Erste Schritte mit der Ticketklassifizierung

Das Ivanti Neurons Machine Learning Lab bietet Ihnen eine Umgebung zum Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen. In diesem Abschnitt werden Sie durch den Prozess geführt, der dem Vorbereiten und Konfigurieren von Ticketklassifizierungsmodellen für Neurons for ITSM dient.

Was bietet die Ticketklassifizierung?

Bei Erstellung eines neuen Incidents in Neurons for ITSM wird dieser automatisch in Echtzeit von einem Modell für maschinelles Lernen klassifiziert. Der Incident wird anhand des Inhalts des Betrefffelds dem richtigen Dienst, der richtigen Kategorie und der richtigen Unterkategorie zugeordnet. Sie können Ihr eigenes Modell trainieren und bereitstellen. Wechseln Sie dazu in das Machine Learning Lab auf der Neurons-Plattform und laden Sie Ihre Trainingsdaten hoch.
Ticketklassifizierung:

  • ist mit der Cloud- und der lokalen Version von Neurons for ITSM kompatibel.
  • ist für Kunden verfügbar, die sowohl Neurons for ITSM als auch Neurons for Healing besitzen.

Damit Sie die Ticketklassifizierung verwenden können, muss Ihre Instanz von Neurons for ITSM mindestens Version 2021.3 entsprechen.

Konfigurieren der Ticketklassifizierung

Der Konfigurationsvorgang besteht aus folgenden Schritten:

1. Instanzen von Neurons for ITSM und Ivanti Neurons-Plattform verbinden

Um Ihre Instanz von Neurons for ITSM und Ihre Instanz der Neurons-Plattform zu verbinden, reichen Sie beim Ivanti Cloud Ops-Team (Support) einen Service Request ein. Sie wenden die erforderliche Konfiguration auf Neurons for ITSM an.

Falls Sie über Neurons for Healing und Neurons for ITSM verfügen, aber das Element Software > Machine Learning Lab auf der Neurons-Plattform nicht angezeigt wird, wenden Sie sich bitte an den Ivanti Support.

2. Daten für das Trainieren Ihres Modells für maschinelles Lernen exportieren

Wenngleich das Neurons Machine Learning Lab die Erstellung von Modellen für maschinelles Lernen deutlich vereinfacht, ist das Ergebnis nach wie vor auch von der Qualität des von Ihnen bereitgestellten Trainingssatzes abhängig. Das Modell wird mithilfe dieses Datenbestands trainiert. Die Trainingsdaten sind im Prinzip ein verifizierter Satz aus zuvor erstellten Incidents mit den jeweiligen Klassifizierungen.
Optimale Ergebnisse erzielen Sie, wenn der Datenbestand jede mögliche Klasse abdeckt, d. h. Kombination aus Dienst, Kategorie und Unterkategorie, die in Ihrer Neurons for ITSM-Umgebung verfügbar ist.
Falls Ihre Neurons for ITSM-Umgebung (auch) Tatsächlicher Dienst, Tatsächliche Kategorie und Tatsächliche Unterkategorie verwendet und diese Daten genauer sind, können Sie stattdessen die Felder vom Typ Tatsächlich verwenden.

So exportieren Sie Incidents für Ihren Trainingsdatenbestand:

  1. Öffnen Sie den Workspace Incident in Neurons for ITSM.
  2. Erstellen Sie eine Abfrage, die die Incidentdaten zurückgibt, die Sie aufbereiten möchten, um Ihr Modell für maschinelles Lernen zu trainieren.
  3. Wechseln Sie zu Mehr > Formularaktionen > Exportieren.
Anforderungen an den Trainingsdatenbestand
  • Die Datei muss das CSV-Format aufweisen, d. h. Kommas als Trennzeichen verwenden.
  • Die Datei muss Folgendes enthalten:
    • eine Spalte mit der Bezeichnung Betreff.
    • je nach Konfiguration und Nutzung mindestens eine der Spalten Service, Kategorie oder Unterkategorie.

Nach dem Exportieren der Daten aus Neurons for ITSM können Sie den Datenbestand für das Trainieren vorbereiten.
Falls Sie Daten der Spalten Tatsächlicher Dienst, Tatsächliche Kategorie und Tatsächliche Unterkategorie verwenden möchten, müssen Sie die Spalten umbenennen in Dienst, Kategorie und Unterkategorie.

Ivanti empfiehlt, alle anderen Spalten aus der exportierten CSV-Datei zu löschen.

3. Bereinigen von Trainingsdaten

Stellen Sie sicher, dass Sie alle Punkte in diesem Schritt richtig umsetzen, da sich dies erheblich auf die Genauigkeit des Modells auswirken kann.
Für mehr Übersichtlichkeit können Sie die Daten nach Dienst, Kategorie und Unterkategorie sortieren. Dadurch wird im Prinzip eine nach Klasse sortierte Liste erstellt.

