Классификация инцидентов

Лаборатория машинного обучения Ivanti Neurons (Ivanti Neurons Machine Learning Lab) содержит среду для создания, обучения и развертывания моделей машинного обучения. В этом разделе представлен процесс подготовки и конфигурации моделей классификации инцидентов ПО Neurons for ITSM.

Что такое классификация инцидентов?

После создания инцидента в ПО Neurons for ITSM он автоматически классифицируется в реальном времени с помощью модели машинного обучения для правильного выбора услуги, категории и подкатегории на основе содержимого поля темы. Вы можете обучить и развернуть свою собственную модель, открыв Лабораторию машинного обучения платформы Neurons и загрузив данные обучения.
Классификация инцидентов:

  • Совместима как с облачной, так и с локальной версиями Neurons for ITSM;
  • Доступна для клиентов, использующих как ПО Neurons for ITSM, так и компоненты Neurons for Healing.

Для работы функции классификации инцидентов необходима установка экземпляра ПО Neurons for ITSM версии 2021.3 или новее.

Конфигурация классификации инцидентов

Процесс конфигурации состоит из следующих действий:

1. Подключение ваших экземпляров Neurons for ITSM к платформе Ivanti Neurons

Для подключения ваших экземпляров Neurons for ITSM и платформы Neurons, отправьте запрос на обслуживание группе поддержки, Ivanti Cloud Ops. Они применят необходимую конфигурацию для ПО Neurons for ITSM.

Если вы используете ПО Neurons for Healing и Neurons for ITSM, но у вас нет в платформе Neurons элемента ПО > Лаборатория машинного обучения, пожалуйста, обратитесь в службу поддержки Ivanti.

2. Экспорт данных для обучения вашей модели машинного обучения

Несмотря на то, что Лаборатория машинного обучения Neurons выполняет большую часть действий создания моделей машинного обучения, их результат также зависит от качества набора предоставляемых вами данных обучения. Этот набор данных будет использоваться для обучения модели. Данные обучения - это проверенный набор ранее созданных инцидентов с их классификациями.
Для получения наилучших результатов набор данных должен содержать все возможные классы, например, комбинацию значений сервис, категория и подкатегория, которые представлены в вашей среде ПО Neurons for ITSM.
Если в вашей среде Neurons for ITSM (также) используются значения фактических услуг, фактических категорий и фактических подкатегорий, и эти данные будут наиболее точны, вы можете рассмотреть возможность использования данных полей фактических значений.

Для экспорта инцидентов для набора данных обучения:

  1. Откройте рабочую зону Инцидент в ПО Neurons for ITSM.
  2. Создайте запрос, возвращающий данные инцидента, которые нужно подготовить для обучения модели машинного обучения.
  3. Перейдите Далее > Действия формы > Экспорт.
Требования к набору данных обучения
  • Файл должен иметь формат CSV с использованием запятых в качестве разделителей.
  • Файл должен содержать:
    • Столбец Тема.
    • Не менее одного столбца Услуга, Категория или Подкатегория, что конкретно зависит от используемой вами конфигурации.

После экспорта данных из ПО Neurons for ITSM вы можете начать подготовку набора данных для обучения.
Если вы будете использовать данные столбцов Фактическая услуга, Фактическая категория и Фактическая подкатегория, эти столбцы нужно переименовать - соответственно Услуга, Категория и Подкатегория.

Ivanti рекомендует удалить все другие столбцы из экспортированного файла CSV.

3. Очистка данных обучения

Обязательно выполните все действия данного этапа, так как это может оказать большое влияние на точность модели.
Для дальнейшего изучения обзора рассмотрите возможность сортировки данных по услугам, категориям и подкатегориям. Фактически, это отсортирует список по классам.

Очистка данных обучения состоит из следующих действий:

  • Удаление персональной идентификационной информации.
    Это предотвращает потенциальные проблемы конфиденциальности данных и (не менее важно) также предотвращает влияние такого рода данных на модель.
    Пример    : Если данные обучения содержат строку темы с номером телефона, полученная модель может интерпретировать этот номер как сигнал для конкретного класса.
  • Удаление или переименование устаревших классов.
    Все классы данных обучения должны быть доступны в ПО Neurons for ITSM. Если модель предлагает класс, который недоступен, для пользователя будет отображена ошибка, и инцидент не может быть сохранен.
    Если данные обучения содержат образцы устаревших классов, вы можете:
    • Переименовать образец для получения правильных доступных классов (если доступны).
    • Удалить образец.
      Убедитесь, что данные обучения содержат достаточно образцов, как для каждого класса, так и в целом.
      См. далее раздел Максимальная точность обученной модели
  • Корректировка или удаление образцов с обобщенной классификацией.
    Классы, содержащие такие значения, как "Другое" или "Без категории", могут оказаться слишком обобщенными.
    Исправьте эти образцы для уточнения классов, где это возможно и где поле "тема" содержит информацию, полезную для прогнозирования класса.
  • Удаление образцов, где тема содержит очень мало или совсем не содержит полезной информации.
    Примеры, с темой "Срочный запрос!" или "Требуется срочная помощь" не содержат полезную информацию для обучения модели.
  • Корректировка неправильных классификаций.
    Если инцидент с темой "Моя клавиатура развалилась" содержит класс "Сеть", исправьте класс, например, на - "Периферия"
  • Удаление или разделение образцов, где тема содержит информацию о нескольких проблемах в разных классах.
    Иногда пользователи могут объединить совершенно несвязанные проблемы в один инцидент, например, "Моя клавиатура не работает, и мне нужна виртуальная машина".
    Удалите этот образец или разделите его на два отдельных инцидента, каждому из которых будет назначен правильный класс.
  • Проверка согласованности данных обучения и их улучшение, где это возможно.
    Инциденты с почти идентичными значениями полей темы должны иметь одинаковую классификацию.

