인시던트와 관련된 미해결 문제 제안

이 템플릿을 사용하여 유사한 미해결 문제 기록을 추천하면 문제 조사 및 해결 프로세스를 신속히 처리할 수 있습니다.

시작하기 전에

필요한 역할: piwb_manager 또는 piwb_viewer

이 태스크 정보

이 사용 사례 템플릿은 ITSM 첫 번째 호출 해결을 개선하고 문제 기록의 해결 단계를 조사하는 데 걸리는 시간을 단축합니다. 이 템플릿은 예측 인텔리전스 플랫폼 애플리케이션과 관련 설명서에 대한 링크도 제공합니다.

이 사용 사례에서는 보다 현명한 해결을 위해 미해결 문제 기록을 과거의 해결된 문제 기록과 비교하는 유사성 기반 예측 모델을 사용합니다. 유사한 미해결 문제 기록이 에이전트 지원에 표시되고 관련 검색을 통해 인시던트 양식에도 표시됩니다.

주:

비즈니스 사용자가 유사한 미해결 문제 검색 결과를 확인해야 합니다. 필요한 경우 고객 서비스 및 지원에 문의하여 컨텍스트 검색을 위한 소스를 구성할 수 있습니다.

사용 사례 템플릿에 미리 교육함 레이블이 표시되면 사용자 모델 테스트 구현 섹션으로 바로 이동할 수 있습니다. 그렇지 않으면 머신 러닝 모델을 만드는 것부터 시작합니다.

프로시저

1. 예측 인텔리전스 워크벤치 제품 템플릿에서 신규 생성 모듈에서 바로 이 절차를 시작하고 제품 설명서 링크를 클릭하여 여기로 이동한 경우 이 단계를 건너뜁니다.
   그렇지 않은 경우 예측 인텔리전스 워크벤치 > 사용 사례 > 템플릿에서 신규 생성으로 이동합니다.
2. 인시던트와 관련된 미해결 문제 제안 템플릿을 선택합니다.
   이 절차에 대한 링크와 플랫폼 예측 인텔리전스 제품 및 관련 설명서에 대한 링크를 제공하는 인시던트와 관련된 미해결 문제 제안 팝업이 열립니다.
3. 머신 러닝 예측 모델을 만들고 교육합니다.
   모델을 만들려면 단어 말뭉치를 만들고, 유사성 예측 규칙을 정의하고, 초기 교육 빈도를 정의하고, 새로 고침 빈도를 정의해야 합니다.
   1. 단어 말뭉치를 만듭니다.

      단어 말뭉치 컨텐츠 양식에서 단어 말뭉치를 만들 때 테이블 필드에서 인시던트 [인시던트] 및 문제 [문제]를 선택하고, 필터 필드에서 현재 단어 사용을 가장 잘 설명하는 시간 범위를 정의합니다. 예를 들어 6개월 전에 IT 시스템의 주요 인프라가 변경된 경우 지난 6개월의 데이터만 사용합니다. 필드 목록 필드에서 설명, 짧은 설명, 해결 참고 사항 등의 단어를 가장 잘 캡처하는 필드만 정의합니다. 예측 규칙이 짧은 설명을 기반으로 문제를 찾을 수 있기 때문에 일반적으로 이 정도만 정의해도 충분합니다.

      말뭉치를 만들면 다음 단계에서 유사성 예측 규칙을 만들 수 있습니다.

   2. 유사성 솔루션을 생성하고 교육합니다.
   3. 이 초기 모델을 만들 때 레이블 필드에 유사성 솔루션 정의 레이블 유사한 미해결 문제를 입력합니다.
   4. 교육 빈도 필드를 한 번 실행으로 설정합니다.
      이 사용 사례를 비즈니스 프로세스에 구현하고 예측 인텔리전스 워크벤치 대시보드에서 성능을 모니터링한 후에는 이 구성을 재설정할 수 있습니다.
   5. 업데이트 빈도 필드를 15분 마다로 설정합니다.

      이 필드는 검색 창에서 과거의 문제 기록을 새로 고치는 빈도를 정의합니다. 가능한 경우 그리고 해당하는 경우 다른 사용 사례에 대해 생성된 기존 단어 말뭉치를 사용하면 전체적인 단어 말뭉치를 줄이고 이러한 기록을 수월하게 관리할 수 있습니다. 유사성 정의 양식의 테이블 필드에서 문제 기록의 예측 시간에 사용할 수 있는 유사성에 대한 입력만 선택합니다. 필요한 경우 테스트 테이블 필드에서 더 많은 입력을 선택하여 비교할 수 있습니다. 테이블 및 테스트 테이블 필드 둘 다 유사한 필드로 시작하는 것이 가장 좋습니다.