Das Bereinigen der Trainingsdaten besteht aus den folgenden Aktionen:

  • Entfernen Sie personenbezogene Daten.
    Dadurch wird potenziellen Datenschutzverletzungen vorgebeugt und es wird verhindert, dass das Modell durch diese Art von von Daten beeinflusst wird.
    Beispiel    : Falls das Trainingsmodell im Betreff eine Telefonnummer enthält, könnte das sich ergebende Modell diese Nummer als Signal für eine bestimmte Klasse auslegen.
  • Entfernen Sie veraltete Klassen oder benennen Sie sie um.
    Alle Klassen im Training müssen in Neurons for ITSM verfügbar sein. Wenn ein Modell eine nicht verfügbare Klasse vorschlägt, wird dem Benutzer eine Fehlermeldung angezeigt und der Incident kann möglicherweise nicht gespeichert werden.
    Wenn Ihre Trainingsdaten Muster eingestellter Klassen enthalten, haben Sie folgende Möglichkeiten:
    • Benennen Sie das Muster in die richtige verfügbare Klasse um (falls verfügbar).
    • löschen Sie das Muster.
      Stellen Sie sicher, dass Ihre Trainingsdaten sowohl pro Klasse als auch insgesamt über genügend Muster verfügen.
      Siehe Maximale Genauigkeit des trainierten Modells (unten).
  • Korrigieren oder entfernen Sie Beispiele mit zu generischen Klassifizierungen.
    Klassen, die Werte wie "Sonstige" oder "Nicht kategorisiert" enthalten, können zu generisch sein.
    Korrigieren Sie diese Beispiele nach Möglichkeit so, dass sie spezifischere Klassen darstellen und der Betreff nützliche Informationen zum Prognostizieren der Klasse beinhaltet.
  • Entfernen Sie Beispiele, deren Betreff wenig oder keine nützlichen Informationen enthält.
    Muster mit z. B. Die Betreffzeilen "Dringende Anfrage!" oder "Schnelle Hilfe erforderlich" enthalten keine geeigneten Informationen, um das Modell zu trainieren.
  • Korrigieren Sie etwaig inkorrekte Klassifizierungen.
    Weist ein Incident mit dem Betreff "Tasten auf der Tastatur funktionieren nicht" die Klasse "Netzwerk" auf, ändern Sie die Klasse beispielsweise in "Peripheriegeräte".
  • Entfernen oder unterteilen Sie Beispiele, deren Betreff Informationen zu mehreren Problemen in unterschiedlichen Klassen enthält.
    Manchmal fassen Benutzer zwei an sich separate Probleme in einem Incident zusammen, z. B. "Meine Tastatur funktionirt nicht und Ich brauche eine VM".
    Entfernen Sie dieses Beispiel oder unterteilen Sie es in zwei getrennte Incidents, denen jeweils die richtige Klasse zugewiesen ist.
  • Verifizieren Sie die Konsistenz Ihrer Trainingsdaten und verbessern Sie diese nach Möglichkeit.
    Incidents mit (sinngemäß) nahezu identischen Betrefffeldern sollten die gleiche Klassifizierung haben.

    Berücksichtigen Sie folgende Subjekte:

    • "Ich möchte einen Videocall durchführen, aber die Kamera funktioniert nicht."
    • "Mitten in einem Videocall zeigte die Webcam kein Bild mehr an."

    Die Klassen "Videoanruf" und "Webcam" können beide richtig sein. Es ist jedoch wichtig, dass Sie beiden Incidents in Ihren Trainingsdaten dieselbe Klasse zuweisen.

  • Stellen Sie sicher, dass alle möglichen Klassen mit genügend Beispielen vertreten sind.
    Machine Learning Lab benötigt eine ausreichende Menge an Beispielen, um ein genaues Modell erstellen zu können.
    Wenn ihre Trainingsdaten viele Klassen mit wenigen Beispielen enthalten, müssen Sie die Menge der Trainingsdaten erweitern.
    Ziehen Sie alternativ das Zusammenführen und/oder Entfernen einiger dieser Klassen in Betracht.
  • Reduzieren Sie die Anzahl der Beispiele für die Klassen, die in den obigen Durchschnittswerten vertreten sind.
    "Dominante Klassen" wie diese wirken sich auf die Genauigkeit aus, da das Modell eher dazu neigen könnte, eine dominante Klasse auszuwählen.
Maximale Genauigkeit des trainierten Modells

Stellen Sie Folgendes hinsichtlich der Trainingsdaten sicher:

  • enthält nur als funktionierend bekannte Klassifizierungen.
  • ist konsistent.
  • enthält (ungefähr) die gleiche Menge jeder Klasse, unabhängig davon, wie oft jede Klasse tatsächlich verwendet wird.

