Solutions de similarité
Les solutions de similarité vous permettent d’utiliser le machine learning (ML) pour comparer le texte d’un enregistrement d’alerte résolu à un enregistrement d’alerte ouvert afin de réutiliser son approche de résolution.
Former une solution de similarité
Pour former une solution de similarité, vous collectez des mots pour compiler une collection que le machine learning (ML) peut utiliser pour comparer le texte dans les champs Description brève, Description, Source, Type, Ressource et Nom de la mesure d’une alerte résolue afin de voir si les mots de l’ensemble correspondent aux mots d’une alerte ouverte. L’alerte résolue, qui est similaire à une alerte ouverte, fournit un exemple montrant comment résoudre l’alerte ouverte.
- Assurez-vous que les enregistrements que vous formez ne sont pas trop anciens et qu’ils sont pertinents pour vos besoins professionnels. Gardez les mots de la collection à jour.
- N’utilisez pas de dates codées en dur comme filtres, car ces filtres ne sont pas mis à jour lorsque vous reformez les solutions, sauf si vous les mettez à jour manuellement avant chaque reformation. Utilisez plutôt des filtres de date relative, par exemple, les 3 derniers mois, les 6 derniers mois ou les 12 derniers mois.
- Effectuez la formation selon les besoins jusqu’à ce qu’elle fournisse une solution de similarité acceptable. Cette pratique vous laisse le temps d’examiner et de mettre à jour votre définition de solution.
Champs à inclure dans la solution
Enregistrez les champs susceptibles de contenir des mots et des phrases qui aident le système à identifier des enregistrements similaires pour votre solution.
Les champs de similarité que vous sélectionnez doivent être un sous-ensemble de vos sélections de champs d’entrée. Par exemple, si vous sélectionnez des champs à partir d’enregistrements d’incidents à l’état Ouvert, ne sélectionnez pas Fermer la note comme champ de similarité. Étant donné que les enregistrements ouverts n’incluent pas de champs de note de fermeture , le texte ne peut pas être similaire.
Les champs de similarité sont disponibles pour les utilisateurs lorsqu’ils créent des enregistrements.
À propos du score de similarité
Le score de similarité est une mesure comprise entre 0 et 100 du degré de similarité entre deux enregistrements d’alerte. Les enregistrements d’alerte dont le score de similarité est supérieur au seuil que vous spécifiez sont renvoyés par la solution.
Examinez les exemples de similarité et leurs scores à l’aide de la fonctionnalité Afficher la progression de la formation pour déterminer s’il faut augmenter ou diminuer le seuil de la solution. Vous pouvez modifier la valeur de seuil dans le champ Seuil pour le score de similarité .
Afficher la progression de la solution de formation
Les durées de formation varient en fonction du nombre d’enregistrements et de classes dans le jeu de formation. Plus vous utilisez d’enregistrements et de cours, plus la formation peut prendre du temps. Par exemple, un ensemble de données contenant 100 000 enregistrements et plusieurs centaines de cours peut prendre environ cinq heures.
Pour afficher la progression de la solution de formation, la solution ML effectue automatiquement les activités suivantes lorsque vous sélectionnez Afficher la progression de la formation sur la page Solutions. Pour plus d’informations, voir Afficher la progression de la formation sur la solution.| Activité | Description |
|---|---|
| Extraction des fichiers pour la formation. | Le système télécharge les enregistrements de formation et les envoie au service de formation le plus proche. |
| Préparation des données. | Le système supprime les enregistrements en double du jeu de formation. |
| Formation de la solution. | Le service de formation forme la solution. |
| Téléchargement de la solution formée. | Le service de formation télécharge la solution sous forme d’enregistrements en pièce jointe. |