HR-PIWB-Vorlage: Geschätzte Zeit bis zur Lösung empfehlen

  • Freigeben Version: Washingtondc
  • Aktualisiert 1. Februar 2024
  • 5 Minuten Lesedauer

    • Trainieren Sie Ihre Lösung, indem Sie Verlaufsdaten verwenden, um numerische Ausgaben basierend auf den Verlaufsdaten vorherzusagen. Konfigurieren Sie die Lösungsdefinition, um die geschätzte Zeit bis zur Lösung eines HR-Falls vorherzusagen.

    Vorbereitungen

    Erforderliche Rolle: sn_piwb_hr_content.admin

    Warum und wann dieser Vorgang ausgeführt wird

    Mit Regressionslösungen können Sie einen Zeitpunkt schätzen und ein Intervall vorhersagen. Bei Vorhersagen können Sie mit der Regression auch ein Konfidenzniveau für das Vorhersageintervall (Bereich) angeben. Informationen zur Konfiguration der erwarteten Zeit bis zur Lösung finden Sie unter Geschätzte Zeit bis zur Lösung von HR-Fällen.

    Prozedur

    1. Navigieren zu Alle > Predictive Intelligence-Workbench > Anwendungsfälle > Neues aus Vorlagen erstellen.
    2. Wechseln Sie in der Vorlagenliste zur Vorlage Estimated Time to Resolve an HR case (Geschätzte Zeit zur Lösung eines HR-Falls), und klicken Sie auf Starten.
      Ein Popup mit dem Modellnamen wird angezeigt. Dieser Anwendungsfall wird in der klassischen Predictive Intelligence verarbeitet. Sie werden dorthin geleitet, um das Setup abzuschließen. Sie können die nachfolgenden Schritte ausführen:
      1. Klicken Sie suf Produktdokumentation zur Einrichtung dieses Anwendungsfalls anzeigen, um die Anweisungen zum Konfigurieren der Lösungsdefinition zu lesen.
        Hinweis:
        Sie sollten die Dokumentation zum Erstellen der Lösungsdefinition unbedingt lesen und verstehen.
      2. Klicken Sie auf Dorthin gehen, um mit der Lösungsdefinition zu beginnen.
      Die Zielseite für ML-Lösungen wird angezeigt.
      Abbildung : 1. HR-ML-Anwendungsfälle
      Liste der ML-Anwendungsfälle für HR-PIWB
    3. Gehe zu Regression > ml_sn_sn_hr_core_global_hr_case_resolution_time Klicken Sie unter den verfügbaren Lösungsdefinitionen auf Konfigurieren.
      Die Definition der Regressionslösung für die HR-Falllösungszeit wird angezeigt.
    4. Konfigurieren Sie im Lösungsdefinitionsformular die Felder gemäß der folgenden Anleitung.
      Feld Wert
      Bezeichnung Geben Sie einen eindeutigen Namen für die Regressionslösung ein. Beispiel: HR-Falllösungszeit.
      Name Wenn Sie Ihre Lösungsbezeichnung eingeben, wird dieses Feld automatisch mit einem vom System zugewiesenen Namen gefüllt, der Ihrem Bezeichnungswert ml_sn_sn_hr_core_global_hr_case_resolution_time ähnelt.
      Wortkorpus

      Wählen Sie einen vorhandenen, für Ihre Lösung relevanten Wortkorpus aus. In diesem Anwendungsfall wählen Sie beispielsweise einen Wortkorpus mit einem Titel wie Wortkorpusregression aus.

      Wenn Sie keinen relevanten Wortkorpus haben, folgen Sie den Schritten unter Wortkorpus erstellen. Wenn der Wortkorpus vollständig ist, können Sie ihn im Feld „Wortkorpus“ in Ihrem Formular für Regressionsdefinitionen auswählen.

      Die Auswahl des Wortkorpus ist jedoch optional. Wenn Ihre Eingabedaten Textspalten enthalten und Sie keinen Wortkorpus auswählen, trainiert Ihre Regressionslösung ein neues Wortkorpusmodell anhand der Textspalten in Ihren Eingabedaten. Der resultierende Wortkorpus kann in einer anderen Regressionslösung oder einem anderen ML-Lösungstyp wiederverwendet werden.