    Подумайте об использовании следующих тем:

    • "Моя камера не работает во время видеозвонков"
    • "Камера не транслирует видео во время видеозвонка"

    Оба класса, "Видеозвонок" и "Веб-камера", верны, но важно, чтобы для обоих инцидентов в ваших данных обучения был назначен один и тот же класс.

  • Все возможные классы должны быть представлены достаточным количеством образцов.
    Для обеспечения точности модели Лаборатория машинного обучения должна содержать достаточно образцов.
    Если ваши данные обучения содержат много классов и только с несколько образцов, нужно увеличить объем обучающих данных.
    Иначе рассмотрите возможность объединения и/или удаления некоторых из этих классов.
  • Уменьшение количества образцов классов, которые представлены в количестве выше среднего.
    Такие "доминирующие классы" влияют на точность, так как с большей вероятностью модель может выбрать доминирующий класс.
Максимальная точность обученной модели

Убедитесь, что данные обучения:

  • содержат только хорошо известные классификации,
  • согласованы,
  • содержат, примерно, равное количество значений каждого класса независимо от частоты их фактического использования,

  • содержат минимум 50 образцов для каждого класса. В целом лучше, когда образцы соответствуют трем предыдущим критериям, и данные были очищены должным образом.

    Если в вашей среде используется 10 услуг, и каждая из них содержит 5 категорий, вы должны иметь 10 x 5 = 50 классов.
    Поэтому набор данных обучения должен состоять как минимум из 50 классов x 50 образцов = всего 2500 образцов.

    Независимо от достаточности минимального количества точность создания модели полагается на ваши данные и классы.

4. Подготовка файла игнорируемых слов (необязательно)

Для улучшения производительности модели можно указать файл игнорируемых слов. Этот файл содержит слова, которые модель будет игнорировать.
По умолчанию автоматически будет применяться набор игнорируемых слов сервиса NLTK.

Требования для файла игнорируемых слов
  • Файл должен иметь формат CSV или TXT.
  • Файл должен содержать только одно игнорируемое слово в каждой строке.

5. Создание и обучение вашей модели машинного обучения

После подготовки данных вы можете начать создание и обучение вашей модели.

  1. Добавьте новую модель.
  2. Загрузите ваш файл с данными обучения и файл игнорируемых слов (необязательно).
  3. Сохраните изменения.
  4. Обучите вашу модель.

Лаборатория машинного обучения начнет процесс обучения.

После завершения обучения на вкладке модели Информация будет представлена ее точность. На основании этой точности вы можете принять решение о развертывании модели.
Для повышения точности обновите данные обучения и/или игнорируемые слова.

6. Развертывание обученной модели машинного обучения

После получения обученной модели вы можете развернуть ее в своей среде.
После развертывания модель начнет классифицировать инциденты в среде ПО Neurons for ITSM.

7. Включение функции классификации инцидентов в ПО Neurons for ITSM

В приложении Neurons for ITSM включите функцию классификации инцидентов.
Для получения информации о том, как это сделать, см. раздел Конфигурация классификации инцидентов в руководстве по конфигурации ПО Neurons for ITSM.

Обучение новой модели

Вы можете выбрать функцию обучения новой модели для повышения ее точности, например, во время очистки набора обучающих данных.
Однако бывают ситуации, когда обучение новой модели может быть необходимо и даже срочно:

  • Устаревание классов
    Если модель предлагает класс, который более недоступен, для пользователя будет отображена ошибка в ПО Neurons for ITSM, и инцидент более не может быть сохранен.
    1. Обновите данные обучения, чтобы они более не содержали образцов с использованием устаревшего класса.
      Назначьте для образцов другой класс или полностью удалите образцы.
    2. Используйте обученную модель для обучения новой модели.
    3. Разверните новую модель.
    4. Исключите из использования класс в ПО Neurons for ITSM.
  • Изменение предполагаемого использования класса
    Примеры:
    • Раньше класс использовался для стационарных телефонов, но теперь используется для мобильных устройств.
    • Программа в вашей среде была заменена или представлена новая программа.
    • На рынке появился новый тип продукта (например, планшет или умные часы), для которого могут быть созданы инциденты.

    Точность может снизиться без использования новой модели, обученной с данными, которые также содержат примеры инцидентов.

  • Представление новых классов
    Модель может использовать только классы, на основании которых она была обучена. Если вы не создадите новую модель на основе данных обучения, содержащих новые классы, модель никогда не будет предлагать новые классы.