Machine Learning Lab

Ivanti Neurons Machine Learning Lab biedt u een gecentraliseerde omgeving voor het maken, aanleren of implementeren van machine learning-modellen. Deze modellen kunnen momenteel worden gebruikt voor het leveren van Neurons voor ITSM Ticketclassificatie, maar er zullen nog meer toepassingen volgen. De modellen zijn gemaakt vanop het Ivanti Neurons Platform en blijven daar, zelfs wanneer ze geïmplementeerd zijn.
Met Machine Learning Lab hebt u niet langer een diepgaande kennis over machine learning-modellen nodig.

U kunt het Ivanti Neurons Machine Learning Lab vinden onder Software > Machine Learning Lab.
Voor een geslaagde implementatie van een machine learning-model, moet u het volgende voorbereiden:

  • Trainingsgegevens: een set voorbeelden waarvan is geweten dat de combinatie van invoer en uitvoer correct is.
  • Stopwoorden (optioneel): een lijst van woorden die het model moet negeren. Dit kan worden gebruikt om de modelprestaties te verbeteren.
    Houd ermee rekening dat er automatisch een standaardset van stopwoorden van NLTK wordt toegepast.

Voor meer informatie over het voorbereiden van uw gegevensset en de opleiding van een machine learning-model, zie Aan de slag met ticketclassificatie.

Machine Learning Lab ondersteunt momenteel alleen machine learning-modellen voor Neurons voor ITSM Ticketcategorisatie en de Engelse taal.

De tabel Machine Learning-modellen toont een lijst van bestaande machine learning-modellen en hun eigenschappen.
Klik op de Modelnaam voor meer gedetailleerde informatie over het model.

Hieronder vindt u een lijst van mogelijke acties die betrekking hebben om de machine learning-modellen.
Zie Aan de slag met ticketclassificatie voor een stapsgewijze begeleiding voor het configureren van Ticketclassificatie.

Om een nieuw model toe te voegen, moet u eerst de trainingsgegevens van het systeem waarin u het model zult implementeren, exporteren en voorbereiden. U kunt optioneel een bestand toevoegen met stopwoorden om het model fijn af te stemmen.
Voor meer informatie over het voorbereiden van deze gegevens, raadpleegt u Aan de slag met Ticketclassificatie stap 3. Opleidingsgegevens opruimen.

  1. Klik op Model toevoegen.
    Het deelvenster Model toevoegen opent.
  2. Geef een naam op voor het model en selecteer het gewenste type en de taal.
    Momenteel hebben de velden Type en Taal slechts één optie en kunnen ze niet worden gewijzigd.
  3. Selecteer een CSV-bestand dat Trainingsgegevens bevat.
    Het CSV-bestand met geen punt bevatten in de kolom Service.
  4. Selecteer optioneel een CSV-bestand dat stopwoorden bevat.
  5. Sla uw wijzigingen op. U kunt ook onmiddellijk starten met het trainen van uw model door Opslaan en trainen te selecteren.
    Het deelvenster Model toevoegen sluit.

U kunt nu op verticaal beletselteken klikken om uw volgende stap te selecteren.

Afhankelijk van de status van het model, zal de optie Bewerken mogelijk niet beschikbaar zijn.

  1. Klik op de naam van een model in de tabel Machine Learning-modellen of klik op verticaal beletselteken en selecteer Bewerken.
    Het bewerkingsdeelvenster voor het model opent.
  2. Op het tabblad Modelgegevens van het deelvenster vindt u informatie over de configuratie van het model Indien nodig kunt u deze gegevens bewerken.
  3. Sla uw wijzigingen op. U kunt ook onmiddellijk starten met het trainen van uw model door Opslaan en trainen te selecteren.
    Het deelvenster sluit.

Afhankelijk van de status van het model, zal de optie Opleiden mogelijk niet beschikbaar zijn.

