Guida iniziale a Classificazione ticket

Ivanti Neurons Machine Learning Lab fornisce un ambiente per creare, addestrare e distribuire modelli di machine learning. Questa sezione guida l'utente attraverso la procedura di preparazione e configurazione dei modelli Classificazione ticket per Neurons for ITSM.

Cosa può fare la Classificazione ticket?

Quando viene creato un incident in Neurons for ITSM, viene classificato automaticamente in tempo reale mediante un modello di machine learning nel Servizio, Categoria e Categoria secondaria corretti in base ai contenuti del campo Argomento. È possibile addestrare e distribuire il proprio modello passando al Machine Learning Lab su Neurons Platform e caricando i dati di addestramento.
Classificazione ticket:

  • è compatibile con le versioni cloud e in loco di Neurons for ITSM;
  • è disponibile per i clienti che possiedono sia Neurons for ITSM sia Neurons for Healing.

La Classificazione ticket richiede che la propria istanza di Neurons for ITSM sia della versione 2021.3 o superiore.

Configurazione della Classificazione ticket

La procedura di configurazione si compone dei seguenti passaggi:

1. Collegare le proprie istanze di Neurons for ITSM e la Ivanti Neurons Platform

Per collegare le proprie istanze di Neurons for ITSM e la Neurons Platform, inviare una richiesta di servizio con il team Ivanti Cloud Ops (Supporto). Saranno loro ad applicare la configurazione necessaria a Neurons for ITSM.

Se si dispone di Neurons for Healing e di Neurons for ITSM ma non si vede l'elemento Software > Machine Learning Lab nella Neurons Platform, contattare il supporto Ivanti.

2. Esportare i dati per addestrare il proprio modello di machine learning

Anche se Neurons Machine Learning Lab semplifica molto la creazione dei modelli di machine learning, l'esito dipende anche dalla qualità del set di dati di addestramento forniti. Questo set di dati verrà utilizzato per addestrare il modello. I dati di addestramento non sono altro che un set verificato di incident precedentemente creati con le rispettive classificazioni.
Per i migliori risultati, il set di dati deve coprire ogni classe possibile, p. es. la combinazione di Servizio, Categoria e Categoria secondaria disponibile nel proprio ambiente Neurons for ITSM.
Se il proprio ambiente Neurons for ITSM utilizza (anche) Servizio effettivo, Categoria effettiva e Categoria secondaria effettiva, e questi dati risultano più accurati, si può scegliere di considerare tali campi Effettivi.

Per esportare gli incident per il proprio set di dati di addestramento:

  1. Aprire l'area di lavoro Incident in Neurons for ITSM
  2. Creare una query che restituisca i dati dell'incident che si desidera preparare per addestrare il proprio modello di machine learning.
  3. Passare a Altro > Azioni modulo > Esporta.
Requisiti set dati di addestramento
  • Il file deve essere in formato CSV, utilizzando virgole come separatori.
  • Il file deve contenere:
    • una colonna denominata Oggetto.
    • almeno una delle colonne Servizio, Categoria o Categoria secondaria, in base alla propria configurazione e utilizzo.

Dopo l'esportazione dei dati da Neurons for ITSM, è possibile avviare la preparazione del set di dati per l'addestramento.
Se si sceglie di utilizzare i dati da Servizio effettivo, Categoria effettiva e Categoria secondaria effettiva, tali colonne devono essere rinominate rispettivamente Servizio, Categoria e Categoria secondaria.

Ivanti consiglia l'eliminazione di tutte le altre colonne dal file CSV esportato.

3. Pulizia dei dati di addestramento

Assicurarsi di completare ciascuno dei punti descritti in questa fase, dato che possono avere un grande impatto sull'accuratezza del modello.
Per favorire il completamento di questa panoramica, considerare di ordinare i propri dati per Servizio, Categoria e Categoria secondaria. In pratica, ciò consente di creare un elenco ordinato per classe.

