Empezar a usar la Clasificación de tiques

El Machine Learning Lab le proporciona un entorno para crear, formar y desplegar los modelos de aprendizaje automático. Esta sección le guía por el proceso de preparación y configuración de los modelos de Clasificación de tiques para Neurons for ITSM.

¿Qué puede hacer la Clasificación de tiques?

Cuando se crea una incidencia en Neurons for ITSM, automáticamente se clasifica en tiempo deal mediante un modelo de aprendizaje automático en el Servicio, Categoría y Subcategoría correctos, basándose en el contenido del campo Asunto. Puede formar y desplegar su propio modelo accediendo a Machine Learning Lab en la plataforma de Neurons y cargando los datos de formación.
Clasificación de tiques:

  • es compatible con las versiones en la nube y en las instalaciones de Neurons for ITSM;
  • está disponible para los clientes que tienen Neurons for ITSM y Neurons for Healing.

La clasificación de tickets requiere que su instancia de Neurons for ITSM sea la versión 2021.3 o superior.

Configuración de la clasificación de tiques

El proceso de configuración consta de los pasos siguientes:

1. Conecte sus instancias de Neurons for ITSM y la plataforma de Ivanti Neurons

Para conectar sus instancias de Neurons for ITSM y la plataforma de Neurons, eleve una Solicitud de servicio al equipo de Ivanti Cloud Ops (soporte). Aplicarán la configuración necesaria a Neurons for ITSM.

Si tiene Neurons for Healing y Neurons for ITSM pero no ve el elemento Software > Machine Learning Lab en la plataforma Neurons, contacte con Atención al cliente de Ivanti.

2. Exporte los datos para formar el modelo de aprendizaje automático

Aunque el Machine Learning Lab de Neurons facilita la creación de modelos de aprendizaje automático, el resultado también depende de la calidad del conjunto de datos de formación que proporcione. Este conjunto de datos se usará para entrenar el modelo. Los datos de formación no son más que un conjunto de incidencias creadas previamente y verificadas con sus clasificaciones.
Para obtener los mejores resultados, el conjunto de datos debe cubrir todas las clases posibles, es decir, combinación de Servicio, Categoría y Subcategoría que está disponible en su entorno Neurons for ITSM.
Si su entorno de Neurons for ITSM (también) usa Servicio real, Categoría real y Subcategoría real, y estos datos son más precisos, considere utilizar estos campos reales.

Para exportar incidentes para su conjunto de datos de entrenamiento:

  1. Abra el espacio de trabajo de Incidencia en Neurons for ITSM
  2. Cree una consulta que devuelve los datos de la incidencia que desee preparar para la formación de su modelo de aprendizaje automático.
  3. Vaya a Más > Acciones de formularios > Exportar.
Requisitos del conjunto de datos de entrenamiento
  • El archivo debe tener formato CSV, con comas como separadores.
  • El archivo debe contener:
    • una columna llamada Asunto.
    • al menos una de las columnas Servicio, Categoría o Subcategoría, según su configuración y uso.

Después de exportar los datos de Neurons for ITSM, puede comenzar a preparar el conjunto de datos para el entrenamiento.
Si ha elegido usar datos de Servicio real, Categoría real y Subcategoría real, deberá cambiar el nombre de estas columnas a Servicio, Categoría y Subcategoría, respectivamente.

Ivanti recomienda eliminar el resto de columnas del archivo CSV exportado.

3. Borrar los datos de formación

Asegúrese de que aborda cada uno de los puntos de este paso, puesto que puede tener un gran impacto sobre la precisión del modelo.
Para ayudar a mantener la descripción general, plantéese ordenar sus datos por Servicio, Categoría y Subcategoría. En la práctica, esto crea una lista ordenada de la clase.

Borrar los datos de formación consiste en las acciones siguientes:

  • Elimine la información de identificación personal.
    Esto previene problemas potenciales de privacidad y, con la misma importancia para este objetivo, previene también que estos datos afecten al modelo.
    Ejemplo    : Si los datos de formación contienen una línea de asunto con un número de teléfono, el modelo resultante podría interpretar ese número como una señal de una clase específica.
  • Elimine o vuelva a etiquetar las clases en desuso.
    Todas las clases de los datos de formación deben estar disponibles en Neurons for ITSM. Si un modelo propone una clase que ya no está disponible, se muestra un error al usuario y no se puede guardar la incidencia.
    Si sus datos de formación contienen ejemplos de clases que se han dejado de usar, puede:
    • vuelva a etiquetar la muestra con la clase correcta disponible (si está disponible).
    • elimine la muestra.
      Asegúrese de que los datos de formación contienen suficientes ejemplos, tanto por clase como en total.
      Consulte Para obtener una mejor precisión del modelo formado (a continuación)
  • Corrija o elimine los ejemplos con clasificaciones demasiado genéricas.
    Las clases que contienen valores como "Otro" o "Sin categorizar" pueden ser demasiado genéricas.
    Corrija estos ejemplos con clases más específicas cuando sea posible, y cuando el Asunto contenga información que sea útil para predecir la clase.
  • Elimine los ejemplos cuayo asunto contenga poca información útil o nada.
    Ejemplos con ej. el asunto "Solicitud urgente" o "Ayúdeme cuanto antes" no contiene información útil para formar al modelo.
  • Corrija cualquier clasificación incorrecta.
    Si una incidencia con el Asunto "Todas las teclas se han caído de mi teclado" tiene la clase "Red", corrija la clase a, por ejemplo, "Periféricos"
  • Elimine o divida los ejemplos donde el Asunto contenga información sobre varios problemas en distintas clases.
    Los usuarios, a veces, pueden combinar problemas sin relación en una misma incidencia, por ejemplo, "Mi teclado no funciona y necesito un VM".
    Elimine este ejemplo o divídalo en dos incidencias separadas, cada una con la clase correcta asignada.
  • Verifique la coherencia de los datos de formación y mejórelos cuando sea posible.
    La incidencias con campos de Asunto casi idénticos (significado), deben tener la misma clasificación.

