--- sourceDocument: Référence de l’API Xanadu sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/fr-FR/xanadu/api-reference Release : - xanadu ft:locale : - fr-FR ft:publication_title : - Référence de l’API Xanadu ft:clusterId : - crapiref bundleId : - crapiref workflow : - Creator --- # SimilaritySolution - Global # SimilaritySolution - Global {#ariaid-title1} * Rversion finale: Xanadu * * Mis à jour 1 août 2024 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 8 minutes de lecture L'API SimilaritySolution est un objet pouvant contenir des scripts et pouvant être utilisé dans les Intelligence prédictive magasins. Ce L'API nécessite le module d'extension Intelligence prédictive (com.glide.platform_ml) et est fournie dans l'espace de noms `sn_ml` . Le flux de configuration à la formation de la solution est le suivant : 1. Créez un encodeur à l'aide de l'API [Encoder](https://servicenow-prod.fluidtopics.net/IHQ3JXNgC2Yj8ezioJC7_A#EncoderAPI "L’API Encoder fournit un objet pouvant contenir des scripts et pouvant être utilisé dans les Intelligence prédictive magasins. Cet objet convertit les données d’entrée en vecteurs de nombres, en fonction d’objectifs et de configurations spécifiques à l’encodeur. Les encodeurs peuvent être utilisés indépendamment pour exécuter des codages ou peuvent être configurés dans le cadre de solutions pour coder des colonnes de texte.") . 2. Utilisez le [constructeur](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité.") pour créer un objet de solution de similarité. 3. Ajoutez l'objet de solution au magasin de solutions de similarité à l'aide de la méthode [SimilaritySolutionStore - add().](https://servicenow-prod.fluidtopics.net/rzC3_nGN~xYXt_2h6u45CA#SimilarityStore-add_O "Ajoute un nouvel objet de solution au magasin et renvoie un nom unique.") 4. Formez la solution à l'aide de la méthode [submitTrainingJob().](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-submitTrainingJob "Soumet une tâche de formation.") Cela crée une version de l'objet que vous pouvez gérer à l'aide de l'API [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") . 5. Obtenir des prédictions à l'aide de la méthode [SimilaritySolutionVersion -- predict().](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilarityVersion-predict_O_O "Obtient les données d’entrée pour une prédiction.") {#SimilaritySolutionAPI__ol_mmm_n1c_dmb} Remarque : Cette API s'exécute avec tous les privilèges. Pour restreindre l'accès des utilisateurs, incluez un mécanisme de contrôle d'accès dans le script. Pour obtenir des instructions d'utilisation, consultez [Utilisation des API ML](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). ## SimilaritySolution : SimilaritySolution(configuration de l'objet) {#ariaid-title2} Crée une solution de similarité. {#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} | Nom | Type | Description | |-|-|-| | configuration | Objet | Objet JavaScript contenant les propriétés de configuration de la solution. { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDataset": {Object}, "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "testDataset": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | config.domainName | Chaîne | Facultatif. Nom du domaine associé à cet ensemble de données. Voir [Séparation de domaine et Intelligence prédictive](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Par défaut : domaine actuel, par exemple, `<< global` \>\>. | | config.encoder | Objet | Objet d'encodeur formé à affecter à cette solution. Reportez-vous à [Encodeur - Encodeur (configuration d'objet)](https://servicenow-prod.fluidtopics.net/IHQ3JXNgC2Yj8ezioJC7_A#Encoder-Encoder_O "Crée un encodeur."). | | config.label | Chaîne | Identifie la tâche de prédiction. | | config.lookupDataset | Objet | Nom de [DatasetDefinition](https://servicenow-prod.fluidtopics.net/K6CGLMjqgee64K7U4Dl0gA#DatasetDefinitionAPI "L’API DatasetDefinition fournit des méthodes pour identifier un ensemble d’enregistrements comprenant un nom de table, des colonnes et des critères de sélection de ligne à utiliser comme entrée pour les algorithmes d’apprentissage ML. Les ensembles de données ne contiennent pas les données réelles.") à utiliser comme jeu de recherche. | | config.minRowCount | Chaîne | Facultatif. Nombre minimum d'enregistrements requis dans l'ensemble de données pour la formation. Par défaut : 10 000 | | config.processingLanguage | Chaîne | Facultatif. Traitement du langage au format de code de langue ISO 639-1 à deux lettres. Par défaut : \<\< en \>\> | | config.mots vides | Tableau | Facultatif. Liste prédéfinie de chaînes que le système génère automatiquement en fonction du language paramètre de propriété. Pour plus d'informations, reportez-vous à [la section Créer une liste de mots vides personnalisés](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Par défaut : mots vides en anglais | | config.testDataset | Objet | Nom de la [DatasetDefinition](https://servicenow-prod.fluidtopics.net/K6CGLMjqgee64K7U4Dl0gA#DatasetDefinitionAPI "L’API DatasetDefinition fournit des méthodes pour identifier un ensemble d’enregistrements comprenant un nom de table, des colonnes et des critères de sélection de ligne à utiliser comme entrée pour les algorithmes d’apprentissage ML. Les ensembles de données ne contiennent pas les données réelles.") à analyser pour rechercher des similitudes avec lookupDataset les résultats. | | config.trainingFrequency | Chaîne | Facultatif. Fréquence de reformation du modèle. Valeurs possibles : * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#SimilaritySol-SimilaritySolution_O__ul_pmw_523_plb}Par défaut : run_once | | config.updateFrequency | | Fréquence à laquelle le modèle de la définition de la solution doit être reconstruit. Valeurs possibles : * do_not_update * every_1_day * every_1_hour * every_6_hours * every_12_hours * every_1_minute * every_15_minutes * every_30_minutes {#SimilaritySol-SimilaritySolution_O__ul_kjm_2jh_3mb}Par défaut : do_not_update | [Tableau 1. Paramètres] {#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb} L'exemple suivant montre comment créer un objet et l'ajouter à la Magasin SimilaritySolution. 