Konfigurationstipps für Predictive Intelligence

  • Freigeben Version: Xanadu
  • Aktualisiert 31. Juli 2024
  • 4 Minuten Lesedauer

    • Wenn während des Lösungstrainings und der Lösungsvorhersage Probleme auftreten, befolgen Sie die folgenden Lösungsvorschläge.

    Eingabedaten

    Es wird empfohlen, mindestens 30.000 Datensätze zum Trainieren Ihrer Modelle zu verwenden, aber die Genauigkeit des Modells hängt von den Eingabedaten ab.

    Es gibt drei Hauptfaktoren, die die Qualität der zum Trainieren von Lösungen verwendeten Eingabedaten bestimmen:

    • Reinheit: Bereinigte Daten reduzieren das Rauschen und machen das Modell genauer.
    • Qualität: Die Eingabe und Ausgabe müssen gültig und korrekt sein, um das Modell für genaue Vorhersagen zu trainieren.
    • Verteilung: Daten, die den gesamten Datensatz als Ganzes darstellen, ergeben ein Modell, das allgemeinere Vorhersagen treffen kann.

    Die meisten Rohdatensätze enthalten fehlerhafte und nicht verwendbare Daten. Die Überprüfung Ihrer Eingabesätze vor dem Training ist wichtig, um genaue Vorhersagemodelle zu behalten.

    Es wird empfohlen, etwa 80 % der Eingabedaten zum Trainieren des Modells und etwa 20 % der Daten zu verwenden, um zu bewerten, ob das Modell genau ist. Sie können die vorhergesagten Ergebnisse des Modells mit den tatsächlichen Werten für die 20 % der verbleibenden Daten vergleichen.

    Lösungstraining

    Problem Lösung oder vorgeschlagene Aktion
    Das Lösungstraining bleibt zu lange im Status „Warten auf Training“, da der Planerauftrag eine falsche URL der Glide-Rückrufinstanz verwendet. Stellen Sie sicher, dass die Eigenschaft glide.servlet.uri der Glide-Instanz auf die richtige Instanz-URL eingestellt ist. Dieses Problem kann in folgenden Fällen auftreten:
    • Eine Instanz wird aus der Produktion geklont, verweist jedoch immer noch auf die Produktions-URL für die Eigenschaft glide.servlet.uri.
    • Die Glide-Instanz wird bereitgestellt und führt das Training zum ersten Mal aus.
    Neue Kategorien wurden hinzugefügt und haben noch keine Auswirkungen auf das Training. Dies ist das erwartete Verhalten, da die neuen Kategorien möglicherweise noch nicht über ausreichende Daten verfügen, bis die Lösung erneut trainiert wurde.
    Das Lösungstraining schlägt fehl.

    Wenn das Training fehlschlägt, klicken Sie auf dem Lösungsbildschirm auf den zugehörigen Link Trainingsfortschritt anzeigen, um zu bestimmen, wo das potenzielle Problem liegt.
    Das Lösungstraining schlägt aufgrund der Benutzerauthentifizierung fehl. Navigieren Sie zu System Security > Users (Systemsicherheit > Benutzer), und stellen Sie sicher, dass der Benutzer Sharedservice.worker auf Aktiv festgelegt ist.
    Das Modelltraining gibt an, dass das Modell nicht erstellt werden kann. Das Training schlägt fehl und zeigt die Meldung „Fehler beim Trainieren von Lösung“ an. Im Trainingsfortschrittsfenster wird die folgende Meldung angezeigt: „Das Lösungstraining ist fehlgeschlagen, da entweder die verwendeten Daten nicht ausreichen oder das Eingabefeld das Ausgabefeld nicht vorhersagt.“ Dieses Problem kann auftreten, wenn die Datenmenge oder die Verteilung der Feldwerte für die erfolgreiche Erstellung eines Modells nicht ausreicht. Führen Sie die folgenden Schritte zur Problembehebung aus:
    1. Stellen Sie sicher, dass die Verteilung des Ausgabefelds nicht schief ist.
    2. Trainieren Sie das Modell neu, indem Sie die Datumsfilter ändern, um eine größere Datenmenge zu verwenden.
    3. Wenn die Eingabefelder nicht vollständig ausgefüllt sind, fügen Sie einen Filter hinzu, um NULL-Datensätze zu entfernen.
    Die Lösung verfügt über Daten in mehreren Sprachen, die Abdeckungs- und Genauigkeitsergebnisse sind jedoch schlecht.

