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

 Release :

    - yokohama

ft:locale :

    - de-DE

ft:publication_title :

    - Yokohama-API-Referenz

ft:clusterId :

    - crapiref

bundleId :

    - crapiref

workflow :

    - Creator


---

# Gleichzeitigkeitslösung -- Global

# Gleichzeitigkeitslösung -- Global {#ariaid-title1}

* Freigeben Version: Yokohama
* 
* Aktualisiert 30. Januar 2025
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 7 Minuten Lesedauer

Die Gleichzeitigkeitslösung API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.

Diese(s) API erfordert Predictive IntelligencePlugin (com.glide.platform_ml) und wird in bereitgestellt `sn_ml `Namespace.  
Der Flow „Lösungssetup zu Training" lautet wie folgt:

1. Erstellen Sie einen Encoder mit [Encoder](https://servicenow-prod.fluidtopics.net/ncoTmwylbzXEwXVmPzAZcw#EncoderAPI "Die Encoder Die API stellt ein skriptfähiges Objekt bereit, das in verwendet wird Predictive IntelligenceSpeichert. Dieses Objekt konvertiert Eingabedaten in Zahlenvektoren basierend auf Encoder-spezifischen Zielen und Konfigurationen. Encoder können unabhängig voneinander verwendet werden, um Codierungen auszuführen, oder können als Teil von Lösungen zum Codieren von Textspalten konfiguriert werden.")API.
2. Verwenden Sie [Konstruktor](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.")Dient zum Erstellen eines Ähnlichkeitslösungsobjekts.
3. Fügen Sie das Lösungsobjekt dem Speicher der Ähnlichkeitslösung mit hinzu [SimilaritySolutionStore -- add()](https://servicenow-prod.fluidtopics.net/MXlBNmENOIB3aVM1SUfCoQ#SimilarityStore-add_O "Fügt eine neue Lösung hinzu Objekt für den Store und gibt einen eindeutigen Namen zurück.")Methode.
4. Trainieren Sie die Lösung mit [SubmitTrainingJob()](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-submitTrainingJob "Übermittelt einen Schulungsauftrag.")Methode. Dadurch wird eine Version des Objekts erstellt, das Sie mit verwalten können [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")API.
5. Rufen Sie Vorhersagen mit ab [SimilaritySolutionVersion -- Predict()](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilarityVersion-predict_O_O "Ruft die Eingabedaten für eine Vorhersage ab.")Methode.

{#SimilaritySolutionAPI__ol_mmm_n1c_dmb}  
Hinweis:  
Diese API wird ausgeführt Mit vollständigen Berechtigungen vor Washington DCPatch 7-Release. Gewähren Sie nach diesem Release Zugriff mithilfe von ACLs. Weitere Informationen finden Sie unter [Query ACLs](https://www.servicenow.com/docs/access?context=query-acl-rule&version=yokohama&pubname=yokohama-platform-security&ft:locale=en-US).

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

## SimilaritySolution -- SimilaritySolution (Objektkonfiguration) {#ariaid-title2}

Erstellt eine Ähnlichkeitslösung.
{#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb__entry__3}{#SimilaritySol-SimilaritySolution_O__solution-obj-domainN-default}{#SimilaritySol-SimilaritySolution_O__solution-obj-lang-desc}{#SimilaritySol-SimilaritySolution_O__solution-obj-stop-desc}

