Aan de slag met ticketclassificatie

Ivanti Neurons Machine Learning Lab biedt u een omgeving voor het maken, aanleren of implementeren van machine learning-modellen. Deze sectie begeleidt u doorheen het proces voor het voorbereiden en configureren van Ticketclassificatiemodellen voor Neurons for ITSM.

Wat kan Ticketclassificatie doen?

Wanneer een incident wordt gemaakt in Neurons voor ITSM, wordt dit automatisch in realtime geclassificeerd door een machine learning-model in de correcte Service, Categorie en Subcategorie op basis van de inhoud van het veld Onderwerp. U kunt uw eigen model trainen en implementeren door naar het Machine Learning Lab op het Neurons Platform te gaan en de trainingsgegevens uploaden.
Ticketclassificatie:

  • is zowel compatibel met cloud- als met lokale versies van Neurons voor ITSM;
  • is beschikbaar voor klanten die zowel Neurons voor ITSM als Neurons voor Healing hebben.

Ticketclassificatie vereist dat uw instantie van Neurons for ITSM versie 2021.3 of hoger is.

Ticketclassificatie configureren

Het configuratieproces bestaat uit de volgende stappen:

1. Verbind uw instanties van Neurons for ITSM en het Ivanti Neurons-platform

Om uw instanties van Neurons for ITSM en het Neurons-platform te verbinden, dient u een serviceaanvraag in bij het Ivanti Cloud Ops-team (ondersteuning). Ze zullen de nodige configuratie toepassen op Neurons voor ITSM.

Als u Neurons voor Healing en Neurons voor ITSM hebt, maar het item Software > Machine Learning Lab niet ziet in het Neurons Platform, neemt u contact op met Ivanti-ondersteuning.

2. Gegevens exporteren voor het trainen van uw machine learning-model

Hoewel het Neurons Machine Learning Lab het maken van machine learning-modellen vergemakkelijkt, is het resultaat ook afhankelijk van de kwaliteit van de set trainingsgegevens die u opgeeft. Deze gegevensset wordt gebruikt voor het trainen van het model. Trainingsgegevens zijn niet meer dan een gecontroleerde set van eerdere gemaakt incidenten met hun classificaties.
Voor de beste resultaten, moet de gegevensset elke mogelijke klasse dekken, d.i. combinatie van Service, Categorie en Subcategorie die beschikbaar is in uw Neurons for ITSM-omgeving.
Als uw Neurons voor ITSM-omgeving (ook) $Actuele service, Actuele categorie en Actuele subcategorie gebruikt, en deze gegevens nauwkeuriger zijn, kunt u overwegen om in plaats daarvan deze Actuele-velden te gebruiken.

Incidenten exporteren voor uw trainingsgegevensset:

  1. Open de werkruimte Incident in Neurons voor ITSM
  2. Maak een query die de incidentgegevens retourneert die u wilt voorbereiden voor de opleiding van uw machine learning-model.
  3. Ga naar Meer > Formulieracties > Exporteren.
Vereisten trainingsgegevensset
  • Het bestand moet in CSV-indeling zijn waarbij komma's worden gebruikt als scheidingstekens.
  • Het bestand moet het volgende bevatten:
    • een kolom met de naam Onderwerp.
    • minstens een van de kolommen Service, Categorie of Subcategorie, afhankelijk van uw configuratie en gebruik.

Na het exporteren van de gegevens van Neurons for ITSM, kunt u starten met het voorbereiden van de gegevensset voor de opleiding.
Als u ervoor kiest om gegevens te gebruiken van Actuele service, Actuele categorie en Actuele subcategorie, moeten deze kolommen respectievelijk worden hernoemd naar Service, Categorie en Subcategorie.

Ivanti raadt u aan alle overige kolommen van het geëxporteerde CSV-bestand te verwijderen.

3. Opleidingsgegevens opruimen

Zorg dat u elk van de punten in deze stap aanpast, omdat dit een grote impact kan hebben op de nauwkeurigheid van het model.
Om het overzicht te helpen behouden, kunt u overwegen om uw gegevens te sorteren op Service, Categorie en Subcategorie. Dit creëert op effectieve wijze een lijst, gesorteerd op klasse.