La pulizia dei dati di addestramento si compone delle seguenti azioni:

  • Rimuovere le informazioni di identificazione personale.
    Ciò previene eventuali problematiche di privacy dei dati (altrettanto importante per questa finalità) e impedisce anche che questo ordinamento dei dati influisca sul modello.
    Esempio    : se i dati di addestramento contengono una riga dell'oggetto con un numero di telefono, il modello risultante potrebbe interpretare il numero come un segnale per una classe specifica.
  • Rimuovere o rietichettare le classi deprecate.
    Tutte le classi nei dati di addestramento devono essere disponibili in Neurons for ITSM. Se un modello propone una classe che non è disponibile, viene visualizzato un errore per l'utente e potrebbe non essere possibile salvare l'incident.
    Se i propri dati di addestramento contengono campioni di classi che sono state deprecate, è possibile:
    • rietichettare il campione per la classe corretta, disponibile (se disponibile).
    • eliminare il campione.
      Assicurarsi che i dati di addestramento contengano abbastanza campioni, sia per la classe sia in totale.
      Vedere Per la massima accuratezza del modello addestrato (in basso)
  • Correggere o rimuovere esempi con classificazioni troppo generiche.
    Le classi contenenti valori come "Altro" o "Non categorizzato" possono essere troppo generiche.
    Correggere tali esempi in classi più specifiche laddove possibile e laddove l'Oggetto contiene informazioni utili per prevedere la classe.
  • Rimuovere gli esempi in cui l'oggetto contiene poche informazioni utili o non ne contiene affatto.
    Campioni con p. es. l'oggetto "Richiesta urgente!" o "Aiutami ASAP" non contengono informazioni utili per addestrare il modello.
  • Correggere qualsiasi classificazione errata.
    Se un incident con l'Oggetto "Mi sono caduti tutti i tasti dalla tastiera" presenta la classe "Rete", correggere la classe a, per esempio, "Periferiche"
  • Rimuovere o suddividere gli esempi in cui l'Oggetto contiene informazioni su più problemi in varie classi.
    Gli utenti a volte possono combinare problematiche completamente non correlate in un unico incident, ad esempio "La mia tastiera non funziona e mi serve una VM".
    Rimuovere questo esempio o suddividerlo in due incident separati, ciascuno con la classe corretta assegnata.
  • Verificare la consistenza dei propri dati di addestramento e migliorarli laddove possibile.
    Gli incident con campi Oggetto quasi identici (nel significato) dovrebbero avere la stessa classificazione.

    Considerare i seguenti oggetti:

    • "La mia fotocamera non funziona quando faccio una videochiamata"
    • "Durante una videochiamata si è spenta la webcam"

    Le classi "Videochiamata" e "Webcam" possono essere entrambe corrette, ma è importante che entrambi gli incident siano assegnati alla stessa classe nei propri dati di addestramento.

  • Assicurarsi che tutte le possibili classi siano rappresentate con esempi sufficienti.
    Il Machine Learning Lab richiede un numero sufficiente di esempi per un modello accurato.
    Se i propri dati di addestramento contengono molte classi con solo pochi esempi, è necessario estendere la quantità di dati di addestramento.
    In alternativa, considerare l'unione e/o la rimozione di alcune di tali classi.
  • Ridurre il numero di esempi per le classi rappresentate sopra i numeri medi.
    Tali 'classi dominanti' influiscono sulla precisione, dato che il modello può avere maggiori possibilità di selezionare una classe dominante.
Per la massima accuratezza del modello addestrato

Assicurarsi che i dati di addestramento:

  • contengano solo classificazioni note come corrette;
  • siano coerenti;
  • Contengano (approssimativamente) quantità uguali di ogni classe, indipendentemente da quanto spesso viene utilizzata ciascuna classe;

  • contengano un minimo di 50 campioni per classe. Tuttavia, fintanto che i campioni rispettano i tre precedenti criteri e i dati sono stati ripuliti correttamente, in genere più sono e meglio è.

