Konfigurieren Sie Lösungsdefinitionen, um Lücken in einer Knowledge Base zu finden

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

    • Die Funktion „Einblicke in Wissensbedarf“ findet Wissenslücken, indem Knowledge Bases mit vorhandenen Aufgaben verglichen werden. Um den Vergleich von Knowledge Bases mit einem Aufgabentyp zu ermöglichen, müssen Sie zuerst Ähnlichkeits- und Clustering-Lösungsdefinitionen konfigurieren.

    Vorbereitungen

    Diese Aufgabe beschreibt den Prozess zum Konfigurieren einer Lösungsdefinition.

    Anstatt die Konfiguration über dieses Verfahren durchzuführen, sollten Sie ein Guided Setup verwenden. Navigieren zu Wissen > Administration > Geführtes Setup, klicken Sie auf Erste Schritte, und scrollen Sie dann zum Abschnitt „Einblicke in Wissensbedarf“.

    Erforderliche Rolle: admin

    Warum und wann dieser Vorgang ausgeführt wird

    Konfigurieren Sie einen Ähnlichkeitstyp und eine Clustering-Typ-Lösungsdefinitionen für jeden Aufgabentyp: Incidents, Kundenservicefälle oder andere Aufgaben. Eine Definition einer Ähnlichkeitslösung erfasst und vergleicht Ihre vorhandenen Datensätze mit neuen ähnlichen Datensätzen. Eine Clustering-Lösungsdefinition gruppiert ähnliche Datensätze in Clustern, damit Sie sie gemeinsam bearbeiten oder Muster identifizieren können.

    Prozedur

    1. Navigieren zu Einblicke in Wissensbedarf > Lösungsdefinitionen.
    2. Suchen Sie in der Liste „Lösungsdefinitionen (ML-Ansicht)“ nach der Ähnlichkeitslösungsdefinition für den Aufgabentyp, und wählen Sie sie aus.
      • Wählen Sie für Kundenservicefälle Bedarfseinblicke: Ähnliche Fälle und Wissen (ml_sn_global_similar_cases_and_kbs) aus.
      • Wählen Sie für Incidents Bedarfseinblicke: Ähnliche Incidents und Wissen (ml_sn_global_similar_incidents_and_kbs) aus.
      • Wählen Sie für HR-Fälle Demand Insights: Similar HR Cases and Knowledge (ml_x_sn_hr_core_global_demand_insights_similar_hr_cases_and_knowledge) aus.
      • Klicken Sie für andere Aufgaben als Kundenservicefälle, Incidents und HR-Fälle auf Neu, um eine weitere Ähnlichkeitslösungsdefinition zu erstellen.
    3. Überprüfen Sie im Formular „Ähnlichkeitsdefinition“ die Standardfeldwerte für Kundenservicefälle oder Incidents, oder geben Sie die Werte für eine benutzerdefinierte Konfiguration ein.
      Hinweis:
      Wenn der Anwendungsbereich nicht auf Knowledge Management – Maschinelles Lernen festgelegt ist, können Sie das Formular nicht bearbeiten, und es wird eine Warnmeldung angezeigt. Um das Formular bearbeitbar zu machen, klicken Sie am Ende der Nachricht auf das Wort hier.
      Tabelle : 1. Formular „Ähnlichkeitsdefinition“
      Feld Beschreibung
      Bezeichnung Eindeutiger Name für die Ähnlichkeitslösung
      Wortkorpus Definiert, welche Wissensartikel und Aufgaben für die Wissenslückenanalyse ausgewählt werden.

      Wenn Sie keinen relevanten Wortkorpus haben, folgen Sie den Schritten unter Wortkorpus erstellen.
      Tabelle Tabelle, die die Wissensartikel-Datensätze enthält. Legen Sie den Wert auf Wissen [kb_knowledge] fest, es sei denn, Sie verwenden eine andere Tabelle zum Speichern von Wissensartikeln.

      Nachdem Sie einen Tabellenwert zugewiesen haben, wird die Anzahl der Datensätze, die den Filterbedingungen entsprechen, als Link angezeigt.
      Felder Felder aus der Wissenstabelle, die für die Wissenslückenanalyse ausgewählt wurden.
      Filter Filterbedingungen, die auf die Wissenstabelle angewendet werden, um Wissensartikeldatensätze für die Wissenslückenanalyse zu filtern.
      Testtabelle Tabelle mit den Aufgabendatensätzen, die Sie mit Wissensartikeldatensätzen vergleichen möchten.
      Testfelder Felder aus der Aufgabentabelle, die für die Wissenslückenanalyse ausgewählt wurden.
      Verarbeitungs­sprache Die dominante Sprache des Datensatzes, den Sie anhand der Lösungsdefinition trainieren. Standardmäßig werden alle Datensätze 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. Diese Schritte können dabei das Tokenisieren von Wörtern, das Entfernen von Stoppwörtern und die Wortstammerkennung umfassen.
      Stoppwörter Allgemeine Begriffe in der Verarbeitungssprache, die von der Suche ausgeschlossen werden, z. B. Präpositionen.

