Ähnlichkeitslösung erstellen und trainieren
Erstellen und trainieren Sie eine auf maschinellem Lernen (ML) gestützte Lösung, die Ihre vorhandenen Datensätze erfasst und mit neuen ähnlichen Datensätzen vergleicht. Sie können beispielsweise den Text in einem Datensatz für offene Incidents mit einem Datensatz für gelöste Incidents vergleichen, um die Lösung wiederzuverwenden.
Vorbereitungen
- Erforderliche Rolle: ml_admin oder admin
Warum und wann dieser Vorgang ausgeführt wird
Das System verwendet eine Workflow-Ähnlichkeitslösung, die vortrainiert ist und für die kein Wortkorpus erstellt werden muss. Nach dem Vergleich der vorhandenen Datensätze auf Grundlage der Ähnlichkeit empfiehlt das System Beispiele, die Sie überprüfen und in Ihrer Lösung wiederverwenden können.
Informationen zur Verwendung verschlüsselter Trainingsdaten finden Sie unter Datenverschlüsselung in Predictive Intelligence.
In diesem Beispielverfahren arbeiten Sie an Datensätzen für Incidents und suchen nach relevanten Artikeln in der Knowledge Base, die Lösungen für diese Incidents enthalten können.
Prozedur
-
Füllen Sie die Felder im Formular Ähnlichkeitsdefinition aus.
Feld Wert Bezeichnung Geben Sie einen eindeutigen Namen für die Ähnlichkeitslösung ein. In diesem Anwendungsfall können Sie z. B. Wissensartikel mit Incidents abgleicheneingeben. Name Wenn Sie einen Bezeichnungswert eingeben, wird dieses Feld automatisch mit einem vom System zugewiesenen, schreibgeschützten Namen basierend auf Ihrem Bezeichnungswert gefüllt. Wortkorpus Wenn Sie eine veraltete Ähnlichkeitslösung haben, können Sie im Feld Wortkorpus im Definitionsformular einen relevanten Wortkorpus auswählen.
Hinweis:Ab Release Washington DC ist kein Wortkorpus erforderlich, da stattdessen ein vortrainiertes Modell verwendet wird. Das Feld „Wortkorpus“ ist im Definitionsformular für vortrainierte Modelle nicht sichtbar.Weitere Informationen finden Sie unter Wortkorpus erstellen.
Tabelle Wählen Sie im Feld Tabelle die Tabelle aus, die Datensätze enthält, die Sie als Informationsquelle verwenden möchten. In diesem Anwendungsfall wählen Sie die Tabelle „Wissen“ [kb_knowledge] aus, da die Datensätze zu KB-Artikeln möglicherweise Informationen enthalten, die für die Incidents relevant sind, die Sie lösen möchten.
Nachdem Sie eine Tabelle zugewiesen haben, wird die Anzahl der Datensätze, die Ihren Filterbedingungen entsprechen, als Link angezeigt. Wählen Sie diesen Link, um die Liste der Datensätze anzuzeigen.
Testtabelle Wählen Sie im Feld Testtabelle die Tabelle aus, die die Datensätze enthält, die Sie als Ziel festlegen möchten. In diesem Anwendungsfall wählen Sie die Tabelle Incident [incident] aus, die die Datensätze mit den zu lösenden Incidents enthält.Hinweis:Sie können dieselbe Tabelle für Tabelle und Testtabelle auswählen. Beispiel: Mithilfe von Filterbedingungen können Sie Informationen aus den letzten Incidents sammeln, um sie bei den Ziel-Incidents zu unterstützen.Felder Geben Sie für die von Ihnen ausgewählte Tabelle Felder ein, die wahrscheinlich Wörter und Ausdrücke enthalten, die für die Incidents relevant sind, die Sie lösen möchten. In diesem Beispiel wählen Sie Kurzbeschreibung und Artikelhauptteil. Das Einbeziehen des Artikeltexts erhöht Ihre Chancen, informative Details zum Thema zu erfassen.Hinweis:Journaltyp ist kein unterstützter Datentyp.Testfelder Geben Sie für die von Ihnen ausgewählte Testtabelle Felder mit Text ein, den Sie mit anderen ähnlichen Datensätzen vergleichen möchten. In diesem Beispiel wählen Sie die Kurzbeschreibung der Incident-Datensätze, die Sie lösen möchten.
