---
sourceDocument: Xanadu-API-Referenz
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/de-DE/xanadu/api-reference

 Release :

    - xanadu

ft:locale :

    - de-DE

ft:publication_title :

    - Xanadu-API-Referenz

ft:clusterId :

    - crapiref

bundleId :

    - crapiref

workflow :

    - Creator


---

# Encoder : Global

# Encoder : Global {#ariaid-title1}

* Freigeben Version: Xanadu
* 
* Aktualisiert 1. August 2024
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 7 Minuten Lesedauer

Die Encoder- API stellt ein skriptfähiges Objekt bereit, das in den Speichern Predictive Intelligence verwendet wird. Dieses Objekt konvertiert Eingabedaten basierend auf Encoder-spezifischen Zielen und Konfigurationen in Zahlenvektoren. Encoder können unabhängig zum Ausführen von Codierungen verwendet oder als Teil von Lösungen zum Codieren von Textspalten konfiguriert werden.

Diese(s) Die API erfordert das Plugin Predictive Intelligence (com.glide.platform_ml) und wird im Namespace `sn_ml` bereitgestellt.

Encoder sind Textverarbeitungsobjekte, die entweder vortrainiert oder basierend auf den von Ihnen bereitgestellten Sprachdatensätzen trainiert werden. Sie können Encoder trainieren, die bestimmen, wie das System Textfelder interpretiert und verarbeitet. Für ML-Lösungen, die Text enthalten, können Sie einen Encoder trainieren, um anzugeben, wie Text verarbeitet wird, und um den trainierten Encoder in einer Lösung zu verwenden.

Encoder haben eine Konfiguration und Versionen und können unabhängig mit ihrer eigenen Neutrainingshäufigkeit trainiert werden. API-definierte Encoder unterscheiden sich von UI-definierten Encodern darin, dass das erneute Trainieren von UI-definierten Encodern von den Lösungen gesteuert wird, die sie verwenden.  
Der Flow vom Setup des Setups zum Training des Encoders lautet wie folgt:

1. Erstellen Sie einen oder mehrere Datensätze mit der [DatasetDefinition-](https://servicenow-prod.fluidtopics.net/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten.") API.
2. Verwenden Sie den [Konstruktor](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder."), um ein Encoder-Objekt zu erstellen.
3. Fügen Sie das Encoder-Objekt dem Encoder-Speicher mit der Methode [„EncoderStore - add()](https://servicenow-prod.fluidtopics.net/U~Xwa~kCMvIE5d7_6Z0OzA#EncoderStore-add_O "Fügt einen neuen Encoder hinzu dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück.") " hinzu.
4. Trainieren Sie den Encoder mit der Methode [„submitTrainingJob()](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-submitTrainingJob "Übermittelt einen Trainingsauftrag.") ". Dadurch wird eine Version des Objekts erstellt, die Sie mit der [EncoderVersion-](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") API verwalten können.

{#EncoderAPI__ol_aqf_1xt_2mb}Sobald Sie einen Encoder trainiert haben, können Sie ihn in einem Lösungsobjekt verwenden:

* [Klassifizierungslösung](https://servicenow-prod.fluidtopics.net/FkhHo3fYhanJcbqRDjOiOQ#ClassificationSolutionAPI "Die ClassificationSolution -API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.")
* [ClusteringSolution](https://servicenow-prod.fluidtopics.net/XiySdpzqunzeC2xL3FoSNg#ClusteringSolutionAPI "Die ClusteringSolution- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") (erforderlich, außer bei Verwendung des Levenshtein-Distanzalgorithmus)
* [RegressionSolution](https://servicenow-prod.fluidtopics.net/VxHrFkN9MK9AmeCkDd80JQ#RegressionSolutionAPI "Die RegressionSolution- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.")
* [Ähnlichkeitslösung](https://servicenow-prod.fluidtopics.net/ySKVPcJtUL3Mo0Ghk45f_A#SimilaritySolutionAPI "Die Ähnlichkeitslösungs- API ist ein skriptfähiges Objekt, das in den Filialen Predictive Intelligence verwendet wird.") (erforderlich)

{#EncoderAPI__ul_v1k_kzq_bmb}  
Hinweis:  
Diese API wird von mit vollständigen Rechten ausgeführt. Um den Benutzerzugriff einzuschränken, fügen Sie einen Zugriffssteuerungsmechanismus in das Skript ein.