  • enthält mindestens 50 Muster pro Klasse. So lange die Muster die vorherigen drei Kriterien erfüllen und die Daten ordnungsgemäß bereinigt wurden, gilt generell: Je mehr, desto besser.

    Wenn Ihre Umgebung 10 Dienste nutzt und jeder Dienst über 5 Kategorien verfügt, sind 10 x 5 = 50 Klassen vorhanden.
    Die Trainingsdaten sollten daher mindestens 50 Klassen x 50 Beispiele = 2.500 Beispiele insgesamt umfassen.

    Ob die Mindestmenge zum Erstellen eines genauen Modells ausreicht, ist von Ihren Daten und Klassen abhängig.

4. Datei mit Stoppwörtern vorbereiten (optional)

Um die Leistungsfähigkeit eines Modells zu erhöhen, können Sie optional eine Datei mit Stoppwörtern bereitstellen. Diese Datei enthält Wörter, die das Modell ignorieren soll.
Ein Standardsatz mit Stoppwörtern aus NLTK wird automatisch angewendet.

Anforderungen an die Stoppwörterdatei
  • Die Datei muss im CSV- oder TXT-Format vorliegen.
  • Die Datei darf pro Zeile nur ein Stoppwort enthalten.

5. Modell für maschinelles Lernen erstellen und trainieren

Nachdem Sie Ihre Daten aufbereitet haben, können Sie zum Erstellen und Trainieren des Modells übergehen.

  1. Sie können ein neues Modell hinzufügen.
  2. Laden Sie die Datei mit den Trainingsdaten und (optional) die Datei mit den Stoppwörtern hoch.
  3. Speichern Sie Ihre Änderungen.
  4. Trainieren Sie Ihr Modell.

Machine Learning Lab startet den Trainingsprozess.

Nach Abschluss des Trainings wird die Genauigkeit auf der Registerkarte Details eines Modells angezeigt. Basierend auf dieser Genauigkeit können Sie das Modell bereitstellen oder nicht.
Aktualisieren Sie Ihre Trainingsdaten und/oder Stoppwörter, um die Genauigkeit zu verbessern.

6. Trainiertes Modell für maschinelles Lernen bereitstellen

Wenn Sie über ein trainiertes Modell verfügen, können Sie es in Ihrer Umgebung bereitstellen.
Nach der Bereitstellung beginnt das Modell mit dem Klassifizieren von Incidents in Ihrer Neurons for ITSM-Umgebung.

7. Ticketklassifizierung in Neurons for ITSM aktivieren

Aktivieren Sie die Ticketklassifizierung in Neurons for ITSM.
Eine Anleitung dazu finden Sie im Abschnitt Konfigurieren der Ticketklassifizierung im Konfigurationshandbuch von Neurons for ITSM.

Trainieren eines neuen Modells

Sie können wählen, ein neues Modell zu trainieren, um die Genauigkeit des Modells zu verbessern, z. B. wenn Sie Ihren Satz mit Trainingsdaten weiter bereinigt haben.
In manchen Situationen ist das Trainieren eines neuen Modells notwendig oder sogar dringend:

  • Stilllegung von Klassen
    Wenn ein Modell eine nicht mehr verfügbare Klasse vorschlägt, wird dem Benutzer eine Fehlermeldung in Neurons for ITSM angezeigt und der Incident kann möglicherweise nicht gespeichert werden.
    1. Aktualisieren Sie Ihre Trainingsdaten, sodass keine Beispiele mehr mit der veralteten Klasse enthalten sind.
      Weisen Sie den Beispielen einen andere Klasse zu oder entfernen Sie die Beispiele komplett.
    2. Trainieren Sie eine neues Modell mithilfe der Trainingsdaten.
    3. Stellen Sie das neue Modell bereit.
    4. Stellen Sie die Klasse in Neurons for ITSM ein.
  • Ursprünglicher Zweck einer Klasse ändert sich
    Beispiele:
    • Früher wurde ein Signal für Festnetztelefone verwendet, heute wird es für Mobilgeräte verwendet.
    • Ein Programm in Ihrer Umgebung wird ersetzt oder ein neues Programm wird eingeführt.
    • Ein neuer Produkttyp (z. B. Tablets oder Smartwatches) wird am Markt eingeführt, für den Incidents erstellt werden können.

    Ohne ein neues Modell, das mit Daten trainiert wurde, die auch Beispiele für Incidents enthalten, die diese Änderungen abbilden, könnte die Genauigkeit des Modells nachlassen.

  • Einführung neuer Klassen
    Ein Modell kann nur Klassen vorschlagen, mit denen es trainiert wurde. Wenn Sie kein neues Modell basierend auf den Trainingsdaten erstellen, das die neuen Klassen enthält, wird das Modell die neuen Klassen nicht vorschlagen.