Het opruimen van de opleidingsgegevens bestaat uit de volgende acties:

  • Verwijder persoonlijk identificeerbare informatie.
    Dit verhindert potentiële problemen met de privacy van gegevens en (even belangrijk voor dit doel) het verhindert ook dat dit soort gegevens het model beïnvloedt.
    Voorbeeld    : als de trainingsgegevens een onderwerpregel met een telefoonnummer bevatten, kan het resulterende model dat nummer interpreteren als een signaal voor een specifieke klasse.
  • Verwijder of wijzig het label van afgeschafte klassen.
    Alle klassen in de opleidingsgegevens moeten beschikbaar zijn in Neurons voor ITSM. Als een model een klasse voorstelt die niet beschikbaar is, verschijnt een fout voor de en wordt het incident mogelijk niet opgeslagen.
    Als uw trainingsgegevens voorbeelden bevatten van klassen die zijn afgeschaft, kunt u:
    • wijzig het label van het voorbeeld naar de correcte, beschikbare klasse (indien beschikbaar).
    • het voorbeeld verwijderen.
      Zorg dat uw trainingsgegevens voldoende voorbeelden bevatten, zowel per klasse als in totaal.
      Zie Voor de beste nauwkeurigheid van het getrainde model (hieronder)
  • Corrigeer of verwijder voorbeelden met classificaties die te algemeen zijn.
    Klassen die waarden bevatten zoals "Overige" of "Uncategorized" kunnen te algemeen zijn.
    Corrigeer deze voorbeelden naar meer specifieke klassen waar mogelijk en waar het onderwerp informatie bevat die nuttig is voor het voorspellen van de klasse.
  • Verwijder voorbeelden waar het onderwerpt zeer weinig of geen nuttige informatie bevat.
    Voorbeelden met bijv. het onderwerp "Dringende aanvraag!" of "Help mij ASAP" bevat geen informatie die nuttig is omhet model te trainen.
  • Corrigeer alle onjuiste classificaties.
    Als een incident met het onderwerp "Alle toetsen zijn van mijn toetsenbord gevallen" de klasse "Netwerk" heeft, corrigeert u de klasse bijvoorbeeld naar "Randapparatuur"
  • Verwijder of splits voorbeelden waar het onderwerp informatie bevat over meerdere problemen in verschillende klassen.
    Gebruikers kunnen soms compleet onverwante problemen combineren in één incident, bijvoorbeeld Mijn toetsenbord werkt niet en ik heb een VM nodig".
    Verwijder dit voorbeeld of splits het in twee afzonderlijke incidenten, elke met de correcte klasse toegewezen.
  • Controleer de consistentie van uw trainingsgegevens en verbeter deze waar mogelijk.
    Incidenten met bijna identieke (betekenis van) Onderwerpvelden moeten dezelfde classificatie hebben.

    Overweeg de volgende onderwerpen:

    • "Mijn camera werkt niet tijdens een videogesprek"
    • "Ik voerde een videogesprek wanneer mijn webcam uitviel"

    De klassen Videogesprek" en "Webcam" kunnen beide correct zijn, maar het is belangrijk dat beide incidenten zijn toegewezen aan dezelfde klasse in uw trainingsgegevens.

  • Zorg dat alle mogelijk klassen worden voorgesteld met voldoende voorbeelden.
    Machine Learning Lab vereist voldoende voorbeelden voor een nauwkeurig model.
    Als uw trainingsgegevens veel klassen bevat met slechts enkele voorbeelden, moet u de hoeveelheid trainingsgegevens uitbreiden.
    U kunt overwegen om sommige van deze klassen samen te voegen en/of te verwijderen.
  • Verminder het aantal voorbeelden voor klassen die worden voorgesteld in de bovenstaande gemiddelde aantallen.
    Dergelijke 'dominante klassen' beïnvloeden de nauwkeurigheid omdat het model meer kans maakt om een dominante klasse te selecteren.
Voor de beste nauwkeurigheid van het getrainde model

Zorg dat de trainingsgegevens:

  • bevat alleen bekende-goede classificaties;
  • is consistent;
  • bevat (ongeveer) gelijke hoeveelheden van elke klasse, ongeacht hoe vaak elke klasse daadwerkelijk wordt gebruikt;

  • bevat een minimum van 50 voorbeelden per klasse. Maar zolang de voorbeelden voldoen aan de vorige drie criteria en de gegevens correct werden opgeruimd, is het doorgaans wel een feit dat meer beter is.

