--- sourceDocument: Australie : activer l’IA sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/intelligent-experiences Release : - australia ft:locale : - fr-FR ft:publication_title : - Australie : activer l’IA ft:clusterId : - platai bundleId : - platai workflow : - Platform --- # Créer et former une solution de régression # Créer et former une solution de régression {#ariaid-title1} * Rversion finale: Australia * * Mis à jour 30 mars 2026 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 7 minutes de lecture Les solutions de régression ont été déconseillées. Ils peuvent être utilisés pour prédire les sorties numériques, telles qu'une température ou un cours boursier. ## Avant de commencer Remarque : La prise en charge des nouvelles solutions de régression est obsolète dans la Australia version. Vous pouvez toujours modifier et former les solutions existantes, mais vous ne pouvez pas en initier de nouvelles. Les informations suivantes sont fournies pour le contexte hérité. Rôle requis : ml_admin ou admin ## Pourquoi et quand exécuter cette tâche Les solutions de régression vous permettent de prévoir une estimation ponctuelle et un intervalle de prédiction. Le modèle résultant fournit les statistiques suivantes : * L'erreur absolue moyenne (MAE), qui mesure l'écart moyen d'une valeur estimée par rapport à la valeur réelle. Cette mesure est utile car elle est facile à comprendre car son échelle est la même que celle de sa cible. Cependant, l'EMM est illimitée, ce qui rend difficile la comparaison entre les modèles. * L'erreur de pourcentage absolu moyen symétrique (SMAPE) est une valeur en pourcentage de l'écart entre la prévision et la valeur réelle. SMAPE est une version limitée de MAE, sauf qu'il a une plage de valeurs comprise entre 0 et 100. Plus la valeur SMAPE est faible, meilleure est la précision du modèle. * La précision de la plage est le pourcentage de valeurs réelles entre une plage estimée. En d'autres termes, il s'agit de la plage entre les limites supérieure et inférieure de la prédiction. Par exemple, si quatre valeurs réelles sur cinq se trouvent dans la plage prévue, la précision de la plage est de 80 %. * La largeur moyenne de l'intervalle correspond à la différence entre les limites supérieure et inférieure de la prédiction. Cette mesure explique à quel point l'intervalle est informatif. Plus la largeur moyenne est petite, meilleur est le modèle {#create-regression-solution__ul_xjm_ypz_2lb} Lors de la réalisation de prédictions, la régression vous permet également de spécifier un niveau de fiabilité pour l'intervalle de prédiction (plage). Dans cet exemple de procédure, vous créez et formez une définition de solution de régression pour prédire le temps nécessaire à la restauration d'une base de données dans le cloud. ## Procédure 1. Accédez à la TousIntelligence prédictiveRégressionDéfinitions des solutions. 2. Dans la liste Définitions de régression, sélectionnez Nouveau. 3. Dans le formulaire Définition de régression, configurez ces champs en suivant les instructions suivantes. {#create-regression-solution__table_kx3_qgr_qlb__entry__2} | Champ | Valeur | |-|-| | Étiquette | Saisissez un nom unique pour votre solution de régression. Par exemple, dans ce cas d'utilisation, vous pouvez saisir Test de régression pour la restauration de la base de données. | | Nom | Lorsque vous entrez la valeur Étiquette de votre solution, ce champ se remplit automatiquement avec un nom affecté par le système similaire à votre valeur d'étiquette. | | Corpus de mots | Sélectionnez un corpus de mots existant pertinent pour votre solution. Par exemple, dans ce cas d'utilisation, vous sélectionnez un corpus de mots qui a un titre, tel que Incidents des 3 derniers mois. Si vous n'avez pas de corpus de mots pertinent, suivez d'abord les étapes [pour créer un corpus de mots](https://servicenow-prod.fluidtopics.net/yso2qX8LZKUP0zx3xBLvuQ "Créez une collection de mots et d’expressions qui fonctionne comme le vocabulaire utilisé par le système pour comparer vos enregistrements d’instance en fonction de leur similarité textuelle. Vous pouvez considérer le corpus de mots comme un dictionnaire que vous voulez que votre système d’apprentissage automatique comprenne.") . Lorsque le corpus de mots est terminé, vous pouvez le sélectionner dans le champ Corpus de mots de votre formulaire de définition de régression. Toutefois, la sélection de corpus de mots est facultative. Si vos données d'entrée comportent des colonnes de texte et que vous ne choisissez pas de corpus de mots, votre solution de régression forme un nouveau modèle de corpus de mots en utilisant les colonnes de texte de vos données d'entrée. Le corpus de mots obtenu peut être réutilisé dans n'importe quelle autre solution de régression ou tout autre type de solution ML. Remarque : Un modèle préformé est utilisé à la place du corpus de mots pour les utilisateurs qui l'ont activé Intelligence prédictive à partir de la Utah mise en production. | | Table | Sélectionnez la table de base de données sur laquelle vous appliquez la régression. La table doit contenir des enregistrements historiques que le système peut utiliser pour prévoir la durée de restauration de sa base de données. | | Champ de sortie | Sélectionnez le champ dont vous souhaitez que le modèle prédictif définisse la valeur. En général, un bon champ de sortie est un champ numérique, entier ou à virgule flottante. Dans cet exemple, vous utilisez le champ Durée pour mesurer une durée. Le champ de sortie doit générer une valeur numérique. | | Champs | Sélectionnez un ou plusieurs types de champs qui aident le système à identifier les enregistrements que vous souhaitez former à l'aide de la régression. Dans cet exemple, vous