예측 인텔리전스 분류 프레임워크

분류 프레임워크를 예측 인텔리전스 사용하면 기록을 생성하는 동안 머신 러닝 알고리즘을 사용하여 범주형 필드 값을 설정할 수 있습니다. 예를 들어 모델을 사용하여 짧은 설명을 기반으로 인시던트 범주를 설정할 수 있습니다. 과거의 기록 처리 경험을 기반으로 작업을 자동으로 분류하고 라우팅하는 에이전트 역할을 하도록 예측 모델을 교육할 수 있습니다.

자세한 내용은 분류 솔루션 생성 및 교육 문서를 참조하십시오.

예측 인텔리전스 유사성 프레임워크

유사성 프레임워크는 예측 인텔리전스 새 레코드와 비슷한 값을 가진 기존 레코드를 식별합니다. 예를 들어, 유사한 인시던트 기록의 정보를 기반으로 해결 방법을 권장하도록 인시던트 기록의 하위 집합을 교육할 수 있습니다. 해결 방법이 입증된 유사한 종결 인시던트에서 참고하여 에이전트와 이행자가 수신 인시던트에 대한 최상의 해결 방법을 신속하게 제공하는 데 도움을 줄 수 있습니다.

유사성 프레임워크는 알고리즘이 유사한 컨텍스트를 기반으로 유사한 단어와 동의어를 식별하기 때문에 텍스트 비교를 위해 키워드가 정확히 일치할 필요가 없습니다. 예를 들어, printer not worked 와 printer broken 구문은 모두 유사한 것으로 인식됩니다. 또한 프레임워크는 산업별 컨텍스트를 수집, 학습, 적용합니다. 예를 들어, 네트워크에 가입할 수 없음 이라는 문구는 컴퓨터 네트워킹 회사에서는 의료 보험 회사와 컨텍스트가 다릅니다.

유사성 프레임워크는 워크플로우 유사성 솔루션을 사용합니다. 자세한 내용은 유사성 솔루션 생성 및 교육 문서를 참조하십시오.

예측 인텔리전스 클러스터링 프레임워크

클러스터링은 데이터를 패턴을 식별하는 데 사용할 수 있는 그룹으로 나눕니다. 그런 다음 기록을 일괄적으로 처리하거나 기존 데이터에서 격차를 찾을 수 있습니다. 예를 들어 유사한 새 인시던트를 그룹화하여 주요 중단을 식별할 수 있습니다.

클러스터링 프레임워크는 워크플로우 클러스터링 솔루션을 사용합니다. 자세한 내용은 클러스터링 솔루션 만들기 및 교육 문서를 참조하십시오.

릴리스에서 Washington DC 더 이상 사용되지 않음: 예측 인텔리전스 회귀 프레임워크

자세한 내용은 회귀 솔루션 생성 및 교육 문서를 참조하십시오.