예측 인텔리전스 프레임 워크

예측 인텔리전스 는 릴리스에서 분류, 유사성 및 클러스터링의 세 가지 모델 프레임워크를 Xanadu 제공합니다. 각 프레임워크는 서로 다른 유형의 예측에 특화되어 있습니다.

예측 인텔리전스 분류 프레임워크

분류 프레임워크를 예측 인텔리전스 사용하면 기록을 생성하는 동안 머신 러닝 알고리즘을 사용하여 범주형 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.

들어오는 요청을 더 낮은 비용으로 처리할 수 예측 인텔리전스 있습니다. 축소할 요청의 범주화 및 할당을 자동화합니다.

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

자세한 내용은 분류 솔루션 생성 및 교육 문서를 참조하십시오.

예측 인텔리전스 유사성 프레임워크

유사성 프레임워크는 예측 인텔리전스 새 레코드와 값이 비슷한 기존 레코드를 식별합니다. 예를 들어 유사한 인시던트 기록의 정보를 기반으로 해결 방법을 권장하도록 인시던트 기록의 하위 집합을 교육할 수 있습니다. 해결이 입증된 유사한 종결 인시던트를 사용하면 에이전트와 이행자가 수신 인시던트에 대해 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 작동 안 함 및 프린터 고장 구 는 모두 비슷한 것으로 인식됩니다. 또한 프레임워크는 산업별 컨텍스트를 수집, 학습 및 적용합니다. 예를 들어, 네트워크에 연결할 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 데이터를 패턴을 식별하는 데 사용할 수 있는 그룹으로 나눕니다. 그런 다음 기록을 집합적으로 처리하거나 기존 데이터에서 격차를 찾을 수 있습니다. 예를 들어 유사한 새 인시던트를 그룹화하여 중요 중단을 식별할 수 있습니다.

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

릴리스에서 Washington DC 사용되지 않음: 예측 인텔리전스 회귀 프레임워크

중요사항:

새 회귀 솔루션 생성에 대한 지원이 릴리스에서 Washington DC 제거되었습니다. 기존 솔루션을 교육하고 편집할 수 있지만 새 솔루션을 만들 수는 없습니다. 이 정보는 레거시 컨텍스트에 대해 제공됩니다.

회귀는 과거 데이터를 사용하여 온도 또는 주가와 같은 숫자 출력을 예측하는 기계 학습 프레임워크입니다.

자세한 내용은 회귀 솔루션 생성 및 교육 문서를 참조하십시오.