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Yokohamaリリースでは、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が提供されます。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させることができます。
- タスク解決時間。
- タスクの解決に必要なインタラクションの数。
- 作業の分類とアサインのエラー率。
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 類似性フレームワーク
予測インテリジェンス類似性フレームワークは、新しいレコードと類似した値を持つ既存のレコードを識別します。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て、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することができます。解決策が実証されている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支援できます。
類似性フレームワークのアルゴリズムは、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、フレーズ「 プリンターが動作しない 」と「 プリンターが壊れている 」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も収集、学習、適用します。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医療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では、ワークフロー類似性ソリューションが使用されます。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 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、パターンを識別するために使用できます。その後、レコードをまとめて対処したり、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、大規模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の作成とトレーニング」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
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。