Ähnliche Lösung – Global

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 7 Minuten Lesedauer

    • Die Ähnliche Lösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive Intelligence Speichert.

    Diese(s) API erfordert Predictive Intelligence Plugin (com.glide.platform_ml) und wird in bereitgestellt sn_ml Namespace.

    Der Flow „Setup der Lösung zu Training“ lautet wie folgt:
    1. Erstellen Sie einen Encoder mit Encoder API.
    2. Verwenden Sie Konstruktor Dient zum Erstellen eines Ähnlichkeitslösungsobjekts.
    3. Fügen Sie das Lösungsobjekt dem Speicher der Ähnlichkeitslösung mit hinzu SimilaritySolutionStore – add() Methode.
    4. Trainieren Sie die Lösung mit SubmitTrainingJob() Methode. Dadurch wird eine Version des Objekts erstellt, das Sie mit verwalten können Ähnliche Lösungsversion API.
    5. Rufen Sie Vorhersagen mit ab SimilaritySolutionVersion – Predict() Methode.
    Hinweis:
    Diese API wird ausgeführt Mit vollständigen Berechtigungen vor dem Vancouver Patch 7 Hotfix 2b und Washington DC Patch 7-Releases. Gewähren Sie in späteren Releases Zugriff mithilfe von ACLs. Weitere Informationen finden Sie unter Query ACLs.

    Nutzungsrichtlinien finden Sie unter Mit ML APIs .

    SimilaritySolution – SimilaritySolution (Objektkonfiguration)

    Erstellt eine Ähnlichkeitslösung.

    Tabelle : 1. Parameter
    Name Typ Beschreibung
    Konfiguration Objekt JavaScript-Objekt mit Konfigurationseigenschaften von Lösung.
    {  
  "domainName": "String",
  "encoder": {Object},
  "label": "String",
  "lookupDataset": {Object},
  "minRowCount": "String",
  "processingLanguage": "String",
  "stopwords": [Array],
  "testDataset": {Object},
  "trainingFrequency": "String",
  "updateFrequency": "String"
}
    Config.Domänenname Zeichenfolge Optional. Domänenname, der diesem Datensatz zugeordnet ist. Siehe Domänentrennung und Predictive Intelligence.

    Standard: Aktuelle Domäne, z. B. „Global“ .
    Config.encoder Objekt Trainiertes Encoderobjekt, das dieser Lösung zugewiesen werden soll. Siehe Encoder – Encoder (Objektkonfiguration).
    Config.label Zeichenfolge Gibt die Vorhersageaufgabe an.
    Config.lookupDataset Objekt Name des Datendefinition Zur Verwendung als Suchsatz.
    Config.minRowCount Zeichenfolge Optional. Mindestanzahl der Datensätze, die im Datensatz für das Training erforderlich sind.

    Standard: 10000
    config.processingLanguage Zeichenfolge Optional. Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet.

    Standard: „en“
    Config.Stoppwörter Array Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter Erstellen Sie eine anwenderdefinierte Stoppwortliste .

    Standard: Englische Stoppwörter
    Config.testDataset Objekt Name des Datendefinition Um nach Ähnlichkeiten mit zu suchen lookupDatasetErgebnisse.
    Config.trainingHäufigkeit Zeichenfolge Optional. Die Häufigkeit, mit der das Modell neu trainiert werden soll.
    Mögliche Werte:
    • Every_30_days
    • Every_60_days
    • Every_90_days
    • Every_120_days
    • Every_180_days
    • run_once
    Standard: Run_once
    Config.updateHäufigkeit Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss.
    Mögliche Werte:
    • Do_Not_Update
    • Every_1_day
    • Every_1_Hour
    • Every_6_hours
    • Every_12_hours
    • Jede_1_Minute
    • Alle_15_Minuten
    • Alle_30_Minuten
    Standard: Do_Not_Update

    Das folgende Beispiel zeigt, wie ein Objekt erstellt und dem hinzugefügt wird Ähnlicher Lösungsspeicher.

    var incidentData = new sn_ml.DatasetDefinition({
        'tableName' : 'incident',
        'fieldNames' : ['category', 'short_description']        
    });
    var kbData = new sn_ml.DatasetDefinition({
        'tableName' : 'kb_knowledge',
        'fieldNames' : ['short_description'],
        'encodedQuery' : 'active=true'
    });
    var encoder = sn_ml.EncoderStore.get('GloVe');
    var mySolution = new sn_ml.SimilaritySolution({
        'label': "similarity solution",
        'lookupDataset' : kbData,
        'testDataset' : incidentData,        
        'encoder' : encoder        
    });
    
    // add solution
    var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution);

    SimilaritySolution – cancelTrainingJob()

    Bricht einen Auftrag für ab Ein Lösungsobjekt Das zum Training übermittelt wurde.

