Machine Learning Lab

Ivanti Neurons Machine Learning Lab (Labo d'apprentissage machine) vous fournit un environnement centralisé où vous pouvez créer, entraîner et déployer des modèles de Machine Learning. Actuellement, ces modèles peuvent servir à alimenter Neurons for ITSM Ticket Classification, mais d'autres applications suivront. Les modèles sont créés dans la plateforme Ivanti Neurons et y restent même quand vous les déployez.
Avec Machine Learning Lab, vous n'avez plus besoin d'être expert en modèles de Machine Learning.

Vous trouverez Ivanti Neurons Machine Learning Lab sous Logiciels > Machine Learning Lab.
Pour réussir l'implémentation d'un modèle de Machine Learning, vous devez préparer les éléments suivants :

  • Données d'entraînement : ensemble d'exemples où la combinaison d'entrées et de sorties est connue comme exacte.
  • Mots vides (facultatif) : liste des mots que le modèle doit ignorer. Ces informations permettent d'améliorer les performances du modèle.
    Notez que, par défaut, le jeu de mots vides de NLTK est automatiquement appliqué.

Pour en savoir plus sur la préparation du jeu de données et l'entraînement d'un modèle de Machine Learning, reportez-vous à « Premiers pas avec la classification des tickets (Ticket Classification) ».

Actuellement, Machine Learning Lab prend uniquement en charge les modèles de Machine Learning pour la classification des tickets Neurons for ITSM et en anglais.

La table Modèles d'apprentissage machine contient la liste des modèles existants, avec leurs propriétés.
Cliquez sur Nom de modèle pour obtenir plus de détails sur le modèle.

Vous trouverez ci-dessous la liste des actions possibles concernant les modèles de Machine Learning.
Pour consulter un guide pas-à-pas de configuration de Ticket Classification, reportez-vous à « Premiers pas avec la classification des tickets (Ticket Classification) ».

Pour ajouter un nouveau modèle, vous devez d'abord exporter et préparer des données d'entraînement à partir du système vers lequel vous allez déployer ce modèle. Vous pouvez (facultatif) ajouter un fichier de mots vides pour affiner votre modèle.
Pour en savoir plus sur la préparation de ces données, reportez-vous à « Premiers pas avec la classification des tickets (Ticket Classification) », étape 3. Nettoyage des données d'entraînement.

  1. Cliquez sur Ajouter un modèle.
    Le volet Ajouter un modèle s'ouvre.
  2. Attribuez un nom au modèle, et choisissez le type et la langue voulus.
    Actuellement, les champs Type et Langue n'offrent qu'une seule option et vous ne pouvez pas les modifier.
  3. Sélectionnez un fichier CSV contenant des données d'entraînement.
    Le fichier CSV ne doit contenir aucune période dans la colonne Service.
  4. (Facultatif) Sélectionnez un fichier CSV contenant des mots vides.
  5. Enregistrez vos changements. Vous pouvez également commencer immédiatement à entraîner votre modèle, en cliquant sur Enregistrer et entraîner.
    Le volet Ajouter un modèle se ferme.

Vous pouvez maintenant cliquer sur 3 points en colonne pour choisir l'étape suivante.

Selon l'état de votre modèle, l'option Modifier n'est pas toujours disponible.

  1. Cliquez sur le nom d'un modèle dans la table Modèles d'apprentissage machine ou cliquez sur 3 points en colonne et sélectionnez Modifier.
    Le volet d'édition du modèle s'ouvre.
  2. L'onglet Données de modèle de ce volet contient des informations sur la configuration du modèle. Vous pouvez modifier ces données si nécessaire.
  3. Enregistrez vos changements. Vous pouvez également commencer immédiatement à entraîner votre modèle, en cliquant sur Enregistrer et entraîner.
    Le volet se ferme.

Selon l'état de votre modèle, l'option Entraîner n'est pas toujours disponible.

  1. Sélectionnez Enregistrer et entraîner dans le volet de modification du modèle. Vous pouvez aussi, dans la vue de liste des modèles, cliquez sur 3 points en colonne et sélectionner Entraîner.
  2. Machine Learning Lab charge les données d'entraînement et les mots vides fournis, puis commence l'entraînement.

Une fois le modèle entraîné, vous pouvez vérifier sa précision dans l'onglet Détails de ce modèle (cliquez sur 3 points en colonne et sur Afficher).
La précision est exprimée par deux valeurs :

  • Précision d'entraînement : pourcentage de classifications correctes obtenu pendant l'apprentissage.
  • Précision de test : pourcentage de correspondances correctes dans les échantillons des données d'entraînement qui n'ont pas été utilisés pour l'entraînement.

Ces pourcentages vous aident à choisir le meilleur modèle pour votre environnement.
Vous pouvez avoir plusieurs modèles entraînés dans votre labo Machine Learning Lab.

Si Machine Learning Lab détecte un problème lorsqu'il tente d'entraîner le modèle, l'état devient TrainingFailed (Échec de l'entraînement). Dans ce cas, cliquez sur 3 points en colonne, sélectionnez Afficher et accédez à l'onglet Détails du modèle pour en savoir plus.

Lorsqu'une nouvelle classe est ajoutée à votre environnement Neurons for ITSM ou qu'une classe existante devient obsolète, vous devez entraîner un nouveau modèle avec un ensemble de données d'entraînement mis à jour. Voir aussi « Quand faut-il entraîner un modèle ?».

Le déploiement d'un modèle marque le début du traitement par ce modèle des données des incidents nouvellement créés.
Le modèle proprement dit reste dans Machine Learning Lab.
Pour déployer un modèle dans votre environnement Neurons for ITSM, cliquez sur 3 points en colonne et choisissez Déployer. Vous ne pouvez déployer que les modèles dont l'état est Entraîné.

Si vous déployez un modèle alors qu'un autre avait déjà été déployé, l'état du modèle le plus ancien redevient Entraîné. Le nouveau modèle est alors déployé. Pendant la durée de ce processus, les incidents nouvellement créés ne sont pas classifiés.
Une fois le déploiement terminé, la classification (re)commence pour les incidents créés à partir de ce moment-là.

Une fois un modèle déployé, l'onglet Détails de ce modèle contient les informations suivantes (cliquez sur 3 points en colonne et choisissez Afficher) :

  • Nbre d'appels d'API : Nombre de fois où le modèle a été appelé pour prédire la classe d'un incident depuis son déploiement.
  • Probabilité moyenne de classe principale : Lorsque le modèle est appelé pour prédire la classe d'un incident, la classe la plus probable selon ce modèle est proposée à Neurons for ITSM.
    Cette valeur indique la probabilité moyenne des classes principales proposées depuis le déploiement du modèle.


Actuellement, la seule façon de « dé-déployer » un modèle consiste à le supprimer.

Si Machine Learning Lab détecte un problème lorsqu'il tente de déployer le modèle, l'état devient Échec du déploiement. Dans ce cas, cliquez sur 3 points en colonne, sélectionnez Afficher et accédez à l'onglet Détails du modèle pour en savoir plus.

Lorsqu'une nouvelle classe est ajoutée à votre environnement Neurons for ITSM ou qu'une classe existante devient obsolète, vous devez entraîner un nouveau modèle avec un ensemble de données d'entraînement mis à jour. Voir aussi « Quand faut-il entraîner un modèle ?».

Dans la vue de liste des modèles, cliquez sur 3 points en colonne sur la ligne du modèle à supprimer et sélectionnez Supprimer.
Si le modèle avait été déployé, les incidents nouvellement créés ne sont plus classifiés.