インシデントに関連するオープン問題の提案

このテンプレートを使用して、問題の調査と解決プロセスを迅速化できるように、同様のオープン問題レコードを推奨します。

始める前に

インシデントの予測インテリジェンスプラグイン (com.snc.incident.ml) をアクティブ化します。

必要なロール: piwb_manager または piwb_viewer

.

このタスクについて

このユースケーステンプレートを使用すると、ITSM の最初に呼び出した解決を改善し、問題レコードの解決手順を調査するために必要な時間を短縮できます。またテンプレートには、予測インテリジェンス プラットフォームアプリケーションと関連ドキュメントへのリンクもあります。

ユースケースでは、よりスマートな解決のために、オープン問題レコードを過去の解決済みの問題レコードと比較する類似性ベースの予測モデルを使用します。同様のオープン問題レコードが、エージェントアシスト と関連検索を介してインシデントフォームにも表示されます。

注:

同様のオープン問題検索結果を検証するには、ビジネスユーザーが必要です。コンテキスト検索のソースを構成するには、必要に応じて カスタマーサービス & サポート に連絡してください。

ユースケーステンプレートに [事前トレーニング済み] ラベルが表示されたら、[モデルをテストしています] の実装セクションに直接移動できます。それ以外の場合は、まず機械学習モデルの作成から進めます。

手順

1. この手順を 予測インテリジェンスワークベンチ 製品の [テンプレートから新規作成] モジュールから直接開始し、かつ製品ドキュメントのリンクをクリックしてここに移動した場合は、この手順をスキップします。
   それ以外の場合は、 予測インテリジェンスワークベンチ > Use Cases (ユースケース) > テンプレートから新規作成
2. [インシデントに関連するオープン問題を提案 (Suggest relevant Open Problems for an Incident)] テンプレートを選択します。
   この手順のリンクとプラットフォーム 予測インテリジェンス 製品および関連ドキュメントのリンクを含む [インシデントポップアップに関連するオープン問題を提案 (Suggest relevant Open Problems for an Incident)] ポップアップが開きます。
3. 機械学習予測モデルを作成してトレーニングします。
   モデルの作成には次が含まれます: ワードコーパスの作成、類似性予測ルールの定義、初期トレーニング頻度の定義、リフレッシュ頻度の定義
   1. ワードコーパスを作成します。

      ワードコーパスを [ワードコーパスコンテンツ] フォームで作成する際は、インシデント [インシデント] と問題 [問題] を [テーブル] フィールドで選択して、[フィルター] フィールドにある現在の単語の使用状況を最もよく表す期間を定義します。たとえば、IT システムで重大なインフラストラクチャの変更が 6 か月前に発生した場合は、過去 6 か月間のデータのみを使用します。[フィールドリスト] フィールドで、説明、簡単な説明、解決メモの単語を最もよく表すフィールドのみを定義します。予測ルールでは簡単な説明に基づいて問題が発生することが予想されるため、通常はこれらを単独で定義するだけで充分です。

      ワードコーパスを作成すると、類似予測ルールを作成する次の手順を準備できます。

   2. 類似性ソリューションを作成してトレーニングします。
   3. この初期モデルを作成するには、類似のソリューション定義ラベルを [ラベル] フィールドに類似のオープン問題として指定します。
   4. [トレーニング頻度] フィールドを [1 回実行] に設定します。
      この構成は、このユースケースをビジネスプロセスに実装してパフォーマンスを 予測インテリジェンスワークベンチ ダッシュボードで監視した後にリセットできます。
   5. [更新頻度] フィールドを [15 分ごと (Every 15 minutes)] に設定します。

      これは、過去の問題レコードが検索ウィンドウで更新される頻度を定義します。可能であれば必要に応じて、他のユースケースに作成された既存のワードコーパスを使用して、全体的なワードコーパスを減らしてこれらのレコードの管理を容易にします。類似性定義フォームの [テーブル] フィールドで、問題レコードの予測時に利用可能になる類似の入力のみを選択します。必要に応じて比較用に、他の入力を [テストテーブル] フィールドに選択できます。[テーブル] と [テストテーブル] の両方のフィールドについて、同様のフィールドから開始することをお勧めします。

      [フィルター] フィールド条件は、解決済みの過去の問題レコードの検索ウィンドウを決定します。検索する解決済みの問題レコードの最適なセットを最適化するためのフィルター条件を設定します。これには、時間枠、場所、問題レコードが関連するカテゴリなど、多くの考慮事項が含まれます。

   6. 類似ソリューションレコードを作成してトレーニングするには、[送信してトレーニング] をクリックします。
      または、[送信] をクリックして類似性ソリューションレコードを保存し、後でトレーニングするために戻れます。
4. モデルを評価および調整します。

   60 を超える類似性スコアがあるが 2 つの問題レコードが類似しない場合は、入力   とフィルターを変更して別のモデル、ワードコーパス、またはその両方を作成することをお勧めします。ソリューション定義を変更すると新しいソリューションの作成に役立ちますが、以前のソリューションが無効になることに注意してください。

   以前のソリューション定義に戻す場合は、パラメーターをリセットしてソリューションを再トレーニングする必要があります。したがって、新しいワードコーパスを作成する前にまず新しい類似性モデルを作成してみてください。

   類似性ソリューションのスコアを調整する場合は、「類似性スコアしきい値の更新」を参照してください。

5. 満足のいくモデルができたら、類似性ソリューション予測をテストします。
   入力を手動で指定して、類似する結果の上位値を選択できます。
6. 動作をテストすると、ユーザーエクスペリエンスレイアウトを構成して、結果に対して実行された属性付きの結果とアクションが表示されます。
   これらの結果とアクションは、ワークスペース UI for エージェントアシスト または Now Platform for コンテキスト検索 で構成できます。を使用したテーブル構成とユーザーエクスペリエンスおよびカードレイアウトを使用したアクションと検索コンテキストの構成 コンテキスト検索 > 検索結果の表示構成.
7. トレーニング済みモデルを本番環境にエクスポートして統合します。
   注:

   トレーニング済みユースケース統合の実装に関する詳細については、「予測インテリジェンスワークベンチ の統合とカスタマイズ」を参照してください。
8. 類似結果を監視して、IT エージェントが有益なフィードバックを提供していることを確認します。

   ベースシステム 予測インテリジェンス エクスペリエンスには、類似結果が役立つかどうかを識別する組み込みのフィードバックメカニズムが含まれています。このデータを将来のレポートで取得するために、オンラインとオフラインの両方で IT エージェントがフィードバックを提供できるようにトレーニングします。これは監視なしのアルゴリズムであるため、類似性モデルが充分な結果を提供しているかどうかを確認するために、IT エージェントから定期的なフィードバックを取得する必要がある場合があります。このフィードバックはモデルが登録済みかどうかを判断する唯一の方法で、新しいトレーニングが必要です。実装および統合戦略の一部、さらに変更管理プロセスには、類似結果のフィードバックを提供する IT エージェントのトレーニングが含まれていることを確認してください。

9. 重要業績評価指標 (KPI) を機械学習のメトリクスにリンクすることで、予測インテリジェンス の価値をステークホルダーに説明します。

   IT エージェントにとって最も有益だと考えられる 1 つ以上の KPI を選択します。これらの KPI の傾向を示す パフォーマンスアナリティクス ダッシュボードを作成します。フィードバックメカニズムを介して IT エージェントから取得した「いいね」は、予測インテリジェンス の価値を説明する際に役立ちます。

   予測インテリジェンスワークベンチダッシュボードに関する情報については、「ITSM 予測インテリジェンスワークベンチダッシュボード」を参照してください。