Machine Learning Lab

Ivanti Neurons Machine Learning Lab fornisce un ambiente centralizzato per creare, addestrare e distribuire modelli di machine learning. Attualmente, tali modelli possono essere utilizzati per ottimizzare la Classificazione ticket di Neurons for ITSM, ma seguiranno ulteriori applicazioni. I modelli vengono creati dall'interno dell'Ivanti Neurons Platform, dove rimangono anche una volta distribuiti.
Con Machine Learning Lab, non è più necessaria una conoscenza approfondita in merito ai modelli di machine learning.

È possibile trovare l'Ivanti Neurons Machine Learning Lab in Software > Machine Learning Lab.
Per una corretta implementazione di un modello di apprendimento macchina, è necessario preparare quanto segue:

  • Dati di addestramento: un set di esempi in cui la combinazione di input e output è nota come corretta.
  • Parole non significative (opzionale): un elenco di parole che il modello deve ignorare. Consente di migliorare le prestazioni del modello.
    Tenere presente che un set predefinito di parole non significative da NLTK viene applicato automaticamente.

Per maggiori informazioni sulla preparazione del proprio set di dati e l'addestramento di un modello di machine learning, vedere Guida iniziale a Classificazione ticket.

Attualmente, Machine Learning Lab supporta solo i modelli di machine learning per Neurons for ITSM Ticket Categorization e la lingua inglese.

La tabella Modelli di machine learning mostra un elenco dei modelli esistenti di machine learning e delle relative proprietà.
Fare clic sul Nome modello per informazioni più dettagliate sul modello.

Sotto è presente un elenco di possibili azioni correlate ai modelli di machine learning.
Per una guida passo-passo alla configurazione della Classificazione ticket, vedere Guida iniziale a Classificazione ticket.

Per aggiungere un nuovo modello, per prima cosa è necessario esportare e preparare i dati di addestramento dal sistema in cui si distribuirà il modello. In via opzionale, è possibile aggiungere un file con parole non significative, al fine di regolare il modello.
Per maggiori informazioni sulla preparazione di questi dati, vedere Guida iniziale alla Classificazione ticket, punto 3. Pulizia dei dati di addestramento.

  1. Fare clic su Aggiungi modello.
    Si apre il riquadro Aggiungi modello.
  2. Specificare un Nome per il modello e selezionare il Tipo e la Lingua desiderati.
    Attualmente, i campi Tipo e Lingua presentano una sola opzione e non possono essere modificati.
  3. Selezionare un file CSV contenente Dati di addestramento.
    Il file CSV non deve contenere un punto nella colonna Servizio.
  4. In via opzionale, selezionare un file CSV contenente Parole non significative.
  5. Salvare le modifiche. È anche possibile iniziare immediatamente l'addestramento del modello selezionando Salva e addestra.
    Si chiude il riquadro Aggiungi modello.

Ora è possibile fare clic su ellissi verticale per selezionare la prossima fase.

In base allo stato del modello, l'opzione di modificare potrebbe non essere disponibile.

  1. Fare clic sul nome di un modello nella tabella Modelli di machine learning o fare clic su ellissi verticale e selezionare Modifica.
    Si apre il riquadro modifica per il modello.
  2. Sulla scheda Dati modello del riquadro sono presenti informazioni sulla configurazione del modello. È possibile modificare tali dati se necessario.
  3. Salvare le modifiche. È anche possibile iniziare immediatamente l'addestramento del modello selezionando Salva e addestra.
    Il riquadro si chiude.

In base allo stato del modello, l'opzione di addestrare potrebbe non essere disponibile.

  1. Selezionare Salva e addestra dal riquadro di modifica del modello oppure dalla vista elenco modelli, fare clic su ellissi verticale e selezionare Addestra.
  2. Machine Learning Labs carica i dati di addestramento e le parole non significative fornite, dopodiché avvia l'addestramento.

Una volta addestrato un modello, è possibile trovarne l'accuratezza sulla scheda Dettagli del modello (fare clic su ellissi verticale e selezionare Visualizza).
L'accuratezza è espressa in due numeri:

  • Accuratezza addestramento: la percentuale di classificazioni corrette ottenuta durante l'addestramento.
  • Accuratezza test: la percentuale di inferenze corrette sui campioni dai dati di addestramento, non utilizzate nell'addestramento.

Queste percentuali possono aiutare a decidere qual è il modello migliore per il proprio ambiente.
È possibile avere più modelli addestrati nel proprio Machine Learning Lab.

Se Machine Learning Lab rileva un problema mentre cerca di addestrare il modello, lo stato cambia in Addestramento non riuscito. Se ciò si verifica, fare clic su ellissi verticale, selezionare Vista e andare alla scheda Dettagli del modello per maggiori informazioni.

Quando una nuova classe viene aggiunta o una classe esistente viene deprecata nel proprio ambiente Neurons for ITSM, è necessario addestrare un nuovo modello con un set aggiornato di dati di addestramento. Vedere anche Quando addestrare un nuovo modello.

Per distribuire un modello è necessario che i dati dagli incident creati di recente inizino a essere elaborati dal modello.
Il modello stesso resta nel Machine Learning Lab.
Per distribuire un modello al proprio ambiente Neurons for ITSM, fare clic su ellissi verticale e selezionare Distribuisci. È possibile distribuire solo i modelli che presentano lo stato Addestrato.

Se un altro modello è già stato distribuito quando si distribuisce un modello, lo stato del modello precedente viene riportato su Addestrato. Il nuovo modello verrà quindi distribuito. Durante questo processo, gli incident creati di recente non vengono classificati.
Al termine della distribuzione, la classificazione (ri)comincerà per gli incident creati da quel momento in poi.

Una volta distribuito un modello, è possibile trovare le seguenti informazioni sulla scheda Dettagli del modello (fare clic su ellissi verticale e selezionare Visualizza):

  • Numero di chiamate API: il numero di volte in cui il modello è stato chiamato per prevedere la classe per un incident dalla distribuzione.
  • Probabilità media classe superiore: quando il modello è chiamato a prevedere la classe di un incident, la classe con la massima probabilità in base al modello viene proposta per Neurons for ITSM.
    Questo valore mostra la probabilità media delle classi superiori proposte per gli incident a partire dalla distribuzione del modello.


Attualmente, l'unico modo per annullare la distribuzione di un modello consiste nell'eliminarlo.

Se Machine Learning Lab rileva un problema mentre cerca di distribuire il modello, lo stato cambia in Distribuzione non riuscita. Se ciò si verifica, fare clic su ellissi verticale, selezionare Vista e andare alla scheda Dettagli del modello per maggiori informazioni.

Quando una nuova classe viene aggiunta o una classe esistente viene deprecata nel proprio ambiente Neurons for ITSM, è necessario addestrare un nuovo modello con un set aggiornato di dati di addestramento. Vedere anche Quando addestrare un nuovo modello.

Dalla vista elenco modelli, fare clic su ellissi verticale sulla linea del modello che si desidera eliminare, quindi selezionare Elimina.
Se il modello è stato distribuito, gli incident creati di recente non verranno più classificati.