Conseils de configuration pour Intelligence prédictive

Si vous rencontrez des problèmes au cours de votre formation sur la solution et de votre prédiction de la solution, suivez ces suggestions de résolutions.

Données d'entrée

Il est recommandé d’avoir au moins 30 000 enregistrements pour former vos modèles, mais la précision du modèle est déterminée par les données entrées.

Trois facteurs principaux déterminent la qualité des données d’entrée utilisées pour former des solutions :

• Propreté : les données atténuées réduisent le bruit, ce qui rend le modèle plus précis.
• Qualité : l’entrée et la sortie doivent être valides et correctes pour entraîner le modèle à faire des prédictions précises.
• Distribution : les données qui représentent l’ensemble du jeu de données dans son ensemble de données se traduiront par un modèle capable d’effectuer des prédictions plus généralisées.

La plupart des ensembles de données brutes contiennent des données erronées et inutilisables. Il est essentiel d’examiner vos jeux d’entrées avant la formation pour conserver des modèles prédictifs précis.

Il est recommandé d’utiliser environ 80 % de vos données d’entrée pour former votre modèle et environ 20 % des données pour évaluer si le modèle est précis. Vous pouvez comparer les résultats prédits du modèle aux valeurs réelles des 20 % de données restantes.

Formation à la solution

Problème	Résolution ou action suggérée
La formation à la solution reste en attente de formation pendant trop longtemps, car la tâche de planificateur utilise une URL d’instance de rappel Glide incorrecte.	Assurez-vous que la glide.servlet.uri propriété dans l’instance Glide est définie sur l’URL d’instance correcte. Ce problème peut se produire dans les cas suivants : Une instance est clonée à partir de la production, mais elle fait toujours référence à l’URL de production de la glide.servlet.uri propriété. L’instance Glide est mise en service et exécute la formation pour la première fois.
De nouvelles catégories ont été ajoutées et n’ont pas encore d’impact sur la formation.	Il s’agit d’un comportement attendu, car les nouvelles catégories peuvent ne pas encore disposer de données suffisantes tant que la solution n’est pas reformée.
La formation à la solution échoue.	Lorsque la formation échoue, cliquez sur le lien connexe Afficher la progression de la formation sur l’écran de la solution pour déterminer où se situe le problème potentiel.
La formation à la solution échoue en raison de l’authentification de l’utilisateur.	Accédez à Sécurité de système> Utilisateurs et assurez-vous que l’utilisateur sharedservice.worker est défini sur Actif.
La formation du modèle renvoie l’indication que le modèle ne peut pas être créé. La formation échoue et affiche le message « Erreur lors de la formation à la solution ». La fenêtre de progression de la formation affiche le message suivant : « Échec de la formation à la solution, car les données utilisées ne sont pas suffisantes ou le champ d’entrée n’est pas prédictif du champ de sortie. »	Ce problème peut se produire lorsque la quantité de données ou la distribution des valeurs de champ n’est pas suffisante pour qu’un modèle soit généré correctement. Pour résoudre les problèmes, procédez comme suit : Assurez-vous que la distribution du champ de sortie n’est pas asymétrique. Reformer le modèle en modifiant les filtres de date pour utiliser une plus grande quantité de données. Si les champs d’entrée ne sont pas entièrement remplis, ajoutez un filtre pour supprimer les enregistrements nuls.
La solution dispose de données en plusieurs langues, mais les résultats de couverture et de précision sont médiocres.	Utilisez les options suivantes pour améliorer vos mesures. Option 1 : mettez à jour la langue de traitement de la solution vers la langue autre que l’anglais la plus importante. Remarque : L’anglais est appliqué par défaut pour tous les jeux de données. Option 2 : S’il y a suffisamment de données pour chaque langue/région : Ajoutez un critère de filtre pour une langue/région spécifique dans laquelle la langue principale peut être identifiée (néerlandais, anglais, français, allemand, japonais ou espagnol). Générez une solution pour chaque langue/région et appliquez la langue de traitement appropriée à chaque solution.

Prédiction de solution

Problème	Résolution ou action suggérée
La prédiction échoue et renvoie une exception Java dont la cause est inconnue.	Recherchez l’exception dans les Intelligence prédictive journaux Glide. Soumettez un enregistrement d’incident pour Intelligence prédictive inclure tous les détails pertinents, tels que l’exception, l’instance impactée, le nom de la solution et la chaîne d’entrée.
Aucune prédiction n’est appliquée à l’enregistrement d’incident/de ticket, mais la prédiction renvoie une valeur lorsqu’elle est testée dans l’explorateur d’API Rest.	Cela peut se produire lorsque la fiabilité de la prédiction est inférieure au seuil requis pour effectuer une prédiction. Une fois que votre solution est formée, procédez comme suit pour confirmer si vos paramètres doivent être ajustés. Naviguez vers Services Web du système > REST > l’Explorateur d’API REST pour trouver le niveau de fiabilité de la prédiction. Consultez Tester une prédiction de solution de classification. Dans votre enregistrement de définition de solution ML, vérifiez le seuil défini pour votre classe de résultats qui a été renvoyé dans la prédiction en cliquant sur le nom de la classe. La page Class (Classe ) s’affiche. Vérifiez la précision estimée et les valeurs de couverture estimées . Si le seuil correspondant est supérieur à la fiabilité de prédiction du résultat, il s’agit de la raison pour laquelle vous n’avez vu aucune prédiction. Ajustez la précision de la classe et les valeurs de couverture pour augmenter la couverture ou la précision. Consultez Régler une solution de classification formée.

Clonage d’instance

Problème	Résolution ou action suggérée
Une fois qu’une instance est clonée, les prédictions pour vos solutions existantes échouent.	Les artefacts de la solution ML de la table [ml_artifacts] sont stockés dans la table [sys_attachment]. Si la table [ml_artifacts] n’est pas incluse dans le clone lorsque vous l’exécutez, les prédictions échouent. Assurez-vous que votre clone inclut les artefacts d’apprentissage machine, car ce sont des composants critiques de votre Intelligence prédictive solution.
Une fois qu’une instance est clonée, la formation à la solution échoue.	Au fur et à mesure de l’exécution du clonage, il est possible que l’utilisateur sharedservice.worker ait été désactivé, verrouillé ou que l’ID utilisateur ne soit pas défini. Résolvez ces problèmes afin que la formation à la solution réussisse.