| Name | Typ | Beschreibung |
|-|-|-|
| Konfiguration | Objekt | JavaScript-Objekt, das Konfigurationseigenschaften von enthält Lösung. { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDataset": {Object}, "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "testDataset": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } |
| Config.domainName | Zeichenfolge | Optional. Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domänentrennung und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Standard: Aktuelle Domäne, z. B. `„Global" `. |
| Config.encoder | Objekt | Trainiertes Encoderobjekt, das dieser Lösung zugewiesen werden soll.Siehe [Encoder -- Encoder (Objektkonfiguration)](https://servicenow-prod.fluidtopics.net/ncoTmwylbzXEwXVmPzAZcw#Encoder-Encoder_O "Erstellt einen Encoder."). |
| Config.label | Zeichenfolge | Gibt die Vorhersageaufgabe an. |
| Config.lookupDataset | Objekt | Name von [Datendefinition](https://servicenow-prod.fluidtopics.net/P8pkp_FhlIJCSLrp2tVuyA#DatasetDefinitionAPI "Die Datendefinition API stellt Methoden zur Identifizierung bereit Ein Satz von Datensätzen, einschließlich Tabellenname, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden sollen. Datensätze enthalten nicht die tatsächlichen Daten.")Zur Verwendung als Suchsatz. |
| Config.minZeilenanzahl | Zeichenfolge | Optional. Mindestanzahl von Datensätzen, die im Datensatz für das Training erforderlich sind. Standard: 10000 |
| config.processingLanguage | Zeichenfolge | Optional. Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet. Standard: „en" |
| Config.stopwords | Array | Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter [Erstellen Sie eine anwenderdefinierte Stoppwortliste](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Standard: Englische Stoppwörter |
| Config.testDataset | Objekt | Name von [Datendefinition](https://servicenow-prod.fluidtopics.net/P8pkp_FhlIJCSLrp2tVuyA#DatasetDefinitionAPI "Die Datendefinition API stellt Methoden zur Identifizierung bereit Ein Satz von Datensätzen, einschließlich Tabellenname, Spalten und Zeilenauswahlkriterien, die als Eingabe für ML-Trainingsalgorithmen verwendet werden sollen. Datensätze enthalten nicht die tatsächlichen Daten.")Um nach Ähnlichkeiten mit zu scannen lookupDatasetErgebnisse. |
| Config.trainingHäufigkeit | Zeichenfolge | Optional. Die Häufigkeit zum erneuten Trainieren des Modells. Mögliche Werte: * Every_30_days * Every_60_days * Every_90_days * Every_120_days * Every_180_days * Run_once {#SimilaritySol-SimilaritySolution_O__ul_pmw_523_plb}Standard: Run_once |
| Config.updateHäufigkeit |   | Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss. Mögliche Werte: * Do_Not_Update * Every_1_day * Every_1_Hour * Every_6_hours * Every_12_hours * Jede_1_Minute * Alle_15_Minuten * Alle_30_Minuten {#SimilaritySol-SimilaritySolution_O__ul_kjm_2jh_3mb}Standard: Do_not_Update |
[Tabelle : 1. Parameter]

{#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb}  
Das folgende Beispiel zeigt, wie ein Objekt erstellt und zu hinzugefügt wird Ähnlicher Lösungsspeicher.

    var incidentData = new sn_ml.DatasetDefinition({
            'tableName' : 'incident',
            'fieldNames' : ['category', 'short_description']        
        });
        var kbData = new sn_ml.DatasetDefinition({
            'tableName' : 'kb_knowledge',
            'fieldNames' : ['short_description'],
            'encodedQuery' : 'active=true'
        });
        var encoder = sn_ml.EncoderStore.get('GloVe');
        var mySolution = new sn_ml.SimilaritySolution({
            'label': "similarity solution",
            'lookupDataset' : kbData,
            'testDataset' : incidentData,        
            'encoder' : encoder        
        });
        
        // add solution
        var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution);

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

Bricht einen Auftrag für ab Ein Lösungsobjekt Das zum Training übermittelt wurde.
{#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

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

{#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb} {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

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

{#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb}  
Das folgende Beispiel zeigt, wie ein vorhandener Schulungsauftrag abgebrochen wird.

    var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity');

    mySolution.cancelTrainingJob();

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

Ruft die aktiven ab Ähnliche Lösungsversion Objekt.
{#SimilaritySol-getActiveVersion__table_tvl_m3z_llb__entry__3}

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

{#SimilaritySol-getActiveVersion__table_tvl_m3z_llb} {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Aktiv [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")Objekt. |
[Tabelle : 5. Rückgaben]

{#SimilaritySol-getActiveVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie ein aktiver abgerufen wird Gleichzeitigkeitslösung Version aus dem Store und gibt den Schulungsstatus zurück.

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity');

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

Ausgabe:

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

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

Ruft alle Versionen von abA Gleichzeitigkeitslösung Objekt.
{#SimilaritySol-getAllVersions__table_tvl_m3z_llb__entry__3}

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

{#SimilaritySol-getAllVersions__table_tvl_m3z_llb} {#SimilaritySol-getAllVersions__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Array | Vorhandene Versionen eines Lösungsobjekts. Siehe auch [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")API. |
[Tabelle : 7. Rückgaben]

{#SimilaritySol-getAllVersions__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie alle abgerufen werden Gleichzeitigkeitslösung Versionsobjekte und rufen Sie auf GetVersionNumber() Und GetStatus() Lösungsversionsmethoden darauf.