    Tabelle : 2. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 3. Ergebnisse
    Typ Beschreibung
    Keine

    Das folgende Beispiel zeigt, wie Sie einen vorhandenen Schulungsauftrag abbrechen.

    var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity');

mySolution.cancelTrainingJob();

    SimilaritySolution – getActiveVersion()

    Ruft die aktiven ab Ähnliche Lösungsversion Objekt.

    Tabelle : 4. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 5. Ergebnisse
    Typ Beschreibung
    Objekt Aktiv Ähnliche Lösungsversion Objekt.

    Das folgende Beispiel zeigt, wie Sie einen aktiven erhalten Ähnliche Lösung Version aus dem Store und gibt den Schulungsstatus zurück. 

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity');

gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2));

    Ausgabe:

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

    SimilaritySolution – getAllVersions()

    Ruft alle Versionen von abA Ähnliche Lösung Objekt.

    Tabelle : 6. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 7. Ergebnisse
    Typ Beschreibung
    Array Vorhandene Versionen eines Lösungsobjekts. Siehe auch Ähnliche Lösungsversion API.

    Das folgende Beispiel zeigt, wie alle abgerufen werden Ähnliche Lösung Versionsobjekte und rufen Sie auf GetVersionNumber() Und GetStatus() Lösungsversionsmethoden darauf.

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity');

var mlSolutionVersions = mlSolution.getAllVersions();

for (i = 0; i < mlSolutionVersions.length; i++) {
gs.print("Version " + mlSolutionVersions[i].getVersionNumber() + " Status: " + mlSolutionVersions[i].getStatus() +"\n");

    Ausgabe:

    Version 3 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

Version 2 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

Version 1 Status: {"state":"solution_cancelled","percentComplete":"0","hasJobEnded":"true"}

    SimilaritySolution – getLatestVersion()

    Ruft die neueste Version von ab Eine Lösung.

    Tabelle : 8. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 9. Ergebnisse
    Typ Beschreibung
    Objekt Ähnliche Lösungsversion Objekt, das der neuesten Version von entspricht A Ähnliche Lösung .

    Das folgende Beispiel zeigt, wie Sie die neueste Version von abrufen Eine Lösung und gibt ihren Schulungsstatus zurück.

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity');

gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus()), null, 2));

    Ausgabe:

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

    SimilaritySolution – getName()

    Ruft den Namen des Objekts ab, das für die Interaktion mit dem Store verwendet werden soll.

    Tabelle : 10. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 11. Ergebnisse
    Typ Beschreibung
    Zeichenfolge Name des Lösungsobjekts.

    Das folgende Beispiel zeigt, wie aktualisiert wird Ähnliche Lösung Datensatzinformationen erstellen und den Namen des Objekts drucken. 

    // Update solution
var myIncidentData = new sn_ml.DatasetDefinition({
   'tableName' : 'incident',
   'fieldNames' : ['category', 'short_description', 'priority'],
   'encodedQuery' : 'activeANYTHING'
});

var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('Similarity'));

var mySimilarity = new sn_ml.SimilaritySolution({
   'label': "my Similarity solution",
   'dataset' : myIncidentData,
   'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
   'predictedFieldName': 'category'
});

// update solution
sn_ml.SimilaritySolutionStore.update('ml_x_snc_global_global_my_solution_definition_4', mySimilarity);

// print solution name
gs.print('Solution Name: '+mySimilarity.getName());

    Ausgabe:

    Solution Name: ml_x_snc_global_global_my_solution_definition_4

    SimilaritySolution – getProperties()

    Ruft Lösungsobjekteigenschaften ab.

