Predictive Intelligence Frameworks

Predictive Intelligence Stellt drei verschiedene Modell-Frameworks in bereit Zurich Release: Klassifizierung, Ähnlichkeit und Clustering. Jedes Framework ist auf verschiedene Arten von Vorhersagen spezialisiert.

Klassifizierungs-Framework von Predictive Intelligence

Die Predictive Intelligence Mit dem Klassifizierungs-Framework können Sie Algorithmen für maschinelles Lernen verwenden, um kategorische Feldwerte während der Datensatzerstellung festzulegen. Sie können beispielsweise das Modell verwenden, um die Incident-Kategorie basierend auf der Kurzbeschreibung festzulegen. Sie können Vorhersagemodelle trainieren, damit sie als Service Desk-Mitarbeiter fungieren, um Arbeit basierend auf Ihrer bisherigen Erfahrung bei der Datensatzverarbeitung automatisch zu kategorisieren und weiterzuleiten.

Aktivieren Predictive Intelligence Zur Verarbeitung von Volumina eingehender Anforderungen zu niedrigeren Kosten. 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. Indem Sie sich ähnliche geschlossene Incidents leihen, die eine bewährte Lösung aufweisen, können Sie Service Desk-Mitarbeitern und Erfüller helfen, schnell die beste Lösung für einen eingehenden Incident zu finden.

Das Ähnlichkeits-Framework benötigt keine genaue Übereinstimmung von Stichwörtern für seine Textvergleiche, da seine Algorithmen ähnliche Wörter und Synonyme basierend auf ähnlichen Kontexten identifizieren. Zum Beispiel die Ausdrücke Drucker funktioniert nicht Und Drucker defekt Werden beide als ähnlich erkannt. Das Framework erfasst, erlernt und verwendet darüber hinaus Ihren branchenspezifischen Kontext. Zum Beispiel der Ausdruck Beitritt zum Netzwerk nicht möglich Hat in einem Computer-Netzwerkunternehmen einen anderen Kontext als in einem Krankenversicherungsunternehmen.

Das Ähnlichkeits-Framework verwendet eine Workflow-Ähnlichkeitslösung. Weitere Informationen finden Sie unter Eine Ähnlichkeitslösung erstellen und trainieren.

Clustering Framework von Predictive Intelligence

Clustering unterteilt Daten in Gruppen, die dann zur Identifizierung von Mustern verwendet werden können. Sie können dann Datensätze kollektiv adressieren oder Lücken in vorhandenen Daten finden. Sie können beispielsweise ähnliche neue Incidents gruppieren, um einen schwerwiegenden Ausfall zu identifizieren.

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

In veraltet Washington DC Release: Predictive Intelligence Regressions-Framework

Wichtig:

Unterstützung für die Erstellung neuer Regressionslösungen wurde in entfernt Washington DC Release. Sie können vorhandene Lösungen trainieren und bearbeiten, aber keine neuen Lösungen erstellen. Diese Informationen werden für Legacy-Kontext bereitgestellt.

Regression ist ein Framework für maschinelles Lernen, das historische Daten verwendet, um numerische Ausgaben wie eine Temperatur oder einen Aktienkurs vorherzusagen.

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