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity');

    var mlSolutionVersions = mlSolution.getAllVersions();

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

Ausgabe:

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

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

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

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

Ruft die neueste Version von ab Eine Lösung.
{#SimilaritySol-getLatestVersion__table_tvl_m3z_llb__entry__3}

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

{#SimilaritySol-getLatestVersion__table_tvl_m3z_llb} {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.") Objekt, das der neuesten Version von entsprichtA [Gleichzeitigkeitslösung](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung."). |
[Tabelle : 9. Rückgaben]

{#SimilaritySol-getLatestVersion__table_uvl_m3z_llb}  
Das folgende Beispiel zeigt, wie Sie die neueste Version von abrufen Eine Lösung und gibt ihren Schulungsstatus zurück.{#SimilaritySol-getLatestVersion__mlsol-getLatestVersion-example}

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_Similarity');

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

Ausgabe:

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

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

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

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

{#SimilaritySol-getName__table_pps_43z_llb} {#SimilaritySol-getName__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Zeichenfolge | Name des Lösungsobjekts. |
[Tabelle : 11. Rückgaben]

{#SimilaritySol-getName__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie aktualisiert wird Gleichzeitigkeitslösung Datensatzinformationen, und drucken Sie den Namen des Objekts aus.

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

    var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('Similarity'));

    var mySimilarity = new sn_ml.SimilaritySolution({
       'label': "my Similarity solution",
       'dataset' : myIncidentData,
       'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
       'predictedFieldName': 'category'
    });

    // update solution
    sn_ml.SimilaritySolutionStore.update('ml_x_snc_global_global_my_solution_definition_4', mySimilarity);

    // print solution name
    gs.print('Solution Name: '+mySimilarity.getName());

Ausgabe:

    Solution Name: ml_x_snc_global_global_my_solution_definition_4

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

Ruft Lösungsobjekteigenschaften ab.
{#SimilaritySol-getProperties__table_pps_43z_llb__entry__3}