Richtlinien zur [Verwendung finden Sie unter ML-APIs](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)verwenden .

## Encoder: Encoder (Objektkonfiguration) {#ariaid-title2}

Erstellt einen Encoder.
Um einen Encoder für einen oder mehrere Datensätze abzurufen, verwenden Sie diesen Konstruktor, um ein neues Encoder-Objekt mit einem eindeutigen Namen zu erstellen.
{#Encoder-Encoder_O__table_gm2_yt5_flb__entry__3}{#Encoder-Encoder_O__solution-obj-domainN-default}{#Encoder-Encoder_O__solution-obj-lang-desc}{#Encoder-Encoder_O__solution-obj-stop-desc}

| Name | Typ | Beschreibung |
|-|-|-|
| Konfiguration | Objekt | JavaScript-Objekt mit Konfigurationseigenschaften für Encoder. { "algorithmConfig": {Object}, "datasets": [Array], "domainName": "String", "label": "String", "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| config.algorithmConfig | Objekt | Optional. JavaScript-Objekt, das Algorithmuskonfigurationseigenschaften enthält. 'algorithmConfig' : { "algorithm": "String" } |
| config.algorithmConfig.algorithm | Zeichenfolge | Name des Algorithmus zum Trainieren dieses Encoders. Mögliche Werte: * paravec: Texteinbettung für Absatzvektoren. * tf-idf: Begriffshäufigkeit -- Text auf Basis der inversen Dokumenthäufigkeit (TF-IDF). {#Encoder-Encoder_O__ul_encoder_alg_vals} |
| config.datasets | Array | Liste der [Datensatzdefinitions-](https://servicenow-prod.fluidtopics.net/BXzFaC72fsNUF0~2iVZkiA#DatasetDefinitionAPI "Die DatasetDefinition- API bietet Methoden zum Identifizieren von Eine Reihe von Datensätzen, einschließlich eines Tabellennamens, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden. Datensätze enthalten nicht die tatsächlichen Daten.") Objektnamen. |
| config.domainName | Zeichenfolge | Optional. Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domain Separation und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Standard: Aktuelle Domäne, z. B. `„global"`. |
| config.label | Zeichenfolge | Gibt die Vorhersageaufgabe an. |
| config.minRowCount | Zeichenfolge | Optional. Mindestanzahl von Datensätzen, die im Datensatz für das Training erforderlich sind. Standard: 10.000 |
| config.processingLanguage | Zeichenfolge | Optional. Verarbeitungssprache im zweibuchstabigen ISO 639-1-Sprachcodeformat. Standard: „en" |
| config.stoppwords | Array | Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Einstellung der Eigenschaft language automatisch generiert. Einzelheiten hierzu finden [Sie unter Anwenderdefinierte Stoppwortliste erstellen](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Standard: Englische Stoppwörter |
| config.trainingFrequency | Zeichenfolge | Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: * jeden_30_Tage * jeden_60_Tage * jeden_90_Tage * jeden_120_Tage * jeden_180_Tage * run_once {#Encoder-Encoder_O__ul_pmw_523_plb}Standard: run_once |
[Tabelle : 1. Parameter]

{#Encoder-Encoder_O__table_gm2_yt5_flb}  
Das folgende Beispiel zeigt, wie Sie einen Encoderauftrag erstellen und dem Encoderspeicher hinzufügen.

    var myPrbData = new sn_ml.DatasetDefinition({
        'tableName' : 'problem',
        'fieldNames' : ['short_description'],
        'encodedQuery' : 'activeANYTHING'
    });

    var myIncidentData = new sn_ml.DatasetDefinition({
        'tableName' : 'incident',
        'fieldNames' : ['short_description', 'description'],
        'encodedQuery' : 'activeANYTHING'
    });

    var myEncoder = new sn_ml.Encoder({
        'label': "encoder",
        'datasets' : [myPrbData, myIncidentData],
        'algorithmConfig' : {
            'algorithm' : 'tf-idf'
        }
    });
    var myEncoderName = sn_ml.EncoderStore.add(myEncoder);

## Encoder - cancelTrainingJob() {#ariaid-title3}

Storniert einen Auftrag für ein Encoder-Objekt , das zum Trainieren übermittelt wurde.
{#Encoder-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 2. Parameter]

{#Encoder-cancelTrainingJob__table_bpb_k3z_llb} {#Encoder-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Keine |   |
[Tabelle : 3. Ergebnisse]

