmten Speicher für jeden Objekttyp verwaltet. Jede Speicherklasse enthält Methoden für die Vorgänge Hinzufügen, Abrufen, Aktualisieren und Löschen.

Weitere Informationen finden Sie unter:

• ClassificationSolutionStore
• ClusteringLösungSpeichern
• EncoderStore
• PredictabilityEstimateStore
• RegressionSolutionStore
• SimilaritySolutionStore

Versionen

Jedes trainierte Objekt führt zu einer neuen Version, für die Sie Aufgaben ausführen können. Verwenden Sie die Versions-API, um eine beliebige Lösungsversion abzurufen und Aufgaben dafür auszuführen.

Weitere Informationen finden Sie unter:

• ClassificationSolutionVersion
• ClusteringLösungsversion
• EncoderVersion
• PredictabilityEstimateVersion
• RegressionSolutionVersion
• SimilaritySolutionVersion

Zusammenfassung: ML-API-Flows

Sie können den folgenden Flow verwenden, um Lösungen, Encoder und Vorhersagbarkeitsschätzungen zu konfigurieren und zu trainieren:

Abbildung : 1. ML-API-Flow – Lösung, Encoder und Schätzungstraining

Hinweis:

Die Encoder-Definitionen unterstützen mehrere Datensatzdefinitionen, haben jedoch denselben Trainings-Flow.

Um eine Lösung mit einem Encoder zu trainieren, erstellen Sie zuerst den Encoder und fügen Sie dann den Encoder in die Lösungskonfiguration ein.

Abbildung : 2. ML-API-Flow – Lösungs-API-Training mit Encoder

Anforderungen für ML-Objektcodierer:

• In Ähnlichkeits-API-Lösungen erforderlich.
• Erforderlich in Clustering-API-Lösungen, es sei denn, der Levenshtein-Distanzalgorithmus wird verwendet. In diesem Fall sind Encoder optional.
• Optional für Klassifizierungs- und Regressionslösungen.
• Nicht verfügbar für Vorhersagbarkeitsschätzungen.

Erste Schritte mit der Schulung der ML-API-Lösung

Folgen Sie dieser Beispielaufgliederung, um zu erfahren, wie eine Lösung konfiguriert und trainiert wird.

Konfigurieren und trainieren Sie eine Lösung

1. Definieren Sie einen Datensatz mit der DatasetDefinition- API.

   var myData = new sn_ml.DatasetDefinition({
   
     'tableName' : 'incident',
     'fieldNames' : ['assignment_group', 'short_description', 'description'],
     'encodedQuery' : 'activeANYTHING'
   
   });

2. Verwenden Sie den Konstruktor, um die Lösung zu definieren, einschließlich des Datensatzes in der Konfiguration.

   var mySolution = new sn_ml.ClassificationSolution({
   
     'label': "my solution definition",
     'dataset' : myData,
     'predictedFieldName' : 'assignment_group',
     'inputFieldNames':['short_description']
   
   });

   • ClassificationSolution()
   • ClusteringLösung()
   • Encoder ()
   • PredictabilityEstimate()
   • Regressionslösung ()
   • SimilaritySolution()
3. Fügen Sie dem Speicher die Lösungsdefinition mit der add()- Methode hinzu.

   var my_unique_name = sn_ml.ClassificationSolutionStore.add(mySolution);

   • ClassificationSolutionStore – add()
   • ClusteringSolutionStore – add()
   • EncoderStore – add()
   • PredictabilityEstimateStore – add()
   • RegressionSolutionStore – add()
   • SimilaritySolutionStore – add()
4. Trainieren Sie die Lösung mit der Methode „submitTrainingJob() “. Nach Abschluss des Trainings können Sie die trainierte Lösung mithilfe einer Lösungsversions-API verwalten. Eine Lösung kann mehrmals neu trainiert werden. Jedes Training führt zu einer neuen Lösung „Version“, für die Sie Rückschlüsse ausführen können.

   var myClassifierVersion = mySolution.submitTrainingJob();

   • ClassificationSolution – submitTrainingJob()
   • ClusteringSolutionVersion – commitTrainingJob()
   • Encoder – submitTrainingJob()
   • PredictabilityEstimate – submitTrainingJob()
   • RegressionSolution – submitTrainingJob()
   • SimilaritySolution – submitTrainingJob()

Zeigen Sie alle Klassifizierungslösungen in einem Speicher an

Sie können die Methode getAllNames() des Speichers verwenden, um eine Liste aller Lösungen anzuzeigen, die dem Speicher hinzugefügt wurden.

gs.print(JSON.stringify(JSON.parse(sn_ml.ClassificationSolutionStore.getAllNames()), null, 2));

In der Ausgabe hat das System die Lösung ml_x_snc_global_global_my_solution_definition genannt. Verwenden Sie diesen Namen in den folgenden Beispielen, um Versionsinformationen abzurufen.

