예측 인텔리전스 프레임 워크

예측 인텔리전스 는 릴리스에서 Washington DC 분류, 유사성 및 클러스터링이라는 세 가지 모델 프레임워크를 제공합니다. 각 프레임워크는 서로 다른 유형의 예측을 전문으로 합니다.

예측 인텔리전스 분류 프레임워크

분류 프레임워크를 예측 인텔리전스 사용하면 기록 생성 중에 머신 러닝 알고리즘을 사용하여 범주 필드 값을 설정할 수 있습니다. 예를 들어, 모델을 사용하여 짧은 설명을 기반으로 인시던트 범주를 설정할 수 있습니다. 과거의 기록 처리 경험을 기반으로 작업을 자동으로 분류하고 라우팅하는 에이전트 역할을 하도록 예측 모델을 교육할 수 있습니다.

더 낮은 비용으로 들어오는 요청의 볼륨을 처리할 수 예측 인텔리전스 있습니다. 요청의 분류 및 할당을 자동화하여 다음을 줄입니다.

• 작업 해결 시간입니다.
• 작업을 해결하는 데 필요한 상호작용의 수입니다.
• 업무 분류 및 할당의 오류율입니다.

자세한 내용은 분류 솔루션 생성 및 교육 문서를 참조하십시오.

예측 인텔리전스 유사성 프레임워크

유사성 프레임워크는 예측 인텔리전스 새 기록과 값이 유사한 기존 기록을 식별합니다. 예를 들어, 유사한 인시던트 기록의 정보를 기반으로 해결 방법을 권장하도록 인시던트 기록의 하위 집합을 학습시킬 수 있습니다. 해결이 입증된 유사 종결 인시던트를 재사용하면 에이전트와 이행자가 수신 인시던트에 대한 최상의 해결 방법을 신속하게 제공할 수 있습니다.

유사성 프레임워크는 알고리즘이 유사한 컨텍스트를 기반으로 유사한 단어와 동의어를 식별하기 때문에 텍스트 비교를 위해 키워드의 정확한 일치가 필요하지 않습니다. 예를 들어 프린터 작동하지 않음 및 프린터 고장 등의 구는 모두 유사한 것으로 인식됩니다. 이 프레임워크는 또한 산업별 컨텍스트를 수집, 학습 및 적용합니다. 예를 들어, 네트워크에 가입할 수 없다는 문구는 컴퓨터 네트워킹 회사에서 의료 보험 회사에서와 다른 맥락을 갖습니다.

유사성 프레임워크는 워크플로우 유사성 솔루션을 사용합니다. 자세한 내용은 유사성 솔루션 생성 및 교육 문서를 참조하십시오.

예측 인텔리전스 클러스터링 프레임워크

클러스터링은 패턴을 식별하는 데 사용할 수 있는 그룹으로 데이터를 나눕니다. 그런 다음 레코드를 집합적으로 처리하거나 기존 데이터에서 격차를 찾을 수 있습니다. 예를 들어, 유사한 새 인시던트를 그룹화하여 주요 중단을 확인할 수 있습니다.

클러스터링 프레임워크는 워크플로우 클러스터링 솔루션을 사용합니다. 자세한 내용은 클러스터링 솔루션 생성 및 교육 문서를 참조하십시오.

릴리스에서 Washington DC 사용되지 않음: 예측 인텔리전스 regression framework

중요사항:

새 회귀 솔루션 생성에 대한 지원이 릴리스에서 Washington DC 제거되었습니다. 기존 솔루션을 학습하고 편집할 수는 있지만 새 솔루션을 만들 수는 없습니다.

회귀는 온도 또는 주가와 같은 숫자 출력을 예측하기 위해 과거 데이터로 학습할 수 있는 기계 학습 프레임워크입니다. 회귀 프레임워크를 직접 사용하여 성공을 측정할 수 있습니다. 예를 들어 회귀를 사용하여 인시던트 또는 케이스를 해결하는 데 걸리는 시간을 예측할 수 있습니다.

자세한 내용은 회귀 솔루션 생성 및 교육 문서를 참조하십시오.