Utilisation des API d’apprentissage machine

Utilisez ServiceNow les API d’apprentissage machine (ML) pour former des modèles d’apprentissage machine et exécuter des inférences.

Les API ML permettent de former des solutions et de gérer leurs versions. Vous pouvez obtenir et définir des versions actives, surveiller l’état de la formation, etc. L’API ML fournit également des encodeurs qui permettent d’utiliser la fréquence de terme et la fréquence de document inverse (TF-IDF) en tant que corpus de mots. Les estimations de prévisibilité permettent d’évaluer la valeur prédictive des colonnes de table.

Remarque :

Intelligence prédictive Les API s’exécutent avec tous les privilèges. Pour restreindre l’accès des utilisateurs, incluez un mécanisme de contrôle d’accès dans le script.

Vue d’ensemble de la classe d’API ML

Cette section décrit brièvement les classes pour l’entraînement des solutions ML et l’exécution d’inférences avec des solutions entraînées.

Jeux de données

Un ensemble de données est un ensemble d’enregistrements comprenant un nom de table, des colonnes et des critères de sélection de ligne à utiliser comme entrée pour les algorithmes d’apprentissage ML. Les ensembles de données ne contiennent pas les données réelles.

Pour plus d’informations, consultez DatasetDefinition.

Objets ML – Solutions, codeurs et estimations

Les objets ML définissent une configuration d’entraînement spécifique à appliquer sur un jeu de données. Certaines opérations sont communes à tous les objets ML. Les objets de solution incluent la classification, la mise en grappe, la régression et la similarité.

Les encodeurs sont des objets de traitement de texte qui sont soit préentraînés, soit entraînés en fonction des jeux de données linguistiques que vous fournissez. Vous pouvez former des codeurs qui déterminent comment le système interprète et traite les champs de texte. Pour les solutions ML qui incluent du texte, vous pouvez former un encodeur pour spécifier comment traiter le texte et utiliser l’encodeur formé dans une solution.

Les objets PredictabilityEstimate estiment les champs d’un jeu de données qui sont prévisibles et les fonctionnalités sur lesquelles cette prédictibilité est basée.

Pour en savoir plus, consultez :

• Solution de classification
• Solution de mise en grappe
• Codeur
• Estimation de la prévisibilité
• Solution de régression
• Solution de similarité

Magasins

Les objets ML sont conservés dans un magasin spécifique pour chaque type d’objet. Chaque classe de magasin comprend des méthodes pour les opérations d’ajout, d’obtention, de mise à jour et de suppression.

Pour en savoir plus, consultez :

• ClassificationSolutionStore
• ClusteringSolutionStore
• EncoderStore
• PredictabilityEstimateStore
• RegressionSolutionStore
• SimilaritySolutionStore (en anglais seulement)

Versions

Chaque objet formé génère une nouvelle version sur laquelle vous pouvez exécuter des tâches. Utilisez l’API de version pour obtenir n’importe quelle version de solution et exécuter des tâches dessus.

Pour en savoir plus, consultez :

• ClassificationSolutionVersion
• ClusteringSolutionVersion
• Version de l’encodeur
• PredictabilityEstimateVersion (en anglais seulement)
• Version de la solution de régression
• Version de la solution de similarité

Mise en place : flux d’API ML

Vous pouvez utiliser le flux suivant pour configurer et former des solutions, des codeurs et des estimations de prévisibilité :

Figure 1. Flux d’API ML : formation à la solution, à l’encodeur et à l’estimation

Remarque :

Les définitions d’encodeur prennent en charge plusieurs définitions de jeux de données, mais ont le même flux d’apprentissage.

Pour former une solution avec un encodeur, commencez par créer l’encodeur, puis incluez l’encodeur dans la configuration de la solution.

Figure 2. Flux d’API ML – Formation à l’API de la solution avec encodeur

Exigences relatives à l’encodeur d’objet ML :

• Requis dans les solutions d’API de similarité.
• Requis dans les solutions d’API de clustering, sauf si l’algorithme de distance de Levenshtein est utilisé, auquel cas les codeurs sont facultatifs.
• Facultatif pour les solutions de classification et de régression.
• Non disponible pour les estimations de prévisibilité.

Formation Premiers pas avec la solution ML API

Suivez cet exemple de répartition pour apprendre à configurer et former une solution.

Configurer et former une solution

1. Définissez un jeu de données à l’aide de l’API DatasetDefinition .

   var myData = new sn_ml.DatasetDefinition({
   
     'tableName' : 'incident',
     'fieldNames' : ['assignment_group', 'short_description', 'description'],
     'encodedQuery' : 'activeANYTHING'
   
   });

2. Utilisez le constructeur pour définir la solution, y compris le jeu de données dans la configuration.

   var mySolution = new sn_ml.ClassificationSolution({
   
     'label': "my solution definition",
     'dataset' : myData,
     'predictedFieldName' : 'assignment_group',
     'inputFieldNames':['short_description']
   
   });

   • SolutionClassification()
   • ClusteringSolution()
   • Encoder()
   • PredictabilityEstimate()
   • SolutionRégression()
   • SimilaritySolution()
3. Ajoutez la définition de la solution au magasin à l’aide de la méthode add().

   var my_unique_name = sn_ml.ClassificationSolutionStore.add(mySolution);

   • ClassificationSolutionStore : add()
   • ClusteringSolutionStore – add()
   • EncoderStore : add()
   • PredictabilityEstimateStore : add()
   • RegressionSolutionStore : add()
   • SimilaritySolutionStore : add()
4. Formez la solution à l’aide de la méthode submitTrainingJob(). Une fois la formation terminée, vous pouvez gérer la solution formée à l’aide d’une API de version de solution. Une solution peut être reformée plusieurs fois. Chaque formation aboutit à une nouvelle « version » de la solution sur laquelle vous pouvez exécuter des inférences.