      필터 필드 조건에 따라 과거의 해결된 문제 기록에 대한 검색 창이 결정됩니다. 최상의 해결된 문제 기록 세트 내에서 검색하도록 필터 조건을 구성합니다. 여기에는 시간 범위, 위치, 문제 기록이 관련된 범주 등의 여러 고려 사항이 포함됩니다.

   6. 제출 및 교육을 클릭하여 유사성 솔루션 기록을 생성하고 교육합니다.
      또는 제출을 클릭하여 유사성 솔루션 기록을 저장해 두었다가 나중에 돌아가서 교육할 수도 있습니다.
4. 모델을 평가하고 조정합니다.

   유사성 점수가 60을 넘지만 두 문제 기록이 비슷하게 보이지 않는 경우 입력 및 필터를 변경하여 다른 모델 또는 단어 말뭉치를 만들거나 둘 다 만들 수 있습니다. 솔루션 정의를 수정하면 새로운 솔루션을 만들 수 있지만 이전 솔루션은 무효화된다는 점에 유의합니다.

   이전 솔루션 정의로 되돌리려면 매개변수를 초기화하고 솔루션을 다시 교육해야 합니다. 따라서 새로운 유사성 모델을 만들어 본 후 새 단어 말뭉치를 만드는 것이 좋습니다.

   유사성 솔루션의 점수를 조정하려면 유사성 점수 임계치 업데이트를 참조하십시오.

5. 만족스러운 모델이 있으면 유사성 솔루션 예측을 테스트합니다.
   수동으로 입력을 제공하고 상위 유사한 결과 출력 값을 선택할 수 있습니다.
6. 동작을 테스트한 후에는 사용자 경험 레이아웃을 구성하여 귀속 결과 및 결과에 대해 수행된 작업을 표시합니다.
   에이전트 지원에 대한 작업 공간 UI 또는 컨텍스트 검색에 대한 Now Platform를 통해 이러한 결과와 작업을 구성할 수 있습니다. 테이블 구성 및 사용자 경험을 통해 작업 및 검색 컨텍스트를 구성하고 컨텍스트 검색 > 검색 결과 표시 구성을 통해 카드 레이아웃을 구성합니다.
7. 교육된 모델을 프로덕션으로 익스포트하여 통합합니다.
   주:

   교육된 사용 사례 통합 구현에 대한 자세한 내용은 예측 인텔리전스 워크벤치 통합 및 커스터마이제이션 문서를 참조하십시오.
8. 유사성 결과를 모니터링하고 IT 에이전트가 유용한 피드백을 제공하는지 확인합니다.

   기본 시스템 예측 인텔리전스 환경에는 유사성 결과가 유용한지 식별하는 기본 피드백 메커니즘이 포함되어 있습니다. 이 데이터를 캡처하여 나중에 보고할 수 있도록, 온라인과 오프라인으로 피드백을 제공하도록 IT 에이전트를 교육합니다. 이 알고리즘은 감시되지 않으므로 IT 에이전트의 정기적인 피드백을 받아서 유사성 모델이 여전히 만족스러운 결과를 제공하는지 확인해야 할 수도 있습니다. 이 피드백은 모델의 유용성이 떨어져 새 교육이 필요한지 여부를 결정하는 유일한 방법입니다. 구현 및 통합 전략에는 변경 관리 프로세스뿐 아니라 유사성 결과 피드백을 제공하는 IT 에이전트 교육도 포함되어야 합니다.

9. 비즈니스 KPI(핵심성과지표)를 머신 러닝 메트릭에 연결하여 이해 관계자에게 예측 인텔리전스의 가치를 전달합니다.

   IT 에이전트에 가장 도움이 된다고 생각하는 KPI를 하나 이상 선택합니다. 이러한 KPI의 추세를 보여주는 퍼포먼스 분석 대시보드를 만듭니다. 피드백 메커니즘을 통해 IT 에이전트로부터 받는 "좋아요"는 예측 인텔리전스의 가치를 전달하는 데 도움이 됩니다.

   예측 인텔리전스 워크벤치 대시보드에 대한 자세한 내용은 ITSM 예측 인텔리전스 워크벤치 대시보드를 참조하십시오.