    Als uw omgeving 10 services gebruikt en elke service 5 categorieën heeft, zijn er 10 x 5 = 50 klassen.
    De trainingsgegevensset moet daarom minstens 50 klassen x 50 voorbeelden = totaal 2500 voorbeelden bevatten.

    Of de minimumhoeveelheid voldoende zal zijn voor het maken van een nauwkeurig model, is afhankelijk van uw gegevens en uw klassen.

4. Een stopwoordenbestand voorbereiden (optioneel)

Om de prestaties van een model te verbeteren, kunt u optioneel een stopwoordenbestand opgeven. Dit bestand bevat woorden die het model moet negeren.
Er wordt automatisch een standaardset van stopwoorden van NLTK toegepast.

Vereisten stopwoordenbestand
  • Het bestand moet in CSV- of TXT-indeling.
  • Het bestand mag slechts één stopwoord per lijn bevatten.

5. Uw machine learning-model maken en opleiden

Zodra u uw gegevens hebt voorbereid, kunt u starten met het aanmaken en trainen van uw model.

  1. U kunt een nieuw model toevoegen .
  2. Upload uw trainingsgegevensbestand en (optioneel) stopwoordenbestand.
  3. Sla uw wijzigingen op.
  4. Train uw model.

Machine Learning Lab start het trainingsproces.

Nadat de opleiding is voltooid, toont het tabblad Details van een model de nauwkeurigheid ervan. Op basis van deze nauwkeurigheid, kunt u beslissen om het model te implementeren.
Om de nauwkeurigheid te verbeteren, werkt u uw trainingsgegevens en/of stopwoorden bij.

6. Uw opgeleid machine learning-model implementeren

Wanneer u een getraind model hebt, kunt u het implementeren in uw omgeving.
Zodra het model is geïmplementeerd, zal het starten met het classificeren van incidenten in uw Neurons voor ITSM-omgeving.

7. Ticketclassificatie in Neurons voor ITSM inschakelen

Schakel Ticketclassificatie in Neurons voor ITSM in.
Raadpleeg Ticketclassificatie configureren in de configuratiehandleiding van Neurons for ITSM voor informatie over de werkwijze hiervoor.

Wanneer een nieuw model trainen

U kunt kiezen om een nieuw model te trainen om de modelnauwkeurigheid te verhogen, bijvoorbeeld wanneer u bent doorgegaan met het reinigen van uw set trainingsgegevens.
Er zijn echter situaties waarbij het opleiden van een nieuw model nodig en zelfs dringend kan zijn:

  • Wanneer klassen worden afgeschaft
    Als een model een klasse voorstelt die niet langer beschikbaar is, verschijnt een fout voor de gebruiker in Neurons voor ITSM en wordt het incident mogelijk niet opgeslagen.
    1. Werk uw trainingsgegevens bij zodat deze niet langer voorbeelden bevatten die de afgeschafte klasse gebruiken.
      Wijs een andere klasse toe aan de voorbeelden of verwijder de voorbeelden volledig.
    2. Gebruik de trainingsgegevens om een nieuwe model te trainen.
    3. Implementeer het nieuwe model.
    4. Schaf de klasse in Neurons voor ITSM af.
  • Wanneer het bedoeld gebruik van een klasse wijzigt
    Voorbeelden:
    • Er werd al eerder een klasse gebruikt voor vaste telefoons, maar dit wordt nu gebruikt voor mobiele apparaten.
    • Een programma in uw omgeving is vervangen of een nieuw programma is geïntroduceerd.
    • Er is een nieuw producttype (bijvoorbeeld tablets of smartwatches) geïntroduceerd op de markt, waarvoor incidenten kunnen worden gecreëerd.

    Zonder een nieuw model dat is getraind met gegevens die ook voorbeelden van incidenten bevatten die deze wijzigingen aantonen, kan de nauwkeurigheid afnemen.

  • Wanneer nieuwe klassen worden geïntroduceerd
    Een model kan alleen klassen waarmee het werd getraind, voorstellen. Als u geen nieuw model maakt op basis van trainingsgegevens die de nieuwe klassen bevat, zal het model nooit de nieuwe klassen voorstellen.