      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.
      Schulungs­häufigkeit Häufigkeit, mit der das Modell für die Definition der Ähnlichkeitslösung neu trainiert werden muss.
      Aktualisierungshäufigkeit Häufigkeit, mit der neue Datensätze in das Modell für die Definition der Ähnlichkeitslösung aufgenommen werden sollen
    4. Übermitteln und trainieren Sie die Lösungsdefinition.
      • Klicken Sie für einen neuen Lösungsdefinitionsdatensatz auf Absenden und schulen.
      • Klicken Sie für einen vorhandenen Lösungsdefinitionsdatensatz auf Aktualisieren und neu trainieren.
    5. Wahlweise: Fügen Sie weitere nützliche verwandte Artikel hinzu, indem Sie die Ähnlichkeitsbeispiele basierend auf der Ähnlichkeitspunktzahl überprüfen und den Schwellenwert der Ähnlichkeitspunktzahl aktualisieren.
      Weitere Informationen finden Sie unter Lösungsähnlichkeitsbeispiele überprüfen und Schwellenwert für Ähnlichkeitspunktzahl aktualisieren.
    6. Suchen Sie in der Liste „Lösungsdefinitionen (ML-Ansicht)“ nach der Clustering-Lösungsdefinition für den Aufgabentyp, und wählen Sie sie aus.
      • Wählen Sie für Kundenservicefälle Demand Insights: Fallcluster mit Wissensbedarf (ml_sn_global_cases_need_knowledge_cluster) aus.
      • Wählen Sie für Incidents Demand Insights: Incident-Cluster mit Wissensbedarf (ml_sn_global_incidents_need_knowledge_cluster) aus.
      • Wählen Sie für HR-Fälle Demand Insights: HR-Fallcluster benötigen Wissen (ml_x_sn_hr_core_global_demand_insights_hr_case_clusters_need_knowledge) aus.
      • Klicken Sie für andere Aufgaben als Kundenservicefälle und Incidents auf Neu, um eine weitere Clustering-Lösungsdefinition zu erstellen.
    7. Überprüfen Sie im Formular „Clustering-Definition“ die Standardfeldwerte für Kundenservicefälle oder Incidents, oder geben Sie die Werte für eine benutzerdefinierte Konfiguration ein.
      Hinweis:
      Wenn der Anwendungsbereich nicht auf Knowledge Management – Maschinelles Lernen festgelegt ist, können Sie das Formular nicht bearbeiten, und es wird eine Warnmeldung angezeigt. Um das Formular bearbeitbar zu machen, klicken Sie am Ende der Nachricht auf das Wort hier.
      Tabelle : 2. Formular „Clustering-Definition“.
      Feld Beschreibung
      Bezeichnung Eindeutiger Name für Ihre Clustering-Lösung.
      Wortkorpus Welche Aufgaben für Sammlungen ausgewählt werden.
      Tabelle Tabelle mit den gefilterten Aufgaben, für die Wissensartikel erforderlich sind. Legen Sie den Wert auf Aufgaben-Wissensabdeckung [kb_task_knowledge_coverage] fest, es sei denn, Sie verwenden eine andere Tabelle zum Speichern gefilterter Aufgaben.

      Nachdem Sie einen Tabellenwert zugewiesen haben, wird die Anzahl der Datensätze, die den Filterbedingungen entsprechen, als Link angezeigt.
      Felder Felder aus der Tabelle „Aufgaben-Wissensabdeckung“, die für die Wissenslückenanalyse ausgewählt wurden.
      Filter Filterbedingungen, die auf die Tabelle „Aufgaben-Wissensabdeckung“ angewendet werden, um Wissensartikeldatensätze für die Wissenslückenanalyse zu filtern.
      Verarbeitungs­sprache Die dominante Sprache des Datensatzes, den Sie anhand der Lösungsdefinition trainieren. Standardmäßig werden alle Datensätze 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. Diese Schritte können dabei das Tokenisieren von Wörtern, das Entfernen von Stoppwörtern und die Wortstammerkennung umfassen.
      Stoppwörter Allgemeine Begriffe in der Verarbeitungssprache, die von der Suche ausgeschlossen werden, z. B. Präpositionen.

      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.
      Aktualisierungshäufigkeit Häufigkeit, mit der neue und aktualisierte Datensätze in das Modell für die Clustering-Lösungsdefinition aufgenommen werden sollen.
      Schulungs­häufigkeit Häufigkeit, mit der das Modell für die Clustering-Lösungsdefinition neu trainiert werden muss.
    8. Übermitteln und trainieren Sie die Lösungsdefinition.
      • Klicken Sie für einen neuen Lösungsdefinitionsdatensatz auf Absenden und schulen.
      • Klicken Sie für einen vorhandenen Lösungsdefinitionsdatensatz auf Aktualisieren und neu trainieren.

    Nächste Maßnahme

    Füllen Sie das Formular „KB-Kurationskonfiguration“ aus, um die geplanten Aufgaben für Bedarfseinblicke zu definieren. Weitere Informationen finden Sie unter Konfigurieren Sie die Zuordnung von Lösungsdefinitionen zu Aufgabentabellen.