      Hinweis:
      Die Anzahl der Datensätze pro Tabelle für die Wortkorpuserstellung, die in Ähnlichkeitslösungen verwendet wird, ist auf 300.000 beschränkt.
      Tabelle Wählen Sie die Datenbanktabelle aus, auf die Sie die Regression anwenden. Die Tabelle sollte Verlaufsdatensätze enthalten, die das System verwenden kann, um die Dauer der Datenbankwiederherstellung für den HR-Fall [sn_hr_core_case] vorherzusagen.
      Ausgabefeld

      Wählen Sie das Feld aus, dessen Wert das Vorhersagemodell festlegen soll. Im Allgemeinen ist ein gutes Ausgabefeld ein numerisches Feld, ein Ganzzahlfeld oder ein Gleitkommafeld.

      In diesem Beispielszenario verwenden Sie das Feld actual_resolution_time, um eine Zeitdauer zu messen. Das Ausgabefeld sollte einen numerischen Wert generieren.
      Felder Wählen Sie einen oder mehrere Feldtypen aus, die das System beim Identifizieren der Datensätze unterstützen, die Sie mithilfe der Regression trainieren möchten. In diesem Szenario verwenden Sie short_description, description, hr_service,assignment_group, topic_detail, topic_category, priority,sys_class_name. Bei den Eingabefeldtypen kann es sich um Zeichenfolgen sowie Nominal- oder Zahlenwerte handeln.
      Filter (Optional) Fügen Sie den Ausgabefelddatensätzen, die Sie mithilfe der Regression trainieren möchten, Filterbedingungen hinzu. Stellen Sie sicher, dass Sie über ausreichende Datensätze verfügen, indem Sie die Filter anpassen.

      Die Mindestanzahl von Datensätzen für das Regressionstraining beträgt 10.000 Datensätze.

      Die Höchstanzahl von Datensätzen für das Regressionstraining ist auf 300.000 beschränkt.
      Verarbeitungs­sprache Wählen Sie die dominante Sprache des Datensatzes aus, den Sie anhand der Lösungsdefinition trainieren. Wenn die Datensatzsprache Englisch ist, wählen Sie Englisch aus. Außerdem werden alle Datensätze standardmäßig auch in Englisch verarbeitet. Wenn Sie beispielsweise Italienisch auswählen, verarbeitet das System die Daten sowohl in Englisch als auch in Italienisch.
      Hinweis:
      Der Begriff Verarbeitung beinhaltet einige der sprachspezifischen Schritte, die im Rahmen des Trainings einer Lösung verwendet werden. Zum Beispiel das Versehen von Wörtern mit Token, das Entfernen von Stoppwörtern und die Wortstammerkennung.
      Stoppwörter Nachdem Sie die Verarbeitungssprache ausgewählt haben, fügt das System automatisch eine Stoppwortliste in derselben Sprache hinzu. Wenn Ihre Verarbeitungssprache beispielsweise Italienisch ist, wird die Liste für standardmäßige italienische Stoppwörter angezeigt. Die Liste für standardmäßige englische Stoppwörter wird in Ihrer Auswahl auch angezeigt. Wenn Sie eine benutzerdefinierte Stoppwortliste erstellen, können Sie sie im Feld „Stoppwörter“ auswählen, um sie Ihrer Lösung hinzuzufügen. In diesem Szenario verwenden Sie die Liste für standardmäßige englische Stoppwörter.
      Schulungs­häufigkeit
      Wählen Sie aus, wie oft das System die Lösung basierend auf den Datensätzen, die dem Filter entsprechen, neu generiert. Folgende Optionen stehen zur Verfügung:
      • Einmal ausführen
      • Alle 30 Tage
      • Alle 60 Tage
      • Alle 90 Tage
      • Alle 120 Tage
      • Alle 180 Tage

      In diesem Szenario wählen Sie „Alle 30 Tage“ aus.

      Standardmäßig führt das System einmal ein Training durch. Dies gibt Ihnen Zeit, die Lösungsdefinition zu überprüfen und nach Bedarf zu aktualisieren, bis sie akzeptable Werte für Abdeckung und Genauigkeit liefert.

