Começando a usar a Classificação de Tickets

O Machine Learning Lab do Ivanti Neurons oferece um ambiente para criar, treinar e implantar modelos de aprendizado de máquina. Esta seção orienta no processo de preparar e configurar os modelos de Classificação de Tickets para o Neurons for ITSM.

O que a Classificação de Tickets faz?

Quando um incidente é criado no Neurons for ITSM, um modelo de aprendizado de máquina o classifica automaticamente, em tempo real, no Serviço, Categoria ou Subcategoria corretos, com base no conteúdo do campo Assunto. Você pode treinar e implantar seu próprio modelo acessando o Machine Learning Lab na Neurons Platform e carregando os dados de treinamento.
A Classificação de Tickets:

  • é compatível com as versões cloud e on-premise do Neurons for ITSM;
  • está disponível para clientes que possuam Neurons for ITSM e Neurons for Healing.

A Classificação de Tickets requer que a sua instância do Neurons for ITSM tenha versão 2021.3 ou superior.

Configurando a Classificação de Tickets

O processo de configuração consiste nas seguintes etapas:

1. Conecte as instâncias do Neurons for ITSM e a Ivanti Neurons Platform

Para conectar suas instâncias do Neurons for ITSM e a Neurons Platform, abra uma Solicitação de Serviço com a equipe de Cloud Ops Ivanti (Suporte). Eles aplicarão a configuração necessária ao Neurons for ITSM.

Se você utiliza o Neurons for Healing e tem o Neurons for ITSM, mas não vê o item Software > Machine Learning Lab na Neurons Platform, contate o Suporte Ivanti.

2. Exporte dados para treinar seu modelo de aprendizado de máquina

Embora o Machine Learning Lab do Neurons elimine grande parte da dificuldade de criar modelos de aprendizado de máquina, o resultado também depende da qualidade inerente ao conjunto de dados fornecido por você. Esse conjunto de dados será usado para treinar o modelo. Os dados de treinamento nada mais são do que um conjunto verificado de incidentes criados anteriormente, junto com suas classificações.
Para obter os melhores resultados, o conjunto de dados deve abranger todas as classes possíveis, ou seja, as combinações de Serviço, Categoria e Subcategoria disponíveis no seu ambiente Neurons for ITSM.
Se o seu ambiente Neurons for ITSM (também) usa Serviço Real, Categoria Real e Subcategoria Real e esses dados são mais precisos, considere usar os campos reais.

Para exportar incidentes para o seu conjunto de dados de treinamento:

  1. Abra o espaço de trabalho Incidente no Neurons for ITSM
  2. Crie uma consulta que retorne os dados de incidente a serem preparados para treinar seu modelo de aprendizado de máquina.
  3. Acesse Mais > Ações de formulário > Exportar.
Requisitos do conjunto de dados de treinamento
  • O arquivo deve estar no formato CSV, usando vírgulas como separadores.
  • O arquivo deve conter:
    • uma coluna chamada Assunto.
    • pelo menos uma das colunas Serviço, Categoriaou Subcategoria, dependendo de sua configuração e uso.

Depois de exportar os dados do Neurons for ITSM, você pode começar a preparar o conjunto de dados para o treinamento.
Se decidiu usar dados de Serviço Real, Categoria Reale Subcategoria Real, essas colunas devem ser renomeadas para Serviço, Categoria e Subcategoria, respectivamente.

A Ivanti recomenda excluir todas as outras colunas do arquivo CSV exportado.

3. Limpeza dos dados de treinamento

Certifique-se de contemplar todos os pontos descritos nesta etapa, pois eles podem ter um grande impacto na precisão do modelo.
Para ajudar a manter a visão geral, considere classificar seus dados em Serviço, Categoria e Subcategoria. Na prática, isso cria uma lista classificada por classe.

A limpeza dos dados de treinamento compreende as seguintes ações:

  • Remover informações de identificação pessoal
    Isso evita possíveis problemas de privacidade e (igualmente importante aqui) também evita que esse tipo de dado afete o modelo.
    Exemplo    : se os dados de treinamento contiverem uma linha de assunto com um número de telefone, o modelo resultante poderá interpretar esse número como indicativo uma classe específica.
  • Remover ou rotular novamente classes obsoletas.
    Todas as classes nos dados de treinamento devem estar disponíveis no Neurons for ITSM. Se o modelo propuser uma classe que não está disponível, o usuário verá uma mensagem de erro, e o incidente talvez não seja salvo.
    Se os seus dados de treinamento contêm amostras de classes que foram descontinuadas, você pode:
    • renomear a amostra usando a classe disponível correta (se disponível).
    • excluir a amostra
      Certifique-se de haver nos dados de treinamento amostras suficientes, tanto por classe como no total.
      Consulte Para melhorar a precisão do modelo treinado (abaixo)
  • Corrija ou remova exemplos com classificações muito genéricas.
    Classes contendo valores como "Outros" ou "Sem categoria" podem ser muito genéricas.
    Corrija tais exemplos para classes mais específicas sempre que possível e se o Assunto contiver informações que sejam úteis para prever a classe.
  • Remova os exemplos em que o assunto contenha muito pouca ou nenhuma informação útil.
    Amostras com, por exemplo. o assunto "Solicitação urgente!" ou "Preciso de ajuda imediata" não contêm nenhuma informação que seja útil para treinar o modelo.
  • Corrija as classificações incorretas.
    Se um incidente com o assunto "Meu teclado perdeu todas as teclas" tem a classe "Rede", corrija-a para, por exemplo, "Periféricos"
  • Remova ou divida os exemplos em que o assunto contenha informações sobre vários problemas em classes diferentes.
    Às vezes, os usuários combinam problemas completamente distintos no mesmo incidente, por exemplo, "Meu teclado não está funcionando e preciso de uma VM".
    Remova esse exemplo ou divida-o em dois incidentes separados, cada um com a classe correta atribuída.
  • Verifique a consistência de dados de treinamento e melhore-a sempre que possível.
    Incidentes com campos de assunto quase idênticos (com o mesmo significado) devem receber a mesma classificação.