  1. Selecteer Opslaan en trainen in het bewerkingspaneel van het model, of klik vanaf de modellijstweergave op verticaal beletselteken en selecteer Trainen.
  2. Machine Learning Labs laadt de trainingsgegevens en stopwoorden die u hebt opgegeven en start de training.

Nadat een model is opgeleid, kunt u de nauwkeurigheid vinden op het tabblad Details van het model (klik op verticaal beletselteken en selecteer Weergeven).
Nauwkeurigheid wordt uitgedrukt in twee cijfers:

  • Trainingsnauwkeurigheid: het percentage van correcte classificaties dat werd bereikt tijdens de training.
  • Testnauwkeurigheid: het percentage van correcte afleidingen op monsters van de trainingsgegevens, die niet werden gebruikt in training.

Deze percentages kunnen u helpen beslissen wat het beste model is voor uw omgeving.
U kunt meerdere getrainde modellen hebben in uw Machine Learning Lab.

Als Machine Learning Lab een probleem aantreft wanneer het probeert het model aan te leren, verandert de status naar Training mislukt. Als dit zich voordoet, klikt u op verticaal beletselteken, selecteert u Weergeven en gaat u naar het tabblad Details van het model voor meer informatie.

Wanneer een nieuwe klasse wordt toegevoegd of een bestaande klasse wordt afgeschaft in uw Neurons voor ITSM-omgeving, moet u een nieuw model trainen met een bijgewerkte set trainingsgegevens. Zie ook Wanneer een nieuw model trainen.

Een model implementeren betekent dat het model start met de verwerking van gegevens van nieuw gemaakte incidenten.
Het model zelf blijft in het Machine Learning Lab.
Om een model te implementeren in uw Neurons voor ITSM-omgeving, klikt u op verticaal beletselteken en selecteert u Implementeren. U kunt alleen modellen met de status Getraind implementeren.

Als er al een ander model is geïmplementeerd wanneer u een model implementeert, wordt de status van het vroegere model opnieuw ingesteld naar Getraind. Het nieuwe model wordt dan geïmplementeerd. Tijdens dit proces worden nieuwe gemaakt incidenten niet geclassificeerd.
Nadat de implementatie is voltooid, zal de classificatie (her)beginnen voor incidenten die vanaf dat ogenblik worden gemaakt.

Nadat een model is geïmplementeerd, kunt u de volgende informatie vinden op het tabblad Details van het model (klik op en selecteer Weergeven):

  • Aantal API-oproepen: het aantal keer dat het model werd opgeroepen om de klasse te voorspellen voor een incident sinds de implementatie.
  • Gemiddelde topklasse waarschijnlijkheid: wanneer het model wordt opgeroepen om de klasse van een incident te voorspellen, wordt de klasse met de hoogste waarschijnlijkheid volgens het model voorgesteld aan Neurons voor ITSM.
    Deze waarde toont de gemiddelde waarschijnlijkheid van de voorgesteld topklassen voor incidenten sinds het model werd geïmplementeerd.


Momenteel is de enige manier om de implementatie van een model ongedaan te maken, het model verwijderen.

Als Machine Learning Lab een probleem aantreft wanneer het probeert het model te implementeren, verandert de status naar Implementatie mislukt. Als dit zich voordoet, klikt u op verticaal beletselteken, selecteert u Weergeven en gaat u naar het tabblad Details van het model voor meer informatie.

Wanneer een nieuwe klasse wordt toegevoegd of een bestaande klasse wordt afgeschaft in uw Neurons voor ITSM-omgeving, moet u een nieuw model trainen met een bijgewerkte set trainingsgegevens. Zie ook Wanneer een nieuw model trainen.

Klik vanaf de modellijstweergave verticaal beletselteken op de lijn van het model dat u wilt verwijderen en selecteer dan Verwijderen.
Als het model werd geïmplementeerd, worden nieuw gemaakte incidenten niet langer geclassificeerd.