utilisez Description brève, Centre de données source, Centre de données cible et Taille de la base de données. (short_description, Sourcedc, Targetdc et Dbsize.) Les types de champs d'entrée peuvent être chaîne, nominal ou numérique. | | Filtre | (Facultatif) Ajoutez des conditions de filtre aux enregistrements de champ de sortie que vous souhaitez former à l'aide de la régression. Remarque : * Le nombre minimum d'enregistrements pour l'entraînement de régression est de 10 000 enregistrements. * Le nombre maximal d'enregistrements pour l'entraînement de régression est limité à 300 000. {#create-regression-solution__ul_dmd_scx_psb} | | Langue de traitement | Sélectionnez la langue principale de l'ensemble de données sur lequel vous formez la définition de solution. Si la langue de l'ensemble de données est l'italien, choisissez Italien. De plus, le traitement en anglais est appliqué à tous les ensembles de données par défaut. Par exemple, si vous sélectionnez l'italien, le système traite les données en anglais et en italien. Remarque : Le terme traitement désigne certaines des étapes spécifiques à la langue utilisées dans le cadre de l'entraînement d'une solution. Ces étapes comprennent la création de jetons des mots, la suppression des mots vides et la création de racines. | | Mots vides | Lorsque vous sélectionnez votre langue de traitement, le système ajoute automatiquement une liste de mots vides qui utilise la même langue. Par exemple, si votre langue de traitement est l'italien, la liste Mots vides italien par défaut s'affiche. La liste Mots vides anglais par défaut s'affiche également dans votre sélection. Si vous créez une liste de mots vides personnalisée, vous pouvez la sélectionner dans le champ Mots vides pour l'ajouter à votre solution. Dans ce scénario, vous utilisez la liste Mots vides anglais par défaut . | | Fréquence de la formation | Sélectionnez la fréquence à laquelle le système régénère la solution en fonction des enregistrements correspondant au filtre. Vos options sont les suivantes : * Exécuter une fois * Tous les 30 jours * Tous les 60 jours * Tous les 90 jours * Tous les 120 jours * Tous les 180 jours {#create-regression-solution__ul_tv3_wmp_j1b} Dans ce scénario, vous sélectionnez Tous les 30 jours Par défaut, le système exécute la formation une seule fois. Cette pratique vous laisse le temps d'examiner et de mettre à jour la définition de la solution selon les besoins jusqu'à ce qu'elle fournisse des valeurs de couverture et de précision acceptables. Remarque : * Le nombre minimum d'enregistrements requis pour la formation à la solution de régression est fixé à 10 000. * Le planificateur ML limite le nombre de formations qu'une instance peut valider à 50 nouvelles demandes de formation ML par instance dans une fenêtre de 24 heures. Cette limite exclut les demandes planifiées de reformation. En outre, les mises à jour de mise en grappe et de similarité sont également exclues de cette limite, même si les nouvelles demandes de formation dépassent 50 dans une fenêtre de 24 heures. {#create-regression-solution__ul_a3q_wcx_psb} | [ ] {#create-regression-solution__table_kx3_qgr_qlb} 4. Sélectionnez l'option de menu contextuel ou le bouton approprié pour la définition de votre solution. | Option | Description | | Enregistrer ou enregistrer et former | Enregistrez votre enregistrement de définition de solution pour y revenir ultérieurement ou enregistrez-le et soumettez-le pour une formation. | | Soumettre ou Soumettre et former | Créez votre enregistrement de définition de solution et soumettez-le, ou soumettez-le et formez-le. | |-|-| {#create-regression-solution__choicetable_ohd_ndj_3fb} 5. Si vous avez soumis la solution pour la formation, sélectionnez OK dans la fenêtre Activation de la formation pour confirmer. Le système planifie la solution de formation avec le service de formation le plus proche. Le système vous envoie une notification à la fin de la formation, incluant les erreurs qui ont pu se produire au cours de la formation. Tous les autres utilisateurs peuvent s'abonner à la Intelligence prédictive catégorie Notifications. Lorsque la formation se termine, le système charge la solution en tant qu'enregistrement de pièce jointe. ## Que faire ensuite Dans cet exemple, vous avez créé une solution ML à partir de votre définition de solution. Les onglets Statistiques de la solution, Solution test et Définition de la solution s'affichent dans la section Liens connexes de votre solution ML. Dans l'onglet Statistiques de la solution, passez en revue les statistiques d'estimation ponctuelle et de plage (intervalle de prédiction) générées par votre solution. Dans l'onglet Solutions de test de votre solution, vous pouvez tester la sortie de prédiction pour les enregistrements que vous avez utilisés comme entrée dans la prédiction en saisissant des valeurs pour les champs d'entrée, tels que le centre de données source, le centre de données cible et la taille de la base de données. Vous pouvez également utiliser le niveau de fiabilité de prédiction par défaut de 95 ou entrer un autre niveau compris entre 0 et 100. L'utilisation de 95 comme valeur signifie que le système est sûr à 95 % que la prédiction réelle se situe dans l'intervalle de prédiction. Sélectionnez le bouton Exécuter le test pour trouver la sortie de prédiction. Une fois le test exécuté, les statistiques de sortie de prédiction s'affichent. L'estimation ponctuelle à l'écran est une valeur unique à un moment donné. Par exemple, la restauration de la base de données prend 134,47 secondes. Les limites inférieure et supérieure à l'écran indiquent une valeur de précision de plage. Par exemple, la restauration de la base de données prend de 84,53 à 185,41 secondes.