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

{#SimilaritySol-getProperties__table_pps_43z_llb} {#SimilaritySol-getProperties__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Inhalt des Datensatzes und [Gleichzeitigkeitslösung()](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.")Objektdetails in [Gleichgeordneter Lösungsspeicher](https://servicenow-prod.fluidtopics.net/MXlBNmENOIB3aVM1SUfCoQ#SimilaritySolutionStoreAPI "Aktiviert das Speichern und Abrufen Lösungen."). { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDatasetProperties": {Object}, "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "testDatasetProperties": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } |
| \<Object\>.Domänenname | Domänenname, der diesem Datensatz zugeordnet ist. Siehe [Domänentrennung und Predictive Intelligence](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Zeichenfolge. |
| \<Object\>.Encoder | Encoderobjekt, das dieser Lösung zugewiesen ist.Siehe [Encoder -- Encoder (Objektkonfiguration)](https://servicenow-prod.fluidtopics.net/ncoTmwylbzXEwXVmPzAZcw#Encoder-Encoder_O "Erstellt einen Encoder."). Datentyp: Objekt. |
| \<Object\>.Bezeichnung | Gibt die Vorhersageaufgabe an. { "label": "my first prediction" } Datentyp: Zeichenfolge. |
| \<Object\>.LookupDatasetProperties | Details von [Datendefinition()](https://servicenow-prod.fluidtopics.net/P8pkp_FhlIJCSLrp2tVuyA#DDef-DatasetDefinition_O "Erstellt eine Instanz von Datendefinition Klasse, mit der Sie einen Datensatz nach Tabellenname, Feldern und Abfrage definieren können.") Objekt, das als Suchsatz verwendet wird. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Objekt. |
| \<Object\>.LookupDatasetProperties.tableName | Name der Tabelle für den Datensatz. Beispiel: `„Tabellenname": „Incident" `. Datentyp: Zeichenfolge. |
| \<Object\>.LookupDatasetProperties.fieldnames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„Feldnamen": ["short_description", "Priorität"] `. Datentyp: Array. |
| \<Object\>.LookupDatasetProperties.fieldnames.fieldDetails | Liste der JavaScript-Objekte, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. |
| \<Object\>.LookupDatasetProperties.fieldnames.fieldDetails. \<object\>.Name | Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll. Datentyp: Zeichenfolge. |
| \<Object\>.LookupDatasetProperties.fieldDetails. \<object\>.Typ | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. |
| \<Object\>.LookupDatasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=yokohama&pubname=yokohama-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge. |
| \<Object\>.Name | Vom System zugewiesener Name. Datentyp: Zeichenfolge. |
| \<Object\>.ProcessingLanguage | Sprache wird im zweistelligen ISO 639-1-Sprachcodeformat verarbeitet. Datentyp: Zeichenfolge. |
| \<Object\>.Umfang | Objektbereich. Derzeit ist der einzige gültige Wert `Global `. Datentyp: Zeichenfolge |
| \<Object\>.Stoppwörter | Optional. Voreingestellte Liste von Zeichenfolgen, die das System automatisch basierend auf generiert languageEigenschaftseinstellung. Weitere Informationen finden Sie unter [Erstellen Sie eine anwenderdefinierte Stoppwortliste](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=yokohama&pubname=yokohama-intelligent-experiences&ft:locale=en-US). Datentyp: Array. |
| \<Object\>.TestDatasetProperties | Details von [Datendefinition()](https://servicenow-prod.fluidtopics.net/P8pkp_FhlIJCSLrp2tVuyA#DDef-DatasetDefinition_O "Erstellt eine Instanz von Datendefinition Klasse, mit der Sie einen Datensatz nach Tabellenname, Feldern und Abfrage definieren können.") Objekt, das zum Abrufen von Ähnlichkeiten zwischen Ergebnissen, die in diesem Modell gesucht werden, und Ergebnissen verwendet wird, die in gefunden wurden lookupDataset. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Datentyp: Objekt. |
| \<Object\>.TestDatasetProperties.tableName | Name der Tabelle für den Datensatz. Beispiel: `„Tabellenname": „Incident" `. Datentyp: Zeichenfolge. |
| \<Object\>.TestDatasetProperties.fieldnames | Liste der Feldnamen aus der angegebenen Tabelle als Zeichenfolgen. Beispiel: `„Feldnamen": ["short_description", "Priorität"] `. Datentyp: Array. |
| \<Object\>.TestDatasetProperties.fieldnames.fieldDetails | Liste der JavaScript-Objekte, die Feldeigenschaften angeben. [ { "name": "String", "type": "String" } ] Datentyp: Array. |
| \<Object\>.TestDatasetProperties.fieldnames.fieldDetails. \<object\>.Name | Name des Felds, das den Typ der Informationen definiert, auf die dieser Datensatz beschränkt werden soll. Datentyp: Zeichenfolge. |
| \<Object\>.TestDatasetProperties.fieldDetails. \<object\>.Typ | Feldtyp für maschinelles Lernen. Datentyp: Zeichenfolge. |
| \<Object\>.TestDatasetProperties.fieldDetails.encodedQuery | Codierte Abfragezeichenfolge im Standard-Glide-Format. Siehe [Codierte Abfragezeichenfolgen](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=yokohama&pubname=yokohama-platform-user-interface&ft:locale=en-US). Datentyp: Zeichenfolge. |
| \<Object\>.TrainingHäufigkeit | Die Häufigkeit zum erneuten Trainieren des Modells. Mögliche Werte: * Every_30_days * Every_60_days * Every_90_days * Every_120_days * Every_180_days * Run_once {#SimilaritySol-getProperties__ul_pmw_523_plb}Standard: Run_once Datentyp: Zeichenfolge. |
| \<Object\>.UpdateFrequency | Die Häufigkeit, mit der das Modell für die Lösungsdefinition neu erstellt werden muss. Mögliche Werte: * Do_Not_Update * Every_1_day * Every_1_Hour * Every_6_hours * Every_12_hours * Jede_1_Minute * Alle_15_Minuten * Alle_30_Minuten {#SimilaritySol-getProperties__ul_kjm_2jh_3mb}Standard: Do_not_Update Datentyp: Zeichenfolge |
[Tabelle : 13. Rückgaben]

{#SimilaritySol-getProperties__table_qps_43z_llb}  
Das folgende Beispiel ruft Eigenschaften von ab Ein Lösungsobjekt Im Store. {#SimilaritySol-getProperties__mlsol-getProps-example-other2}

    var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity_solution');

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

Ausgabe:

    *** Script: {
      "domainName": "global",
      "encoderProperties": {
        "datasetsProperties": [],
        "name": "wordCorpusA"
      },
      "label": "similarity",
      "lookupDatasetProperties": {
        "tableName": "incident",
        "fieldNames": [
          "short_description"
        ]
      },
      "name": "ml_x_snc_global_global_similarity",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "testDatasetProperties": {
        "tableName": "incident",
        "fieldNames": [
          "short_description"
        ]
      },
      "trainingFrequency": "every_30_days",
      "updateFrequency": "do_not_update"
    }