    Tabelle : 12. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 13. Ergebnisse
    Typ Beschreibung
    Objekt Inhalt des Datensatzes und Gleichzeitigkeitslösung() Objektdetails in Ähnlicher SolutionStore .
    {
  "domainName": "String",
  "encoder": {Object},
  "label": "String",
  "lookupDatasetProperties": {Object},
  "name": "String",
  "processingLanguage": "String",
  "scope": "String",
  "stopwords": [Array],
  "testDatasetProperties": {Object},
  "trainingFrequency": "String",
  "updateFrequency": "String"
}
    <Object>.Domänenname Domänenname, der diesem Datensatz zugeordnet ist. Siehe Domänentrennung und Predictive Intelligence.

    Datentyp: Zeichenfolge.
    <Object>.Encoder Encoderobjekt, das dieser Lösung zugewiesen ist. Siehe Encoder – Encoder (Objektkonfiguration).

    Datentyp: Objekt.
    <Object>.Bezeichnung Gibt die Vorhersageaufgabe an. 
    {
  "label": "my first prediction"
}

    Datentyp: Zeichenfolge.
    <Object>.LookupDatasetProperties Details von Datendefinition() Objekt, das als Suchsatz verwendet wird. 
    {
  "encodedQuery": "String",
  "fieldDetails": [Array],
  "fieldNames": [Array],
  "tableName": "String"
}

    Datentyp: Objekt.
    <Object>.LookupDatasetProperties.tableName Name der Tabelle für den Datensatz. Beispiel: „Tabellenname“: „Incident“ .

    Datentyp: Zeichenfolge.
    <Object>.LookupDatasetProperties.fieldnames Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: „Feldnamen“: [„short_description“, „Priorität“] .

    Datentyp: Array.
    <Object>.LookupDatasetProperties.fieldnames.fieldDetails Liste der JavaScript-Objekte, die Feldeigenschaften angeben. 
    [
  {
    "name": "String",
    "type": "String"
  }
]

    Datentyp: Array.
    <Object>.LookupDatasetProperties.fieldnames.fieldDetails. <object>.Name Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll.

    Datentyp: Zeichenfolge.
    <Object>.LookupDatasetProperties.fieldDetails. <object>.Typ Feldtyp für maschinelles Lernen.

    Datentyp: Zeichenfolge.
    <Object>.LookupDatasetProperties.fieldDetails.encodedQuery Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe Codierte Abfragezeichenfolgen .

    Datentyp: Zeichenfolge.
    <Object>.Name Vom System zugewiesener Name.

    Datentyp: Zeichenfolge.
    <Object>.ProcessingLanguage Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet.

    Datentyp: Zeichenfolge.
    <Object>.Umfang Objektbereich. Derzeit ist der einzige gültige Wert Global .

    Datentyp: Zeichenfolge
    <Object>.Stoppwörter Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter Erstellen Sie eine anwenderdefinierte Stoppwortliste .

    Datentyp: Array.
    <Object>.TestDatasetEigenschaften Details von Datendefinition() Objekt, das zum Abrufen von Ähnlichkeiten zwischen Ergebnissen verwendet wird, die in diesem Modell gesucht werden, und Ergebnissen, die in gefunden wurden lookupDataset. 
    {
  "encodedQuery": "String",
  "fieldDetails": [Array],
  "fieldNames": [Array],
  "tableName": "String"
}

    Datentyp: Objekt.
    <Object>.TestDatasetProperties.tableName Name der Tabelle für den Datensatz. Beispiel: „Tabellenname“: „Incident“ .

    Datentyp: Zeichenfolge.
    <Object>.TestDatasetEigenschaften.Feldnamen Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: „Feldnamen“: [„short_description“, „Priorität“] .

    Datentyp: Array.
    <Object>.TestDatasetProperties.fieldnames.fieldDetails Liste der JavaScript-Objekte, die Feldeigenschaften angeben. 
    [
  {
    "name": "String",
    "type": "String"
  }
]

    Datentyp: Array.
    <Object>.TestDatasetProperties.fieldnames.fieldDetails. <object>.Name Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll.

    Datentyp: Zeichenfolge.
    <Object>.TestDatasetProperties.fieldDetails. <object>.Typ Feldtyp für maschinelles Lernen.

    Datentyp: Zeichenfolge.
    <Object>.TestDatasetProperties.fieldDetails.encodedQuery Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe Codierte Abfragezeichenfolgen .