    Verwenden Sie die folgenden Optionen, um Ihre Metriken zu verbessern.

    Option 1: Aktualisieren Sie die Verarbeitungssprache der Lösung auf die bekannteste nicht englische Sprache.
    Hinweis:
    Standardmäßig wird Englisch für alle Datensätze angewendet.
    Option 2: Wenn für jede Sprache/Region genügend Daten vorhanden sind:
    1. Fügen Sie Filterkriterien für eine bestimmte Sprache/Region hinzu, in der die Hauptsprache bestimmt werden kann (Niederländisch, Englisch, Französisch, Deutsch, Japanisch oder Spanisch).
    2. Generieren Sie eine Lösung für jede Sprache/Region, und wenden Sie auf jede Lösung die richtige Verarbeitungssprache an.

    Lösungsvorhersage

    Problem Lösung oder vorgeschlagene Aktion
    Die Vorhersage schlägt fehl und gibt eine Java-Ausnahme zurück, bei der die Ursache unbekannt ist.
    1. Suchen Sie in den Protokollen von Predictive Intelligence Glide nach der Ausnahme.
    2. Senden Sie einen Incident-Datensatz für Predictive Intelligence mit allen relevanten Details wie Ausnahme, betroffene Instanz, Lösungsname und Eingabezeichenfolge.
    Es wird keine Vorhersage auf den Incident-/Falldatensatz angewendet, aber die Vorhersage gibt einen Wert zurück, wenn sie im Rest API Explorer getestet wird. Dies kann vorkommen, wenn die Konfidenz der Vorhersage kleiner ist als der zum Treffen einer Vorhersage erforderliche Schwellenwert. Führen Sie nach dem Trainieren der Lösung die folgenden Schritte aus, um zu überprüfen, ob die Lösungseinstellungen angepasst werden müssen.
    1. Navigieren Sie zu System-Webservices > REST > REST API Explorer, um das Konfidenzniveau für die Vorhersage zu ermitteln. Weitere Informationen finden Sie unter Vorhersage einer Klassifizierungslösung testen.
    2. Überprüfen Sie im Datensatz der ML-Lösungsdefinition den Schwellenwert für die Ergebnisklasse, der in der Vorhersage zurückgegeben wurde, indem Sie auf den Namen der Klasse klicken. Die Seite Klasse wird angezeigt.
    3. Überprüfen Sie die Werte für Geschätzte Genauigkeit und Geschätzte Abdeckung. Wenn der entsprechende Schwellenwert größer ist als die Vorhersagekonfidenz des Ergebnisses, ist dies die Ursache dafür, dass keine Vorhersage angezeigt wurde.
    4. Passen Sie die Werte für Klassengenauigkeit und -abdeckung an, um die Abdeckung oder Genauigkeit zu erhöhen. Weitere Informationen finden Sie unter Trainierte Klassifizierungslösung optimieren.

    Klonen von Instanzen

    Problem Lösung oder vorgeschlagene Aktion
    Nachdem eine Instanz geklont wurde, schlagen Vorhersagen für die vorhandenen Lösungen fehl. Die ML-Lösungsartefakte in der Tabelle [ml_artifacts] werden in der Tabelle [sys_attachment] gespeichert. Wenn die Tabelle [ml_artifacts] beim Ausführen nicht im Klon enthalten ist, schlagen die Vorhersagen fehl. Stellen Sie sicher, dass der Klon die ML-Artefakte (maschinelles Lernen) enthält, da diese wichtige Komponenten Ihrer Predictive Intelligence-Lösung sind.
    Nachdem eine Instanz geklont wurde, schlägt das Lösungstraining fehl. Während der Klonvorgang fortgesetzt wird, ist es möglich, dass der Benutzer „sharedservice.worker“ deaktiviert oder ausgesperrt wurde oder dass seine Benutzer-ID nicht festgelegt wurde. Lösen Sie diese Probleme, damit das Lösungstraining erfolgreich durchgeführt werden kann.