Configuration et comportement du modèle de machine learning

  • Rversion finale: Australia
  • Mis à jour 12 mars 2026
  • 3 minutes de lecture

    • Configurez des modèles pour prédire les valeurs de champ et le sentiment des tickets du service clientèle.

    Formation d’un modèle

    La formation d’un modèle d’apprentissage machine consiste à apprendre des schémas dans les données passées pour effectuer des prédictions pour de nouvelles données. Les modèles sont formés à l’aide d’un grand nombre de données afin qu’ils puissent apprendre des modèles et le grand ensemble de données rend les modèles appris statistiquement significatifs.

    Configurer un modèle de prédiction de champ

    Les utilisateurs disposant du rôle ml_admin peuvent créer et former un modèle d’apprentissage machine pour prédire les valeurs de champ à partir de la console d’administration Intelligence des tâches.

    En utilisant le modèle de prédiction de champ comme point de départ, vous pouvez choisir l’ensemble de données d’entraînement dont le modèle s’inspire. Le modèle peut être formé à l’aide des données des tables suivantes :
    • Table [sys_email] d’e-mail
    • Table des tickets [sn_customerservice_case]
    • Tables qui étendent la table Ticket
    • Table Interaction [interaction]
    Les modèles peuvent également être formés à l’aide des données provenant de pièces jointes d’e-mail ou de ticket.
    Vous demandez ensuite au modèle d’apprendre un modèle entre deux types de champs à partir de ces données :
    • Les champs de sortie sont les champs que vous souhaitez que votre modèle prédise. Par exemple, les champs Category (Catégorie) et Priority (Priorité) pour les tickets.
    • Les champs d’entrée sont les champs que le modèle utilise comme base pour les prédictions. Par exemple, le texte dans l’objet et le corps d’un e-mail.

    Vous pouvez utiliser les champs d’entrée recommandés ou modifier ces champs et ajouter vos propres préférences.

    Si le modèle est configuré pour utiliser le texte des pièces jointes, le système effectue les étapes suivantes lorsqu’un ticket ou une interaction est créé :
    • Le système vérifie l’enregistrement pour les pièces jointes avec des types de contenu et des extensions de fichier pris en charge. Il ignore les pièces jointes dont les extensions de fichier ne sont pas prises en charge.
    • Si l’enregistrement comporte des pièces jointes dans un format pris en charge, le système analyse le texte et l’envoie comme entrée au modèle de catégorisation, avec le texte des champs d’entrée.
    • Si l’enregistrement ne contient pas de pièces jointes ou s’il n’y en a pas dans un format pris en charge, le système envoie le texte des champs d’entrée au modèle de catégorisation.

    Les types de contenu et les extensions de fichier pris en charge sont stockés dans la sn_csm_ml_task.categorization.allowed_content_types propriété système. Pour plus d’informations, consultez Composants installés avec Intelligence des tâches pour Service clientèle.

    Prise en charge de plusieurs langues

    La catégorisation prend en charge plusieurs langues, y compris les pièces jointes, si les modèles sont configurés pour inclure des pièces jointes. Le modèle de catégorisation renvoie la langue prédite et la stocke dans le champ Langue détectée de la table Résultat de prédiction [ml_predictor_results].

    Configuration d’un modèle de sentiment de ticket

    Le modèle de sentiment du ticket est préentraîné avec un ensemble de données volumineux pour apprendre les schémas de communication. Ces données proviennent des e-mails des clients, des descriptions de tickets et des commentaires et reflètent la communication classique entre les agents et les clients.
    • E-mail : le modèle utilise le texte dans l’objet et le corps de l’e-mail initial pour prédire le sentiment lors de la création du ticket. Le texte du corps des e-mails suivants est utilisé pour mettre à jour la prédiction.
    • Tickets : le modèle utilise le texte de la description courte et de la description du ticket pour prédire le sentiment lors de la création du ticket. Les commentaires ajoutés au ticket sont utilisés pour mettre à jour la prédiction.
    Le modèle de sentiment de ticket prend en charge les types de tickets. Lors de la configuration d’un modèle de sentiment, vous sélectionnez la table sur laquelle exécuter l’analyse des sentiments. Vous pouvez sélectionner :
    • La table Ticket
    • Tables qui étendent la table Ticket
    Remarque :
    La fonctionnalité d’analyse des sentiments prend en charge un niveau d’extension personnalisée à partir de la table Ticket.