    Datentyp: Zeichenfolge.
    <Object>.TrainingHäufigkeit Die Häufigkeit, mit der das Modell neu trainiert werden soll.
    Mögliche Werte:
    • Every_30_days
    • Every_60_days
    • Every_90_days
    • Every_120_days
    • Every_180_days
    • run_once
    Standard: Run_once

    Datentyp: Zeichenfolge.
    <Object>.UpdateHäufigkeit Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss.
    Mögliche Werte:
    • Do_Not_Update
    • Every_1_day
    • Every_1_Hour
    • Every_6_hours
    • Every_12_hours
    • Jede_1_Minute
    • Alle_15_Minuten
    • Alle_30_Minuten
    Standard: Do_Not_Update

    Datentyp: Zeichenfolge

    Das folgende Beispiel ruft Eigenschaften von ab Ein Lösungsobjekt Im Store. 

    var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity_solution');

gs.print(JSON.stringify(JSON.parse(mySolution.getProperties()), null, 2));
    Ausgabe:
    *** Script: {
  "domainName": "global",
  "encoderProperties": {
    "datasetsProperties": [],
    "name": "wordCorpusA"
  },
  "label": "similarity",
  "lookupDatasetProperties": {
    "tableName": "incident",
    "fieldNames": [
      "short_description"
    ]
  },
  "name": "ml_x_snc_global_global_similarity",
  "processingLanguage": "en",
  "scope": "global",
  "stopwords": [
    "Default English Stopwords"
  ],
  "testDatasetProperties": {
    "tableName": "incident",
    "fieldNames": [
      "short_description"
    ]
  },
  "trainingFrequency": "every_30_days",
  "updateFrequency": "do_not_update"
}

    SimilaritySolution – getVersion(Zeichenfolgenversion)

    Ruft eine Lösung ab Nach angegebener Versionsnummer.

    Tabelle : 14. Parameter
    Name Typ Beschreibung
    Version Zeichenfolge Vorhandene Versionsnummer von Eine Lösung.
    Tabelle : 15. Ergebnisse
    Typ Beschreibung
    Objekt Angegebene Version von Gleichzeitigkeitslösung() Objekt, mit dem Sie anrufen können Ähnliche Lösungsversion API-Methoden.

    Das folgende Beispiel zeigt, wie der Schulungsstatus von abgerufen wird Eine Lösung nach Versionsnummer.

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity');

gs.print(JSON.stringify(JSON.parse(mlSolution.getVersion('1').getStatus()), null, 2));

    Ausgabe:

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

    SimilaritySolution – setActiveVersion(Zeichenfolgenversion)

    Aktiviert eine angegebene Version einer Lösung im Store.

    Tabelle : 16. Parameter
    Name Typ Beschreibung
    Version Zeichenfolge Name des Gleichzeitigkeitslösung() Zu aktivierende Objektversion.

    Durch Aktivieren dieser Version wird jede andere Version deaktiviert.
    Tabelle : 17. Rückgaben
    Typ Beschreibung
    Keine

    Das folgende Beispiel zeigt, wie Sie aktivieren Eine Lösung Version im Store. 

    sn_ml.SimilaritySolution.setActiveVersion("ml_incident_categorization");

    SimilaritySolution – submitTrainingJob()

    Übermittelt einen Schulungsauftrag.

    Hinweis:
    Bevor Sie diese Methode ausführen, müssen Sie dem Store zuerst mithilfe von eine Lösung hinzufügen SimilaritySolutionStore – add() Methode.
    Tabelle : 18. Parameter
    Name Typ Beschreibung
    Keine
    Tabelle : 19. Ergebnisse
    Typ Beschreibung
    Objekt Ähnliche Lösungsversion Objekt, das dem entspricht Ähnliche Lösung Wird trainiert. 
    // Create a dataset 
var incidentData = new sn_ml.DatasetDefinition({
    'tableName' : 'incident',
    'fieldNames' : ['category', 'short_description']
});

var kbData = new sn_ml.DatasetDefinition({
    'tableName' : 'kb_knowledge',
    'fieldNames' : ['short_description'],
    'encodedQuery' : 'active=true'
});

// Create a solution 
var encoder = sn_ml.EncoderStore.get('GloVe');
var mySolution = new sn_ml.SimilaritySolution({
    'label': "similarity solution",
    'lookupDataset' : kbData,
    'testDataset' : incidentData,
    'encoder' : encoder,
});

// Add solution
var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution);


// Train the solution - this is a long running job 
var mySimilarityVersion = mySolution.submitTrainingJob();