{#Encoder-cancelTrainingJob__table_cpb_k3z_llb}  
Das folgende Beispiel zeigt, wie Sie einen vorhandenen Trainingsauftrag abbrechen.

    var myEncoder = sn_ml.EncoderStore.get('ml_sn_global_global_encoder');

    myEncoder.cancelTrainingJob();

## Encoder - getActiveVersion() {#ariaid-title4}

Ruft das aktive ab EncoderVersion-Objekt
{#Encoder-getActiveVersion__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 4. Parameter]

{#Encoder-getActiveVersion__table_tvl_m3z_llb} {#Encoder-getActiveVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Aktives [EncoderVersion-](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") Objekt. |
[Tabelle : 5. Ergebnisse]

{#Encoder-getActiveVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie eine aktive Encoder Version aus dem Store abrufen und ihren Schulungsstatus zurückgeben.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

    gs.print(JSON.stringify(JSON.parse(mlEncoder.getActiveVersion().getStatus()), null, 2));

Ausgabe:

    {
      "state": "encoder_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## Encoder - getAllVersions() {#ariaid-title5}

Ruft alle Versionen von ab einen Encoder.
{#Encoder-getAllVersions__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 6. Parameter]

{#Encoder-getAllVersions__table_tvl_m3z_llb} {#Encoder-getAllVersions__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Array | Vorhandene Versionen eines Encoderobjekts. Siehe auch [EncoderVersion-](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") API. |
[Tabelle : 7. Ergebnisse]

{#Encoder-getAllVersions__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie alle Encoder -Versionsobjekte abrufen und die Encoder-Versionsmethoden getVersionNumber () und getStatus () dafür aufrufen.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

    var mlEncoderVersions = mlEncoder.getAllVersions();

    for (i = 0; i < mlEncoderVersions.length; i++) {
    gs.print("Version " + mlEncoderVersions[i].getVersionNumber() + " Status: " + mlEncoderVersions[i].getStatus() +"\n");
    };

Ausgabe:

    Version 3 Status: {"state":"encoder_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 2 Status: {"state":"encoder_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 1 Status: {"state":"encoder_cancelled","percentComplete":"0","hasJobEnded":"true"}

## Encoder - getLatestVersion() {#ariaid-title6}

Ruft die aktuelle Version von ab einen Encoder.
{#Encoder-getLatestVersion__table_tvl_m3z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 8. Parameter]

{#Encoder-getLatestVersion__table_tvl_m3z_llb} {#Encoder-getLatestVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [EncoderVersion und](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das der aktuellen Version von entspricht[Encoder()](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder."). |
[Tabelle : 9. Ergebnisse]

{#Encoder-getLatestVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie die aktuelle Version einen Encoder und geben dessen Trainingsstatus zurück.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

    gs.print(JSON.stringify(JSON.parse(mlEncoder.getLatestVersion().getStatus()), null, 2));

Ausgabe:

    {
      "state": "encoder_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## Encoder - getName() {#ariaid-title7}

Ruft den Namen des Objekts ab, das für die Interaktion mit dem Store verwendet werden soll.
{#Encoder-getName__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 10. Parameter]

{#Encoder-getName__table_pps_43z_llb} {#Encoder-getName__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Zeichenfolge | Name des Encoder-Objekts. |
[Tabelle : 11. Ergebnisse]

{#Encoder-getName__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie Encoder Datensatzinformationen aktualisiert und der Name des Objekts gedruckt wird.

    // Update encoder
    var myIncidentData = new sn_ml.DatasetDefinition({
       'tableName' : 'incident',
       'fieldNames' : ['category', 'short_description', 'priority'],
       'encodedQuery' : 'activeANYTHING'
    });

    var eligibleFields = JSON.parse(myIncidentData.getEligibleFields(encoder));

    var myEncoder = new sn_ml.Encoder({
       'label': "my encoder",
       'datasets' : [myIncidentData],
       'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
       'predictedFieldName': 'category'
    });

    // update encoder
    sn_ml.EncoderStore.update('ml_x_snc_global_global_my_definition_4', myEncoder);

    // print encoder name
    gs.print('Encoder Name: '+myEncoder.getName());

Ausgabe:

    Encoder Name: ml_x_snc_global_global_my_definition_4

## Encoder - getProperties () {#ariaid-title8}

Ruft Lösungsobjekteigenschaften ab.
{#Encoder-getProperties__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 12. Parameter]

