Machine Learning Lab
Das Ivanti Neurons Machine Learning Lab bietet Ihnen eine zentrale Umgebung zum Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen. Derzeit können diese Modelle zur Unterstützung von Neurons for ITSM – Ticketklassifizierung verwendet werden, weitere Anwendungen folgen. Die Modelle werden innerhalb der Ivanti Neurons-Plattform erstellt und verbleiben dort auch nachdem sie bereitgestellt wurden.
Dank des Machine Learning Labs benötigen Sie kein fundiertes Wissen über Modelle für maschinelles Lernen.
Das Ivanti Neurons Machine Learning Lab finden Sie unter Software > Machine Learning Lab.
Für die erfolgreiche Implementierung eines Modells für maschinelles Lernen müssen Sie Folgendes vorbereiten:
- Trainingsdaten: Ein Satz aus Beispielen, bei denen die Kombination aus Eingabe und Ausgabe bekanntermaßen funktioniert.
- Stoppwörter (optional): Eine Liste mit Wörtern, die das Modell ignorieren soll. Dadurch lässt sich die Leistungsfähigkeit des Modells verbessern.
Ein Standardsatz mit Stoppwörtern aus NLTK wird automatisch angewendet.
Weitere Informationen zum Vorbereiten Ihres Datenbestands und Trainieren eines Modells für maschinelles Lernen finden Sie unter Erste Schritte mit der Ticketklassifizierung.
Derzeit unterstützt das Machine Learning Lab nur Modelle für maschinelles Lernen für Neurons for ITSM Ticketkategorisierung und nur auf Englisch.
Die Tabelle Modelle für maschinelles Lernen enthält eine Liste der vorhandenen Modelle für maschinelles Lernen und ihre Eigenschaften.
Klicken Sie auf Modellname, um ausführlichere Informationen zu dem Modell anzuzeigen.
Nachfolgend finden Sie eine Liste möglicher Aktionen in Verbindung mit Modellen für maschinelles Lernen.
Eine schrittweise Anleitung zum Konfigurieren der Ticketklassifizierung finden Sie unter Erste Schritte mit der Ticketklassifizierung.
Um ein neues Modell hinzuzufügen, müssen Sie zuerst Trainingsdaten des Systems, auf dem das Modell bereitgestellt werden soll, exportieren und aufbereiten. Zum Verfeinern des Modells können Sie optional eine Datei mit Stoppwörtern hinzufügen.
Weitere Informationen zum Vorbereiten dieser Daten finden Sie unter "Erste Schritte mit der Ticketklassifizierung", Schritt 3. Bereinigen von Trainingsdaten.
- Klicken Sie auf Modelle hinzufügen.
Der Bereich Modell hinzufügen wird geöffnet. - Geben Sie einen Namen für das Modell an und wählen Sie Typ und Sprache aus.
Derzeit gibt es für die Felder Typ und Sprache nur eine Option. Die Felder können nicht geändert werden. - Wählen Sie eine CSV-Datei aus, die Trainingsdaten enthält.
- Wählen Sie optional eine CSV-Datei aus, die Stoppwörter enthält.
- Speichern Sie Ihre Änderungen. Sie können Ihr Modell auch sofort trainieren, indem Sie Speichern und trainieren auswählen.
Der Bereich Modell hinzufügen wird geschlossen.
Durch Klicken auf können Sie nunmehr Ihren nächsten Schritt auswählen.
Je nach Status des Modells ist die Bearbeitungsoption möglicherweise nicht verfügbar.
- Klicken Sie in der Tabelle “Machine Learning-Modelle” auf den Namen eines Modells oder klicken Sie auf und wählen Sie Bearbeiten aus.
Der Bearbeitungsbereich für das Modell wird geöffnet. - Auf der Registerkarte Modelldaten des Bereichs finden Sie Informationen zur Konfiguration des Modells. Sie können diese Daten bei Bedarf bearbeiten.
- Speichern Sie Ihre Änderungen. Sie können Ihr Modell auch sofort trainieren, indem Sie Speichern und trainieren auswählen.
Der Bereich wird geschlossen.
Je nach Status des Modells ist die Trainingsoption möglicherweise nicht verfügbar.
- Wählen Sie Speichern und trainieren im Bearbeitungsfenster des Modells aus oder klicken Sie in der Listenansicht des Modells auf und wählen Sie Trainieren aus.