## SimilaritySolution -- getVersion (Zeichenfolgenversion) {#ariaid-title9}

Ruft eine Lösung ab Nach angegebener Versionsnummer.
{#SimilaritySol-getVersion_S__table_pps_43z_llb__entry__3}{#SimilaritySol-getVersion_S__mlsol-gerversion-returns-other}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Vorhandene Versionsnummer von Eine Lösung. |
[Tabelle : 14. Parameter]

{#SimilaritySol-getVersion_S__table_pps_43z_llb} {#SimilaritySol-getVersion_S__table_qps_43z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | Angegebene Version von [Gleichzeitigkeitslösung()](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.")Objekt, für das Sie anrufen können [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.")API-Methoden. |
[Tabelle : 15. Rückgaben]

{#SimilaritySol-getVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie der Schulungsstatus von abgerufen wird Eine Lösung nach Versionsnummer.{#SimilaritySol-getVersion_S__mlsol-gerversion-example-other}

    var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity');

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

Ausgabe:

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

## SimilaritySolution -- setActiveVersion (Zeichenfolgenversion) {#ariaid-title10}

Aktiviert eine angegebene Version einer Lösung im Store.
{#SimilaritySol-setActiveVersion_S__table_pps_43z_llb__entry__3}

| Name | Typ | Beschreibung |
|-|-|-|
| Version | Zeichenfolge | Name von [Gleichzeitigkeitslösung()](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.")Zu aktivierende Objektversion. Durch Aktivieren dieser Version wird jede andere Version deaktiviert. |
[Tabelle : 16. Parameter]

{#SimilaritySol-setActiveVersion_S__table_pps_43z_llb} {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb__entry__2}

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

{#SimilaritySol-setActiveVersion_S__table_qps_43z_llb}  
Das folgende Beispiel zeigt, wie aktiviert wird Eine Lösung Version im Store. {#SimilaritySol-setActiveVersion_S__mlsol-setActive-example2}

    sn_ml.SimilaritySolution.setActiveVersion("ml_incident_categorization");

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

Übermittelt einen Schulungsauftrag.
Hinweis:  
Bevor Sie diese Methode ausführen, müssen Sie dem Store zuerst eine Lösung hinzufügen, indem Sie verwenden [SimilaritySolutionStore -- add()](https://servicenow-prod.fluidtopics.net/MXlBNmENOIB3aVM1SUfCoQ#SimilarityStore-add_O "Fügt eine neue Lösung hinzu Objekt für den Store und gibt einen eindeutigen Namen zurück.")Methode.
{#SimilaritySol-submitTrainingJob__table_xmd_33z_llb__entry__3}

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

{#SimilaritySol-submitTrainingJob__table_xmd_33z_llb} {#SimilaritySol-submitTrainingJob__table_ymd_33z_llb__entry__2}

| Typ | Beschreibung |
|-|-|
| Objekt | [Ähnliche Lösungsversion](https://servicenow-prod.fluidtopics.net/xUoToGTCJLYWud2WoCxpvA#SimilaritySolutionVersionAPI "Die Ähnliche Lösungsversion API ist ein skriptfähiges Objekt, das in verwendet wird Predictive IntelligenceSpeichert.") Objekt, das dem entspricht [Gleichzeitigkeitslösung](https://servicenow-prod.fluidtopics.net/IG9IOSG~2LSq75jU9xPEcw#SimilaritySol-SimilaritySolution_O "Erstellt eine Ähnlichkeitslösung.") Wird trainiert. |
[Tabelle : 19. Rückgaben]

{#SimilaritySol-submitTrainingJob__table_ymd_33z_llb}  

    // Create a dataset 
    var incidentData = new sn_ml.DatasetDefinition({
        'tableName' : 'incident',
        'fieldNames' : ['category', 'short_description']
    });

    var kbData = new sn_ml.DatasetDefinition({
        'tableName' : 'kb_knowledge',
        'fieldNames' : ['short_description'],
        'encodedQuery' : 'active=true'
    });

    // Create a solution 
    var encoder = sn_ml.EncoderStore.get('GloVe');
    var mySolution = new sn_ml.SimilaritySolution({
        'label': "similarity solution",
        'lookupDataset' : kbData,
        'testDataset' : incidentData,
        'encoder' : encoder,
    });

    // Add solution
    var solutionName = sn_ml.SimilaritySolutionStore.add(mySolution);


    // Train the solution - this is a long running job 
    var mySimilarityVersion = mySolution.submitTrainingJob();


