Explorar Predictive Intelligence
ServiceNow® Inteligência preditiva é uma função de plataforma que fornece uma camada de inteligência artificial que capacita recursos e capacidades em aplicações ServiceNow® para fornecer melhores experiências de trabalho.
Visão geral
Inteligência preditiva é um poderoso conjunto de ferramentas para usar inteligência artificial e aprendizado de máquina para melhorar a experiência de trabalho. Você pode criar e treinar modelos na plataforma e integrá-los a outros ServiceNow produtos e aplicações.
A seguir, apresentamos os conceitos subjacentes de Inteligência preditiva e as diferentes estruturas disponíveis.
Para saber mais sobre maneiras de usar modelos existentes, consulte Como usar Inteligência preditiva.
Terminologia
- Inteligência artificial
- Sistemas projetados para fazer um trabalho que precisa de um nível de inteligência humana para ser realizado.
- Aprendizado de máquina
- Capacidade dos modelos de melhorar ao longo do tempo com mais experiência.
- Modelos
- Coleções de algoritmos, matemática e estatísticas que fazem previsões e decisões com base em dados de entrada-saída.
- Treinamento
- Adicionar ou alterar os dados nos quais o modelo se baseia para afetar as previsões futuras.
- Treinamento supervisionado
- Fornecer pares de entrada-saída para que o modelo possa gerar regras que conectem os dois.
- Treinamento não supervisionado
- Fornecer dados brutos para que o modelo possa identificar estruturas no conjunto de dados.
- Frequência de treinamento
- A frequência com que os modelos são treinados novamente para combinar o modelo existente com novos dados de treinamento.
- Corpus de palavras
- Vocabulário que um modelo pode usar para procurar semelhança textual.
Componentes do modelo preditivo
- Definição de solução
- Um registro de dados que você cria e configura que especifica esses valores para treinar um modelo preditivo.
- Os registros usados para treinar o modelo. Por exemplo, treine somente em incidentes que foram resolvidos ou encerrados nos últimos seis meses.
- Os campos de entrada que o modelo usa para fazer previsões. Por exemplo, use a descrição resumida do incidente para fazer uma previsão.
- O campo de saída cujo valor o modelo prevê. Por exemplo, defina a categoria de incidente com base na descrição resumida.
- A frequência para retreinar o modelo. Por exemplo, retreine o modelo a cada 30 dias.
- Solução
- A solução é o resultado de uma definição de solução que você treinou em um datacenter ServiceNow. Inteligência preditiva usa a solução para prever um valor de campo de destino de acordo com um ou mais valores de campo de entrada. Todas as soluções especificam esses valores.
- A precisão da solução é a porcentagem agregada de previsões corretas. Por exemplo, uma precisão de 50 significa que de 100 previsões, metade delas deve ter o valor correto.
- A cobertura da solução é a porcentagem agregada de registros que recebem uma previsão. Por exemplo, uma cobertura de 50 significa que metade de todos os registros qualificados realmente recebem uma previsão.
- As classes de solução são os valores de campo de saída para os quais o modelo pode fazer previsões. Cada classe é um valor de campo de saída com uma lista de possíveis métricas de precisão, cobertura e distribuição para escolher. Por exemplo, a solução de categorização de incidentes tem uma classe para cada categoria, como software, consulta e banco de dados.
- A distribuição de classe é a porcentagem de registros de toda a tabela que têm este valor de campo de saída específico. Por exemplo, uma distribuição de 50 para a classe de consulta significa que metade dos incidentes tem a categoria de consulta.
Estruturas da Inteligência preditiva
Inteligência preditiva fornece três estruturas na versão Washington DC. Cada estrutura tem diferentes tipos de solução para treinar o sistema para prever, recomendar e organizar os resultados dos dados. Uma solução treinada pode ser invocada por qualquer aplicação por meio de uma API para fazer uma previsão. Mais informações podem ser encontradas em Inteligência preditiva estruturas.