    Se il proprio ambiente utilizza 10 servizi e ciascun servizio presenta 5 categorie, sono presenti 10 x 5 = 50 classi.
    Il set di dati di addestramento deve pertanto essere di almeno 50 classi x 50 esempi = 2500 esempi totali.

    Se l'importo minimo sarà sufficiente per creare o meno un modello accurato, dipende dai propri dati e dalle proprie classi.

4. Preparare un file di parole non significative (opzionale)

Per migliorare le prestazioni di un modello, è possibile fornire in via opzionale un file di parole non significative. Questo file contiene parole che il modello deve ignorare.
Un set predefinito di parole non significative di NLTK viene applicato automaticamente.

Requisiti per il file di parole non significative
  • Il file deve essere in formato CSV o TXT.
  • Il file deve contenere solo una parola non significativa per riga.

5. Creare e addestrare il proprio modello di machine learning

Una volta preparati i dati, è possibile iniziare a creare e addestrare il modello.

  1. Aggiungere un nuovo modello.
  2. Caricare il proprio file di dati di addestramento e (in via opzionale) il file di parole non significative.
  3. Salvare le modifiche.
  4. Addestrare il proprio modello.

Machine Learning Lab avvia la procedura di addestramento.

Al termine dell'addestramento, la scheda Dettagli di un modello mostrerà la propria accuratezza. In base a tale accuratezza, è possibile decidere di distribuire il modello.
Per migliorare l'accuratezza, aggiornare i propri dati di addestramento e/o le parole non significative.

6. Distribuire il proprio modello di machine learning addestrato

Quando si dispone di un modello addestrato, è possibile distribuirlo nel proprio ambiente.
Una volta distribuito, il modello inizierà a classificare incident nel proprio ambiente Neurons for ITSM.

7. Abilitare la Classificazione ticket in Neurons per ITSM

In Neurons for ITSM, abilitare la Classificazione ticket.
Per informazioni su come eseguire questa operazione, vedere Configurazione della Classificazione ticket nella Guida alla configurazione di Neurons for ITSM.

Quando addestrare un nuovo modello

È possibile scegliere di addestrare un nuovo modello per incrementare l'accuratezza del modello, ad esempio quando si è proseguito la pulizia del proprio set di dati di addestramento.
Tuttavia, vi sono situazioni in cui l'addestramento di un nuovo modello può risultare necessario e persino urgente:

  • Quando le classi vengono deprecate
    Se un modello propone una classe che non è disponibile, viene visualizzato un errore per l'utente in Neurons for ITSM e potrebbe non essere possibile salvare l'incident.
    1. Aggiornare i propri dati di addestramento in modo che non contengano più esempi usando la classe deprecata.
      Assegnare una classe differente agli esempi o rimuovere completamente gli esempi.
    2. Utilizzare i dati di addestramento per addestrare un nuovo modello.
    3. Distribuire il nuovo modello.
    4. Deprecare la classe in Neurons for ITSM.
  • Quando l'uso previsto di una classe cambia
    Esempi:
    • Una classe è stata utilizzata in precedenza per le telefonate con linea telefonica fissa, ma ora viene utilizzata per i dispositivi mobili.
    • Un programma viene sostituito nel proprio ambiente, oppure viene introdotto un nuovo programma.
    • Un nuovo tipo di prodotto (ad esempio tablet o smartwatch) viene introdotto nel mercato, per il quale è possibile creare incident.

    Senza un nuovo modello addestrato con dati che contengono anche esempi degli incident che riflettono tali modifiche, l'accuratezza potrebbe diminuire.

  • Quando vengono introdotte nuove classi
    Un modello può proporre solo classi in cui è addestrato. Se non si crea un nuovo modello in base ai dati di addestramento contenenti le nuove classi, il modello non proporrà mai le nuove classi.