- Machine Learning Labs lädt die von Ihnen bereitgestellten Trainingsdaten und Stoppwörter und beginnt mit dem Training.
Nachdem ein Modell trainiert wurde, finden Sie auf der Registerkarte Details des Modells die entsprechende Genauigkeit (auf klicken und Anzeigen wählen):
Die Genauigkeit wird mit zwei Zahlen ausgedrückt:
- Trainingsgenauigkeit: Der Anteil korrekter Klassifizierungen während des Trainings.
- Testgenauigkeit: Der Anteil korrekter Inferenzen in Stichproben von Trainingsdaten, die nicht zum Trainieren verwendet wurden.
Die Prozentsätze erleichtern Ihnen die Auswahl des für Ihre Umgebung am besten geeigneten Modells.
Sie können in Ihrem Machine Learning Lab über mehrere trainierte Modelle verfügen.
Falls Machine Learning Lab beim Trainieren des Modells auf ein Problem stößt, ändert sich der Status in Training fehlgeschlagen. Klicken Sie in dem Fall auf , wählen Sie Anzeigen aus und rufen Sie die Registerkarte Details des Modells auf, um weitere Informationen zu erhalten.
Wenn eine neue Klasse zu Ihrer Neurons for ITSM-Umgebung hinzugefügt oder eine vorhandene Klasse stillgelegt wird, müssen Sie ein neues Modell mit einem aktualisierten Satz aus Trainingsdaten trainieren. Lesen Sie außerdem den Abschnitt Trainieren eines neuen Modells.
Das Bereitstellen eines Modells bewirkt, dass Daten von neu erstellten Incidents nunmehr von dem Modell verarbeitet werden.
Das Modell selbst verbleibt im Machine Learning Lab.
Um ein Modell für Ihre Neurons for ITSM-Umgebung bereitzustellen, klicken Sie auf und wählen Sie dann Bereitstellen aus. Sie können nur Modelle mit dem Status Trainiert bereitstellen.
Falls bereits ein anderes Modell bereitgestellt war, als Sie Ihr Modell bereitgestellt haben, wird der Status des vorherigen Modells auf Trainiert zurückgesetzt. Das neue Modell wird anschließend bereitgestellt. Während dieses Prozesses werden neu erstellte Incidents nicht klassifiziert.
Nach Abschluss der Bereitstellung startet die Klassifizierung für ab diesem Zeitpunkt erstellte Incidents erneut.
Nachdem ein Modell bereitgestellt wurde, finden Sie auf der Registerkarte Details des Modells folgende Informationen (auf klicken und Anzeigen wählen):
- Anzahl der API-Aufrufe: Gibt an, wie oft das Modell seit seiner Bereitstellung aufgerufen wurde, um die Klasse für einen Incident zu prognostizieren.
- Durchschnittliche Top-Klassen-Priorität: Wenn ein Modell aufgerufen wird, um die Klasse für einen Incident zu prognostizieren, wird Neurons for ITSM die Klasse mit der laut Modell höchsten Wahrscheinlichkeit vorgeschlagen.
Dieser Wert zeigt die durchschnittliche Wahrscheinlichkeit der vorgeschlagenen Top-Klassen für Incidents seit Bereitstellung des Modells an.
Derzeit kann die Bereitstellung eines Modells nur durch Löschen des Modells aufgehoben werden.
Falls Machine Learning Lab beim Bereitstellen des Modells auf ein Problem stößt, ändert sich der Status in Bereitstellung fehlgeschlagen. Klicken Sie in dem Fall auf , wählen Sie Anzeigen aus und rufen Sie die Registerkarte Details des Modells auf, um weitere Informationen zu erhalten.
Wenn eine neue Klasse zu Ihrer Neurons for ITSM-Umgebung hinzugefügt oder eine vorhandene Klasse stillgelegt wird, müssen Sie ein neues Modell mit einem aktualisierten Satz aus Trainingsdaten trainieren. Lesen Sie außerdem den Abschnitt Trainieren eines neuen Modells.
Klicken Sie in der Modelllistenansicht in der Zeile mit dem zu löschenden Modell auf und wählen Sie Löschen aus.
Falls das Modell bereitgestellt war, werden neu erstellte Incidents nicht mehr klassifiziert.