Filter Wählen Sie Filterbedingung hinzufügen, um Bedingungen auf die Felddatensätze anzuwenden, die Sie als Informationsquelle verwenden. In diesem Anwendungsfall können Sie beispielsweise die Bedingung workflow_state=published festlegen, um nur veröffentlichte KB-Artikel abzurufen.
Hinweis:Skripteinbindungen können nicht vom Filter referenziert werden. Verwenden Sie als Alternative Datenbankansichten.Verarbeitungssprache Wählen Sie die dominante Sprache des Datensatzes aus, für den Sie trainieren. Außerdem werden alle Datensätze standardmäßig auch in Englisch verarbeitet. Wenn Sie beispielsweise Italienisch auswählen, verarbeitet das System die Daten sowohl in Italienisch als auch in Englisch. Hinweis:Die Begriffsverarbeitung gibt einige der sprachspezifischen Schritte an, die im Rahmen des Trainings einer Lösung verwendet werden, z. B. Tokenisieren von Wörtern, Entfernen von Stoppwörtern und Wortstammerkennung.Stoppwörter Wenn Sie die Verarbeitungssprache auswählen, fügt das System automatisch eine Stoppwortliste für diese Sprache hinzu. Wenn Ihre Verarbeitungssprache beispielsweise Italienisch ist, wird die Liste für standardmäßige italienische Stoppwörter angezeigt. Die Liste der standardmäßigen englischen Stoppwörter ist ebenfalls enthalten. Um eine anwenderdefinierte Stoppwortliste zu verwenden, wählen Sie das Sperrsymbol (
), und suchen Sie dann im Feld Zieldatensatz auswählen.Schulungshäufigkeit Wählen Sie eine Häufigkeit für erneutes Trainieren aus. Die verfügbaren Optionen reichen von Einmal ausführen bis zu Alle 180 Tage. Aktualisierungshäufigkeit Wählen Sie aus, wie oft Sie die Daten aktualisieren möchten, die Sie zum Abrufen der Ähnlichkeitsergebnisse verwenden. Für offene Incident-Datensätze können Sie beispielsweise eine Aktualisierungshäufigkeit von Alle 15 Minutenauswählen, da neue Incidents normalerweise häufig den Tag über auftreten. Diese Häufigkeit kann die Wahrscheinlichkeit erhöhen, dass neu geöffnete Datensätze in die Aktualisierung einbezogen werden.
Für KB-Wissensartikeldatensätze, die normalerweise nicht oft erstellt werden, können Sie jedoch eine weniger häufige Aktualisierungshäufigkeit wählen, z. B. Jeden Tag.Hinweis:Der ML-Scheduler begrenzt die Anzahl der Schulungen, die eine Instanz innerhalb eines 24-Stunden-Fensters durchführen kann, auf 50 neue ML-Schulungsanfragen pro Instanz. Davon ausgenommen sind Anforderungen zum geplanten erneuten Training. Darüber hinaus sind Clustering- und Ähnlichkeitsaktualisierungen von diesem Grenzwert ausgenommen, auch wenn die neuen Schulungsanfragen innerhalb eines 24-Stunden-Fensters den Wert von 50 überschreiten.
Ergebnisse
- Das System setzt die Verarbeitung der Lösungsdefinition für den nächsten Trainingsservice an und sendet Ihnen eine Benachrichtigung, sobald das Training abgeschlossen ist. Die Benachrichtigung enthält etwaige Fehler, die beim Training aufgetreten sind. Andere Benutzer können die Kategorie „Predictive Intelligence-Benachrichtigungen“ abonnieren.
- Nach dem Training aktualisiert die Lösung das Formular „Lösungsdefinition“ und listet dort paarweise nach Ähnlichkeitsgrad geordnete Lösungsbeispiele auf.
- Nach Abschluss des Trainings lädt das System die Lösung als Anhangsdatensatz hoch.