    Considere os seguintes assuntos:

    • "Minha câmera não funciona quando faço videochamadas"
    • "Eu estava em uma videochamada quando a webcam ficou em branco"

    As classes "Videochamada" e "Webcam" podem estar corretas, mas é importante que ambos os incidentes sejam atribuídos à mesma classe em seus dados de treinamento.

  • Certifique-se de que todas as classes possíveis estejam representadas com exemplos suficientes.
    O Machine Learning Lab precisa de exemplos suficientes para gerar um modelo preciso.
    Se os dados de treinamento contiverem um grande número de classes com apenas alguns exemplos, será preciso aumentar a quantidade de dados.
    Como alternativa, considere mesclar e/ou remover algumas das classes.
  • Reduza o número de exemplos nas classes que estiverem representadas com quantidade acima da média.
    As chamadas "classes dominantes" afetam a precisão, pois o modelo pode ficar mais propenso a seleciona uma delas.
Para melhorar a precisão do modelo treinado

Certifique-se de que os dados de treinamento:

  • contenham apenas classificações válidas;
  • sejam consistentes;
  • contenham quantidades (aproximadamente) equivalentes em cada classe, independentemente da frequência com que cada classe for realmente usada;

  • contenham no mínimo 50 amostras por classe. Mas, contanto que as amostras atendam aos três critérios anteriores e os dados tenham sido devidamente limpos, em geral, quanto mais, melhor.

    Se o seu ambiente usa 10 serviços e cada serviço tem 5 categorias, existem 10 x 5 = 50 classes.
    O conjunto de dados de treinamento deve, portanto, ter pelo menos 50 classes x 50 exemplos = 2500 exemplos no total.

    Seus dados e classes é que vão determinar se a quantidade mínima será suficiente para criar um modelo preciso.

4. Prepare um arquivo de palavras irrelevantes (opcional)

Para melhorar o desempenho do modelo, você pode opcionalmente fornecer um arquivo de palavras irrelevantes. Esse arquivo contém palavras que o modelo deve ignorar.
Um conjunto padrão de palavras irrelevantes da NLTK é aplicado automaticamente.

Requisitos do arquivo de palavras irrelevantes
  • O arquivo deve estar em formato CSV ou TXT.
  • O arquivo deve conter apenas uma palavra irrelevante por linha.

5. Crie e treine seu modelo de aprendizado de máquina

Depois de preparar os dados, você pode começar a criar e treinar o modelo.

  1. Adicione um novo modelo.
  2. Carregue o arquivo de dados de treinamento e (opcionalmente) o arquivo de palavras irrelevantes.
  3. Salve as alterações.
  4. Treine o modelo.

O Machine Learning Lab inicia o processo de treinamento.

Após o término do treinamento, a guia Detalhes do modelo mostrará a precisão dele. Com base nessa precisão, você pode decidir se vai implantar o modelo.
Para melhorar a precisão, atualize os dados de treinamento e/ou as palavras irrelevantes.

6. Implante o modelo de aprendizado de máquina treinado

Quando tiver um modelo treinado, você poderá implantá-lo no seu ambiente.
Uma vez implantado, o modelo começará a classificar incidentes no seu ambiente Neurons for ITSM.

7. Habilite a Classificação de Tickets no Neurons for ITSM

No Neurons for ITSM, habilite a Classificação de Tickets.
Para informações sobre como fazer isso, consulte Configurando a Classificação de Tickets no guia de configuração do Neurons for ITSM.

Quando treinar um novo modelo

Você pode decidir treinar um novo modelo para aumentar a precisão dele, caso tenha, por exemplo, continuado a limpar o conjunto de dados de treinamento.
Mas há situações em que treinar um novo modelo pode ser necessário e até urgente:

  • Quando as classes estiverem obsoletas
    Se o modelo propuser uma classe que não está mais disponível, o usuário verá uma mensagem de erro Neurons for ITSM, e incidente poderá não ser salvo.
    1. Atualize os dados de treinamento para eliminar deles os exemplos que usem a classe obsoleta.
      Atribua outra classe aos exemplos ou remova os exemplos completamente.
    2. Use os dados de treinamento para treinar um novo modelo.
    3. Implante o novo modelo.
    4. Marque a classe como obsoleta no Neurons for ITSM.
  • Quando o uso pretendido da classe mudar
    Exemplos:
    • Uma classe usada antes para telefones fixos agora é usada para dispositivos móveis.
    • Seu ambiente teve um programa substituído ou recebeu um novo programa.
    • Um novo tipo de produto (por exemplo, tablets ou smartwatches) para o qual é possível criar incidentes é introduzido no mercado.

    Sem um novo modelo treinado com dados que contenham exemplos de incidentes referentes a essas mudanças, a precisão pode diminuir.

  • Quando novas classes são introduzidas
    Um modelo pode propor apenas as classes com as quais é treinado. Se você não criar um novo modelo com base em dados de treinamento que contenham as novas classes, o modelo nunca vai propor as novas classes.