Predictive Intelligence Frameworks

Predictive Intelligence bietet im Release Yokohama drei verschiedene Modell-Frameworks: Klassifizierung, Ähnlichkeit und Clustering. Jedes -Framework ist auf unterschiedliche Arten von Vorhersagen spezialisiert.

Klassifizierungs-Framework von Predictive Intelligence

Mit dem Klassifizierungs-Framework Predictive Intelligence können Sie Algorithmen des maschinellen Lernens verwenden, um kategorische Feldwerte während der Datensatzerstellung festzulegen. Sie können das Modell beispielsweise verwenden, um die Incident-Kategorie basierend auf der Kurzbeschreibung festzulegen. Sie können prädiktive Modelle so trainieren, dass sie als Agent fungieren, um Arbeit basierend auf Ihrer bisherigen Erfahrung in der Verarbeitung von Datensätzen automatisch zu kategorisieren und weiterzuleiten.

Aktivieren Sie Predictive Intelligence, um eingehende Mengen von Anforderungen zu geringeren Kosten zu bearbeiten. 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 anhand der Daten aus einem ähnlichen Incident-Datensatz eine Lösung zu empfehlen. Durch Nutzung ähnlicher geschlossener Incidents mit nachgewiesener Lösung können Sie Service Desk-Mitarbeitern und Erfüllern helfen, schnell die beste Lösung für einen eingehenden Incident bereitzustellen.

Das Ähnlichkeits-Framework benötigt für seine Textvergleiche keine exakte Übereinstimmung von Stichwörtern, da seine Algorithmen ähnliche Wörter und Synonyme basierend auf ähnlichen Kontexten identifizieren. Zum Beispiel werden die Begriffe „Drucker funktioniert nicht“ und „Drucker defekt“ als ähnlich erkannt. Das Framework erfasst, erlernt und verwendet darüber hinaus Ihren branchenspezifischen Kontext. Beispielsweise hat der Ausdruck „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 zur Identifizierung von Mustern verwendet werden können. Sie können dann Datensätze gemeinsam bearbeiten oder Lücken in vorhandenen Daten finden. Sie können beispielsweise ähnliche neue Incidents gruppieren, um einen schwerwiegenden Ausfall zu identifizieren.

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

Im Release Washington DC veraltet: Predictive Intelligence Regressions-Framework

Wichtig:

Die Unterstützung für das Erstellen neuer Regressionslösungen wurde im Release Washington DC entfernt. Sie können vorhandene Lösungen trainieren und bearbeiten, aber Sie können keine neuen erstellen. Diese Informationen werden für den Legacy-Kontext bereitgestellt.

Regression ist ein Framework für maschinelles Lernen, das Verlaufsdaten verwendet, um numerische Ausgaben vorherzusagen, z. B. Temperatur oder Aktienkurs.

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