Créer un modèle pour prédire des incidents ouverts similaires

  • Rversion finale: Australia
  • Mis à jour 12 mars 2026
  • 2 minutes de lecture
  • Utilisez pour Intelligence des tâches pour CSM créer et former un modèle d’apprentissage machine qui identifie les incidents ouverts similaires. Le modèle analyse des données d’incidents ouverts similaires pour suggérer des enregistrements d’incidents pertinents lors du travail sur un incident ouvert actuel, ce qui aide les agents à résoudre les problèmes plus rapidement. Le module d’extension inclut un modèle prêt à l’emploi pour prédire des cas similaires et vous permet également de créer des modèles personnalisés adaptés à vos cas d’utilisation spécifiques.

    Avant de commencer

    • Assurez-vous que le module d’extension Intelligence des tâches pour Service clientèle est installé.
    • Assurez-vous que votre instance contient suffisamment d’enregistrements d’incidents ouverts (minimum 10 000 recommandés) pour permettre une formation significative.
    • Rôle requis : ml_admin, ti_admin

    Configurer le modèle de prédiction

    Procédure

    1. Accédez à la Tous > Task Intelligence pour le service clientèle > Configuration.
      La console d’administration Intelligence des tâches s’affiche.
    2. Sur la carte Incidents ouverts similaires, sélectionnez Prêt pour la formation.
      Le modèle s’ouvre dans un flux de configuration guidée. L’écran Définir l’objectif s’affiche.
    3. Définissez l’objectif :
      1. Passez en revue le nom de modèle prérempli.
      2. La table Prédiction et la table Formation sont présélectionnées respectivement en tant que Tickets et Incidents.
        Ces valeurs sont fixes et ne peuvent pas être modifiées.
      3. Sélectionnez Enregistrer et continuer.
        L’écran Former votre modèle s’affiche.
    4. Formez votre modèle :
      1. Les champs Nom du modèle et Table de prédiction sont préremplis et ne peuvent pas être modifiés.
      2. Facultatif : Appliquez des conditions pour filtrer les données de formation.
      3. Dans le champ Table de prédiction , sélectionnez des champs tels que Description et Description brève que le modèle doit utiliser pour identifier les similitudes.
      4. Dans la section Table de formation , sélectionnez les champs correspondants ou pertinents qui aident le modèle à comparer les incidents ouverts.
      5. Choisissez la langue pour la formation.
      6. Définissez la fréquence de mise à jour.
      7. Passez en revue le nombre d’enregistrements.
        Si nécessaire, sélectionnez l’icône Charger les enregistrements pour recharger.
      8. Facultatif : Activez la reformation automatique pour permettre la reformation du modèle selon un calendrier défini.
      9. Sélectionnez Lancer la formation.
      10. Une fois la formation commencée, sélectionnez Afficher les résultats actuels pour prévisualiser les exemples de sorties.
        L’écran Évaluer et définir s’affiche.
    5. Évaluer et définir :
      1. Passez en revue le nombre estimé d’enregistrements utilisés pour la formation.
      2. Dans Préférence de prédiction, sélectionnez l’une des options suivantes :
        • Recommandations : recommande des incidents ouverts similaires (sélectionnés par défaut).
        • Surveiller uniquement : exécute le modèle en arrière-plan sans afficher de recommandations. Vous pouvez analyser les données enregistrées avant d’activer les recommandations.
        • Désactiver les prédictions : désactive toutes les prédictions pour ce modèle.
      3. Sélectionnez Enregistrer et continuer.
        L’écran Déployer votre modèle s’affiche.
    6. Déployez votre modèle :
      1. Passez en revue votre configuration et votre résumé de formation, puis sélectionnez Déployer pour activer le modèle.
        Un message de confirmation s’affiche lorsque le déploiement est terminé.
      Résultat

      Une fois déployés, des incidents ouverts similaires sont affichés dans la section Actions recommandées sous l’onglet Actions suggérées lorsqu’un agent ouvre un ticket qui l’aide à résoudre les tickets plus rapidement à l’aide des problèmes connexes et des solutions antérieures.