*** Script: [
  "ml_incident_assignment",
  "ml_x_snc_global_global_my_solution_definition",
  "ml_incident_categorization"
]

• ClassificationSolutionStore – getAllNames()
• ClusteringSolutionStore – getAllNames()
• EncoderStore – getAllNames()
• PredictabilityEstimateStore – getAllNames()
• RegressionSolutionStore – getAllNames()
• SimilaritySolutionStore – getAllNames()

Erste Schritte mit ML-API-Lösungsversionen

Folgen Sie diesen Beispielaufgliederungen, um zu erfahren, wie trainierte Lösungsversionen verwaltet werden.

Überprüfen Sie den Trainingsstatus

Rufen Sie die Klassifizierungslösung aus dem Store ab, wählen Sie eine Version aus, und überprüfen Sie den Trainingsstatus. Die zur Überprüfung des Trainingsstatus verwendeten Methoden gelten für alle ML-Objekttypen.

1. Ruft die Lösung mit der Methode get() aus dem Klassifizierungslösungsspeicher ab.

   // Get the solution created in the previous example from the classification solution store
   var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_my_solution_definition');

   • ClassificationSolutionStore – get()
   • ClusteringSolutionStore – get()
   • EncoderStore – get()
   • PredictabilityEstimateStore – get()
   • RegressionSolutionStore – get()
   • SimilaritySolutionStore – get()
2. Greifen Sie mit der Lösungsmethode getLatestVersion() auf die neueste Lösungsversion zu, und rufen Sie den Trainingsstatus mit der Versionsmethode getStatus() ab.

   // Access the latest version of the solution and print its training status
   gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus(), null, 2)));

   Ausgabe nach Abschluss des Trainings:

   *** Script: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

   getLatestVersion()	getStatus ()
   ClassificationSolution – getLatestVersion()	ClassificationSolutionVersion – getStatus()
   ClusteringSolution – getLatestVersion()	ClusteringSolutionVersion – getStatus()
   Encoder – getLatestVersion()	EncoderVersion – getStatus()
   PredictabilityEstimate – getLatestVersion()	PredictabilityEstimateVersion – getStatus()
   RegressionSolution – getLatestVersion()	RegressionSolutionVersion – getStatus()
   SimilaritySolution – getLatestVersion()	SimilaritySolutionVersion – getStatus()

Rufen Sie Vorhersagen mithilfe einer Lösungsversion ab

Nachdem die Lösung trainiert wurde, rufen Sie die trainierte Version ab und führen eine Vorhersage dafür aus. Rufen Sie die von Ihnen erstellte Lösung aus dem Store ab. Wählen Sie als Nächstes die trainierte Version aus, und sagen Sie die trainierte Version vorher.

Hinweis:

Vorhersagen können nicht für Encoder und Vorhersagbarkeitsschätzungen getroffen werden.

1. Ruft die Lösung mit der Methode get() aus dem Klassifizierungslösungsspeicher ab.

   // Get the solution created in the first example from the classification solution store
   var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_my_solution_definition');

2. Verwenden Sie die Methode get() der GlideRecord- API, um einen Datensatz aus der Incident-Tabelle [incident] bereitzustellen.

   // single GlideRecord input
   var input = new GlideRecord("incident");
   input.get("<sys_id>");

3. Optional. Konfigurieren Sie den Parameter ClassificationSolutionVersion – prediction() method options, um die ersten drei Ergebnisse zurückzugeben und alle Ergebnisse zurückzugeben.

   // configure optional parameters
   var options = {};
   options.top_n = 3;
   options.apply_threshold = false;

4. Deklarieren Sie eine Variable mit dem Namen „ results “, und weisen Sie sie der Vorhersageaufgabe zu. Um den Vorhersageauftrag auszuführen, rufen Sie die neueste Lösungsversion mit der Methode ClassificationSolution – getLatestVersion() ab und rufen die Methode ClassificationSolutionVersion –predict( ) auf.

   var results = mlSolution.getLatestVersion().predict(input, options);

   • ClassificationSolutionVersion – prediction()
   • ClusteringSolutionVersion – prediction()
   • RegressionSolutionVersion – prediction()
   • SimilaritySolutionVersion – prediction()
5. Drucken Sie die Ausgabe der vorhergesagten Ergebnisse.

   gs.print(JSON.stringify(JSON.parse(results), null, 2));

   Beispielausgabe für vorhergesagte Ergebnisse:

   *** Script: {
     "<sys_id>": [
       {
         "confidence": 99,
         "threshold": 24.75,
         "predictedValue": "Email",
         "predictedSysId": ""
       },
       {
         "confidence": 5.88210244009169,
         "threshold": 100,
         "predictedValue": "Email (I/f)",
         "predictedSysId": ""
       },
       {
         "confidence": 2.3461203499840932,
         "threshold": 14.81,
         "predictedValue": "Authentication",
         "predictedSysId": ""
       }
     ]
   }