予測インテリジェンス フレームワーク

予測インテリジェンス は、 Yokohama リリースで分類、類似性、クラスタリングの 3 つの異なるモデルフレームワークを提供します。各フレームワークは、さまざまなタイプの予測に特化しています。

予測インテリジェンス 分類フレームワーク

予測インテリジェンス分類フレームワークを使用すると、機械学習アルゴリズムを使用して、レコードの作成時にカテゴリフィールド値を設定できます。たとえば、モデルを使用して、簡単な説明に基づいてインシデントカテゴリを設定できます。予測モデルをトレーニングして、過去のレコード処理経験に基づいて作業を自動的に分類してルーティングするエージェントとして機能するようにできます。

予測インテリジェンス が大量の受信要求を低コストで処理できるようにします。要求の分類とアサインを自動化して以下を削減します。

• タスク解決時間
• タスクの解決に必要な操作の数
• 作業の分類およびアサインの誤り率

詳細については、「分類ソリューションの作成とトレーニング」を参照してください。

予測インテリジェンス の類似性フレームワーク

予測インテリジェンス の類似性フレームワークは新規レコードに類似した値を持つ既存レコードを特定します。たとえば、インシデントレコードのサブセットをトレーニングし、類似のインシデントレコードの情報に基づいて解決策を推奨できます。解決策が実証済みの類似のクローズ済みインシデントから借用することで、エージェントと履行者が受信したインシデントに対して最適な解決策を迅速に提供できるようになります。

類似性フレームワークは、アルゴリズムが類似のコンテキストに基づいて類似の単語や同義語を識別するため、テキスト比較にキーワードの完全一致を必要としません。たとえば、「 プリンターが機能しない 」と「 プリンターが壊れている 」というフレーズは、どちらも類似していると認識されます。フレームワークは、業界固有のコンテキストの収集、学習、適用も行います。たとえば、「 ネットワークに参加できない 」というフレーズは、コンピューターネットワーク会社とヘルスケア保険会社では異なるコンテキストを持ちます。

類似性フレームワークは、ワークフロー類似性ソリューションを使用します。詳細については、「類似性ソリューションの作成とトレーニング」を参照してください。

予測インテリジェンス のクラスタリングフレームワーク

クラスタリングでは、データをグループに分割し、それを使用してパターンを識別できるようにします。その後、レコードをまとめて処理したり、既存のデータのギャップを見つけたりすることができます。たとえば、類似の新しいインシデントをグループ化して、重大な機能停止を特定できます。

クラスタリングフレームワークは、ワークフロークラスタリングソリューションを使用します。詳細については、「クラスタリングソリューションを作成してトレーニングする」を参照してください。

Washington DC リリースで廃止:予測インテリジェンス回帰フレームワーク

重要:

新しい回帰ソリューションの作成のサポートは、 Washington DC リリースで削除されました。既存のソリューションをトレーニングおよび編集することはできますが、新しいソリューションを作成することはできません。この情報は、従来のコンテキスト用に提供されています。

回帰は、履歴データを使用して気温や株価などの数値出力を予測する機械学習フレームワークです。

詳細については、「回帰ソリューションの作成とトレーニング」を参照してください。