      Die Mindestanzahl der für das Regressionstraining erforderlichen Datensätze beträgt 10.000.

      Der ML-Scheduler begrenzt die Anzahl der Schulungen, die eine Instanz innerhalb eines 24-Stunden-Fensters durchführen kann, auf 50 neue ML-Schulungsanfragen pro Instanz. Davon ausgenommen sind Anforderungen zum geplanten erneuten Training. Darüber hinaus sind Clustering- und Ähnlichkeitsaktualisierungen von diesem Grenzwert ausgenommen, auch wenn die neuen Schulungsanfragen innerhalb eines 24-Stunden-Fensters den Wert von 50 überschreiten.
    5. Wählen Sie die entsprechende Kontextmenüoption aus, bzw. klicken Sie auf die entsprechende Schaltfläche für die Lösungsdefinition.
      OptionBeschreibung
      „Speichern“ oder „Speichern und schulen“ Speichern Sie den Lösungsdefinitionsdatensatz, damit Sie später dorthin zurückkehren können, oder speichern und übermitteln Sie ihn zum Trainieren.
      „Übermitteln“ oder „Übermitteln und schulen“ Erstellen Sie einen Lösungsdefinitionsdatensatz, und übermitteln Sie ihn, oder übermitteln und trainieren Sie ihn.
    6. Wenn Sie die Lösung zum Trainieren übermittelt haben, klicken Sie im Fenster Trainingsaktivierung zur Bestätigung auf OK.
      Das System plant das Trainieren der Lösung beim nächstgelegenen Trainingsservice. Das System sendet Ihnen bei Abschluss des Trainings eine Benachrichtigung und informiert Sie über alle aufgetretenen Fehler. Auch alle anderen Benutzer können die Kategorie „Predictive Intelligence-Benachrichtigungen“ abonnieren. Nach Abschluss des Trainings lädt das System die Lösung als Anhangsdatensatz hoch.

      Wenn die Konfiguration abgeschlossen ist, sehen die Mitarbeiter die geschätzte Zeit bis zur Lösung in den Anforderungsabschnitten.

    Nächste Maßnahme

    In diesem Szenario haben Sie eine ML-Lösung aus Ihrer Lösungsdefinition erstellt. Im Abschnitt „Zugehörige Links“ Ihrer ML-Lösung finden Sie die Registerkarten „Lösungsstatistiken“, „Testlösung“ und „Lösungsdefinition“. Überprüfen Sie auf der Registerkarte „Lösungsstatistiken“ die Statistiken für Punktschätzung und -bereich (Vorhersageintervall), die Ihre Lösung bereitgestellt hat.
    Abbildung : 2. Definition der Regressionslösung
    Statistiken der Regressionslösungsdefinition für HR-Fall

    Auf der Registerkarte „Testlösungen“ in Ihrer Lösung können Sie die ausgegebenen Vorhersagen für die Datensätze testen, die Sie als Eingabe für die Vorhersage verwendet haben, indem Sie in die Eingabefelder Werte eingeben. Sie können das Standard-Konfidenzniveau der Vorhersage von 95 verwenden oder einen anderen Wert zwischen 0 und 100 eingeben. Die Verwendung von 95 als Wert bedeutet, dass das System zu 95 % sicher ist, dass die tatsächliche Vorhersage in das Vorhersageintervall fällt. Klicken Sie auf die Schaltfläche Test ausführen, um die Vorhersageausgabe zu suchen.

    Nachdem Sie den Test ausgeführt haben, werden die Ausgabestatistiken der Vorhersage angezeigt. Die „Punktschätzung“ im Bildschirm ist ein einzelner Wert: ein bestimmter Zeitpunkt. Wenn die Konfiguration abgeschlossen ist, sehen die Mitarbeiter die geschätzte Zeit bis zur Lösung in den Anforderungsabschnitten.

    Sie können den Integrationsstatus im überprüfen HR-Verwaltung > HR-KI-Konfiguration > Lösungsdefinition. Der Anwendungsfall ist jetzt der ausgewählten Lösungsdefinition zugeordnet.