   var myClassifierVersion = mySolution.submitTrainingJob();

   • ClassificationSolution : submitTrainingJob()
   • ClusteringSolutionVersion – submitTrainingJob()
   • Encodeur : submitTrainingJob()
   • PredictabilityEstimate : submitTrainingJob()
   • Solution de régression : submitTrainingJob()
   • SimilaritySolution : submitTrainingJob()

Afficher toutes les solutions de classification d’un magasin

Vous pouvez utiliser la méthode getAllNames() du magasin pour afficher une liste de toutes les solutions qui ont été ajoutées au magasin.

gs.print(JSON.stringify(JSON.parse(sn_ml.ClassificationSolutionStore.getAllNames()), null, 2));

Dans la sortie, le système a nommé la solution ml_x_snc_global_global_my_solution_definition. Utilisez ce nom dans les exemples suivants pour obtenir des informations sur la version.

*** Script: [
  "ml_incident_assignment",
  "ml_x_snc_global_global_my_solution_definition",
  "ml_incident_categorization"
]

• ClassificationSolutionStore : getAllNames()
• ClusteringSolutionStore – getAllNames()
• EncoderStore : getAllNames()
• PredictabilityEstimateStore : getAllNames()
• RegressionSolutionStore : getAllNames()
• SimilaritySolutionStore : getAllNames()

Mise en route des versions de solutions ML API

Suivez ces exemples de répartitions pour apprendre à gérer les versions de solutions formées.

Vérifier l’état de la formation

Procurez-vous la solution de classification dans le magasin, choisissez une version et vérifiez son état de formation. Les méthodes utilisées pour vérifier l’état de la formation sont applicables à tous les types d’objets ML.

1. Obtenez la solution à partir du magasin de solutions de classification à l’aide de la méthode get().

   // Get the solution created in the previous example from the classification solution store
   var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_my_solution_definition');

   • ClassificationSolutionStore : get()
   • ClusteringSolutionStore – get()
   • EncoderStore : get()
   • PredictabilityEstimateStore : get()
   • RegressionSolutionStore : get()
   • SimilaritySolutionStore : get()
2. Accédez à la version de solution la plus récente à l’aide de la méthode de solution getLatestVersion() et obtenez son état de formation à l’aide de la méthode de version getStatus().

   // Access the latest version of the solution and print its training status
   gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus(), null, 2)));

   Sortie à la fin de la formation :

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

   getLatestVersion()	getStatus()
   ClassificationSolution : getLatestVersion()	ClassificationSolutionVersion : getStatus()
   ClusteringSolution – getLatestVersion()	ClusteringSolutionVersion – getStatus()
   Encodeur : getLatestVersion()	EncoderVersion : getStatus()
   PredictabilityEstimate : getLatestVersion()	PredictabilityEstimateVersion : getStatus()
   Solution de régression : getLatestVersion()	RegressionSolutionVersion : getStatus()
   SimilaritySolution : getLatestVersion()	SimilaritySolutionVersion : getStatus()

Obtenir des prédictions à l’aide d’une version de solution

Une fois que la solution a été formée, obtenez la version formée et exécutez une prédiction dessus. Obtenez la solution que vous avez créée à partir du magasin. Ensuite, choisissez la version formée et prédisez la version formée.

Remarque :

Il n’est pas possible de faire des prédictions sur les codeurs et les estimations de prédictibilité.

1. Obtenez la solution à partir du magasin de solutions de classification à l’aide de la méthode get().

   // Get the solution created in the first example from the classification solution store
   var mlSolution = sn_ml.ClassificationSolutionStore.get('ml_x_snc_global_global_my_solution_definition');

2. Utilisez la méthode get() de l’API GlideRecord pour fournir un enregistrement à partir de la table Incident [incident].

   // single GlideRecord input
   var input = new GlideRecord("incident");
   input.get("<sys_id>");

3. Facultatif. Configurez le paramètre de méthode optionsClassificationSolutionVersion – predict() pour renvoyer les trois premiers résultats et renvoyer tous les résultats.

   // configure optional parameters
   var options = {};
   options.top_n = 3;
   options.apply_threshold = false;

4. Déclarez une variable appelée results et affectez-la à la tâche de prédiction. Pour exécuter la tâche de prédiction, obtenez la version de solution la plus récente à l’aide de la méthode ClassificationSolution – getLatestVersion() et appelez la méthode ClassificationSolutionVersion – predict() dessus.

   var results = mlSolution.getLatestVersion().predict(input, options);

   • ClassificationSolutionVersion : predict()
   • ClusteringSolutionVersion – predict()
   • RegressionSolutionVersion : predict()
   • SimilaritySolutionVersion : predict()
5. Affiche la sortie des résultats prévus.

   gs.print(JSON.stringify(JSON.parse(results), null, 2));

   Résultats prévus, exemple de sortie :

   *** Script: {
     "<sys_id>": [
       {
         "confidence": 99,
         "threshold": 24.75,
         "predictedValue": "Email",
         "predictedSysId": ""
       },
       {
         "confidence": 5.88210244009169,
         "threshold": 100,
         "predictedValue": "Email (I/f)",
         "predictedSysId": ""
       },
       {
         "confidence": 2.3461203499840932,
         "threshold": 14.81,
         "predictedValue": "Authentication",
         "predictedSysId": ""
       }
     ]
   }