{#Encoder-getProperties__table_pps_43z_llb} {#Encoder-getProperties__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Inhalt der Datensatz- und [Encoder()-](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder.") Objektdetails im [EncoderStore](https://servicenow-prod.fluidtopics.net/U~Xwa~kCMvIE5d7_6Z0OzA#EncoderStoreAPI "Die EncoderStore- API bietet Methoden zum Speichern und Abrufen von Encodern."). { "algorithmConfig" : {Object}, "datasetsProperties": [Array], "domainName": "String", "label": "String", "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| \<Object\>.algorithmKonfiguration.algorithm | Name des Algorithmus zum Trainieren dieses Encoders. Mögliche Werte: * paravec: Texteinbettung für Absatzvektoren. * tf-idf: Begriffshäufigkeit -- Text auf Basis der inversen Dokumenthäufigkeit (TF-IDF). {#Encoder-getProperties__ul_encoder_alg_vals} Datentyp: Zeichenfolge. |
| \<Object\>.Algorithmuskonfiguration | Optional. JavaScript-Objekt, das Algorithmuskonfigurationseigenschaften enthält. 'algorithmConfig' : { "algorithm": "String" } Datentyp: Objekt. |
| \<Object\>.datasetsProperties | Liste der [DatasetDefinition()-](https://servicenow-prod.fluidtopics.net/BXzFaC72fsNUF0~2iVZkiA#DDef-DatasetDefinition_O "Erstellt eine Instanz der DatasetDefinition -Klasse, sodass Sie einen Datensatz anhand des Tabellennamens, der Felder und der Abfrage definieren können.") Eigenschaften, die dem Encoder zugeordnet sind. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Array. |
| \<Object\>.datasetsEigenschaften.tabellenname | Name der Tabelle für den Datensatz. Beispiel: `„tableName" : „Incident"`. Datentyp: Zeichenfolge. |
| \<Object\>.datasetsProperties.fieldNames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„fieldNames" : ["short_description", "priority"]`. Datentyp: Array. |
| \<Object\>.datasetsProperties.fieldNames.fieldDetails | Liste von JavaScript-Objekten, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. |
| \<Object\>.datasetsProperties.fieldNames.fieldDetails.\<object\>.name | Name des Felds, das die Art der Informationen definiert, auf die dieser Datensatz beschränkt werden soll Datentyp: Zeichenfolge. |
| \<Object\>.datasetsProperties.fieldDetails.\<object\>.type | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. |
| \<Object\>.datasetsProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge. |
| \<Object\>.Domänenname | Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domain Separation und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Zeichenfolge. |
| \<Object\>.label | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge. |
| \<Object\>.name | Vom System zugewiesener Name Datentyp: Zeichenfolge. |
| \<Object\>.predictedFieldName | Gibt ein Feld an, das für die Vorhersagbarkeit trainiert werden soll. Datentyp: Zeichenfolge. |
| \<Object\>.processingLanguage | Verarbeitungssprache im zweibuchstabigen ISO 639-1-Sprachcodeformat. Datentyp: Zeichenfolge. |
| \<Object\>.scope | Objektbereich. Derzeit ist `global`der einzige gültige Wert. Datentyp: Zeichenfolge |
| \<Object\>.Stoppwörter | Optional. Voreingestellte Liste von Zeichenfolgen, die das System basierend auf der Einstellung der Eigenschaft language automatisch generiert. Einzelheiten hierzu finden [Sie unter Anwenderdefinierte Stoppwortliste erstellen](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Datentyp: Array. |
| \<Object\>.trainingFrequency | Die Häufigkeit, mit der das Modell neu trainiert werden soll. Mögliche Werte: * jeden_30_Tage * jeden_60_Tage * jeden_90_Tage * jeden_120_Tage * jeden_180_Tage * run_once {#Encoder-getProperties__ul_pmw_523_plb}Standard: run_once Datentyp: Zeichenfolge. |
[Tabelle : 13. Ergebnisse]

{#Encoder-getProperties__table_qps_43z_llb}  
Im folgenden Beispiel werden Eigenschaften ein Encoder-Objekt im Store abgerufen.

    var myEncoder = sn_ml.EncoderStore.get('ml_sn_global_global_encoder');

    gs.print(JSON.stringify(JSON.parse(myEncoder.getProperties()), null, 2));

Ausgabe:

    *** Script: {
      "datasetsProperties": [
        {
          "tableName": "incident",
          "fieldNames": [
            "assignment_group",
            "short_description",
            "description"
          ],
          "encodedQuery": "activeANYTHING"
        }
      ],
      "domainName": "global",
      "label": "my encoder definition",
      "name": "ml_x_snc_global_global_my_encoder_definition",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "trainingFrequency": "run_once"
    }

## Encoder -- getVersion(String version) {#ariaid-title9}

Ruft einen Encoder ab anhand der angegebenen Versionsnummer.
{#Encoder-getVersion_S__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Vorhandene Versionsnummer einen Encoder. |
[Tabelle : 14. Parameter]

{#Encoder-getVersion_S__table_pps_43z_llb} {#Encoder-getVersion_S__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Angegebene Version des [Encoder()-](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder.") Objekts, für das Sie [EncoderVersion-](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") API-Methoden aufrufen können. |
[Tabelle : 15. Ergebnisse]

{#Encoder-getVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie Sie den Trainingsstatus ein Encoder nach Versionsnummer

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

    gs.print(JSON.stringify(JSON.parse(mlEncoder.getVersion('1').getStatus()), null, 2));

Ausgabe:

    {
      "state": "encoder_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## Encoder -- setActiveVersion(String version) {#ariaid-title10}

Aktiviert eine angegebene Version eines Encoders im Store.
{#Encoder-setActiveVersion_S__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Name der zu aktivierenden [Encoder()-](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder.") Objektversion. Durch die Aktivierung dieser Version werden alle anderen Versionen deaktiviert. |
[Tabelle : 16. Parameter]

{#Encoder-setActiveVersion_S__table_pps_43z_llb} {#Encoder-setActiveVersion_S__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Keine |   |
[Tabelle : 17. Ergebnisse]

{#Encoder-setActiveVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie Sie einen Encoder im Store aktivieren.

    sn_ml.Encoder.setActiveVersion("ml_incident_categorization");

## Encoder -submitTrainingJob() {#ariaid-title11}

Übermittelt einen Trainingsauftrag.
Hinweis:  
Bevor Sie diese Methode ausführen können, müssen Sie dem Speicher mit der Methode [„EncoderStore - add()](https://servicenow-prod.fluidtopics.net/U~Xwa~kCMvIE5d7_6Z0OzA#EncoderStore-add_O "Fügt einen neuen Encoder hinzu dem Store ein neues Lösungsobjekt hinzu und gibt einen eindeutigen Namen zurück.") " einen Encoder hinzufügen.
{#Encoder-submitTrainingJob__table_xmd_33z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Keine |   |   |
[Tabelle : 18. Parameter]

{#Encoder-submitTrainingJob__table_xmd_33z_llb} {#Encoder-submitTrainingJob__table_ymd_33z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [EncoderVersion-](https://servicenow-prod.fluidtopics.net/EtprQtf_Bb5KhtyuiLqSww#EncoderVersionAPI "Die EncoderVersion- API stellt ein skriptfähiges Objekt bereit, das in den Filialen Predictive Intelligence verwendet wird.") Objekt, das [Encoder](https://servicenow-prod.fluidtopics.net/G7ohgdKHJdsFxubAhcpxJw#Encoder-Encoder_O "Erstellt einen Encoder.") dem trainierten entspricht. |
[Tabelle : 19. Ergebnisse]

{#Encoder-submitTrainingJob__table_ymd_33z_llb}  
Das folgende Beispiel zeigt, wie Sie einen Datensatz erstellen, auf eine Lösung anwenden einen Encoder, fügen Sie ihn hinzu einem Store hinzufügen und den Trainingsauftrag übermitteln.

    // Create a dataset 
    var myData = new sn_ml.DatasetDefinition({

      'tableName' : 'incident',
      'fieldNames' : ['assignment_group', 'short_description', 'description'],
      'encodedQuery' : 'activeANYTHING'

    });

    // Create an encoder 
    var myEncoder = new sn_ml.Encoder({

      'label': "my encoder definition",
      'datasets' : [myData],
      'predictedFieldName' : 'assignment_group',
      'inputFieldNames':['short_description']

    });

    // Add the encoder to the store to later be able to retrieve it.
    var my_unique_name = sn_ml.EncoderStore.add(myEncoder);

    // Train the encoder - this is a long running job 
    var myEncoderVersion = myEncoder.submitTrainingJob();