    Tenga en cuenta los asuntos siguientes:

    • "Mi cámara no funciona cuando hago una vídeollamada"
    • "Estaba en una vídeo llamada cuando mi cámara web se quedó en blanco"

    Las clases "Videollamada" y "Cámara web" se pueden corregir, pero es importante que ambas incidencias se asignen a la misma clase de sus datos de formación.

  • Asegúrese de que todas las clases posibles se representan con ejemplos suficientes.
    Machine Learning Lab necesita ejemplos suficientes de un modelo preciso.
    Si sus datos de formación contienen muchas claes con solo unos pocos ejemplos, debe ampliar la cantidad de datos de formación.
    Alternativamente, considere fusionar o eliminar algunas de estas claes.
  • Reduzca el número de ejemplos por clases que se representan en los números promedio de arriba.
    Dichas "clases dominantes" afectan a la precisión, porque es posible que el modelo seleccione una clase dominante.
Para obtener una mejor precisión del modelo formado

Asegúrese de que los datos de formación:

  • contiene solo clasificaciones buenas conocidas;
  • es coherente;
  • contiene (aproximadamente) las mismas cantidades de cada clase, independientemente de la frecuencia con que se utilice la clase realmente;

  • contiene un mínimo de 50 muestras por clase. Pero mientras las muestras cumplan con los tres criterios anteirores y los datos se hayan borrado correctamente, por lo general, cuanto más, mejor.

    Si su entorno usa 10 servicios y cada uno tiene 5 categorías, hay 10 x 5 = 50 clases.
    Por lo tanto, el conjunto de datos de entrenamiento debe ser al menos 50 clases x 50 ejemplos = 2500 ejemplos en total.

    Que la cantidad mínima sea suficiente para crear un modelo correcto dependerá de sus datos y sus clases.

4. Prepare un archivo de palabras de parada (opcional)

Para mejorar el rendimiento de un modelo, también puede proporcionar un archivo de palabras de parar. Este archivo contiene palabras que el modelo debe ignorar.
Automáticamente se aplica un conjunto predeterminados de palabras de parada de NLTK.

Requisitos del archivo de palabras de parada
  • El archivo debe tener formato CSV o TXT.
  • El archivo solo debe contener una palabra de parada por línea.

5. Cree y forme el modelo de aprendizaje automático

Después de preparar los datos, puede empezar a crear y a formar su modelo.

  1. Agregar un nuevo modelo.
  2. Cargue el archivos de datos de formación y, opcionalmente, el archivo de palabras de parar.
  3. Guardar cambios.
  4. Forme su modelo.

Machine Learning Lab inicia el proceso de formación.

Después de completar la formación, la pestaña Detalles de un modelo mostrará su precisión. Basándose en esta precisión, puede dicidir desplegar el modelo.
Para mejorar la precisión, actualice los datos de formación o las palabras de parar.

6. Despliegue el modelo de aprendizaje automático

Cuando haya formado un modelo, lo podrá desplegar en su entorno.
Después de desplegarlo, el modelo empezará a clasificar las incidencias de su entorno de Neurons for ITSM.

7. Habilite la Clasificación de tiques en Neurons for ITSM

Habilite la Clasificación de tiques en Neurons for ITSM.
Para obtener información sobre cómo hacer esto, consulte Configurar la clasificación de tiques en la Guía de configuración de Neurons for ITSM.

Cuándo formar un modelo nuevo

Puede elegir formar un nuevo modelo para crear precisión de modelos, por ejemplo, cuando ha seguido borrando su conjunto de datos de formación.
Pero hay situaciones en las que la formación de un nuevo modelo puede ser necesaria e incluso urgente:

  • Cuando se dejan de usar las clases
    Si un modelo propone una clase que ya no está disponible, se muestra un error al usuario en Neurons for ITSM y no se puede guardar la incidencia.
    1. Actualice sus datos de formación para que no contengan ejemplos que usen una clase en desuso.
      Asigne una clase distinta a los ejemplos o elimine completamente los ejemplos.
    2. Utilice los datos de formación para formar un nuevo modelo.
    3. Despliegue el nuevo modelo.
    4. Deje de usar la clase de Neurons for ITSM.
  • Cuando cambia el uso previsto de una clase
    Ejemplos:
    • Anteriormente se usó una clase para los teléfonos fijos, pero ahora se usa para dispositivos móviles.
    • Se reemplaza un programa de su entorno o se introduce un nuevo programa.
    • Se introduce un nuevo tipo de producto (por ejemplo tablets o relojes inteligentes) al mercado, para el que es posible que se creen incidencias.

    Sin un nuevo modelo que esté formado con datos que también contengan ejemplos de incidencias que reflejen estos cambios, puede que la precisión sea rechazada.

  • Cuando se introducen nuevas clases
    Un modelo puede proponer solo clases con las que se haya formado. Si no crea un modelo nuevo basado en los datos de formación que contienen las claes nuevas, el modelo nunca propondrá las nuevas clases.