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} Annule une tâche pour Un objet de solution qui a été soumis pour une formation. {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 2. Paramètres] {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb} {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb__entry__2} | Type | Description | |-|-| | Aucun | | [Tableau 3. Renvoie] {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb} L'exemple suivant montre comment annuler une tâche de formation existante. var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity'); mySolution.cancelTrainingJob(); ## SimilaritySolution : getActiveVersion() {#ariaid-title4} Obtient l'actif Objet SimilaritySolutionVersion. {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 4. Paramètres] {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb} {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb__entry__2} | Type | Description | |-|-| | Objet | [Objet SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") actif. | [Tableau 5. Renvoie] {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb} L'exemple suivant montre comment obtenir une version active Solution de similarité à partir du magasin et renvoyer son état de formation. var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2)); Sortie : { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution : getAllVersions() {#ariaid-title5} Obtient toutes les versions de un objet SimilaritySolution . {#SimilaritySol-getAllVersions__table_tvl_m3z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 6. Paramètres] {#SimilaritySol-getAllVersions__table_tvl_m3z_llb} {#SimilaritySol-getAllVersions__table_uvl_m3z_llb__entry__2} | Type | Description | |-|-| | Tableau | Versions existantes d'un objet de solution. Voir également [Version de la solution de similarité](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") API. | [Tableau 7. Renvoie] {#SimilaritySol-getAllVersions__table_uvl_m3z_llb} L'exemple suivant montre comment obtenir tous les objets de version SimilaritySolution et y appeler les méthodes de version de solution getVersionNumber() et getStatus(). 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"); Sortie : 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} Obtient la dernière version de une solution. {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 8. Paramètres] {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb} {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb__entry__2} | Type | Description | |-|-| | Objet | [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") Objet correspondant à la dernière version de une [SimilaritySolution](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité."). | [Tableau 9. Renvoie] {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb} L'exemple suivant montre comment obtenir la dernière version d'une solution et renvoyer son état de formation.{#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)); Sortie : { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution : getName() {#ariaid-title7} Obtient le nom de l'objet à utiliser pour l'interaction avec le magasin. {#SimilaritySol-getName__table_pps_43z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 10. Paramètres] {#SimilaritySol-getName__table_pps_43z_llb} {#SimilaritySol-getName__table_qps_43z_llb__entry__2} | Type | Description | |-|-| | Chaîne | Nom de l'objet de solution. | [Tableau 11. Renvoie] {#SimilaritySol-getName__table_qps_43z_llb} L'exemple suivant montre comment mettre à jour Solution de similarité les informations du jeu de données et imprimer le nom de l'objet. // 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()); Sortie : Solution Name: ml_x_snc_global_global_my_solution_definition_4 ## SimilaritySolution : getProperties() {#ariaid-title8} Obtient les propriétés de l'objet de solution. {#SimilaritySol-getProperties__table_pps_43z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 12. Paramètres] {#SimilaritySol-getProperties__table_pps_43z_llb} {#SimilaritySol-getProperties__table_qps_43z_llb__entry__2} | Type | Description | |-|-| | Objet | Le contenu de l'ensemble de données et les détails de l'objet [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité.") dans le [SimilaritySolutionStore](https://servicenow-prod.fluidtopics.net/rzC3_nGN~xYXt_2h6u45CA#SimilaritySolutionStoreAPI "Permet de stocker et de récupérer des solutions."). { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDatasetProperties": {Object}, "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "testDatasetProperties": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | \.domainName | Nom du domaine associé à cet ensemble de données. Voir [Séparation de domaine et Intelligence prédictive](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Type de données : chaîne. | | \.codeur | Objet encodeur affecté à cette solution. Reportez-vous à [Encodeur - Encodeur (configuration d'objet)](https://servicenow-prod.fluidtopics.net/IHQ3JXNgC2Yj8ezioJC7_A#Encoder-Encoder_O "Crée un encodeur."). Type de données : Objet. | | \.étiquette | Identifie la tâche de prédiction. { "label": "my first prediction" } Type de données : chaîne. | | \.lookupDatasetProperties | Détails de [DatasetDefinition()](https://servicenow-prod.fluidtopics.net/K6CGLMjqgee64K7U4Dl0gA#DDef-DatasetDefinition_O "Crée une instance de la classe DatasetDefinition , vous permettant de définir un jeu de données par nom de table, champs et requête.") Objet utilisé comme jeu de recherche. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Type de données : Objet. | | \.lookupDatasetProperties.tableName | Nom de la table pour l'ensemble de données. Par exemple, `<< tableName >> : << Incident >>`. Type de données : chaîne. | | \.lookupDatasetProperties.fieldNames | Liste des noms de champs de la table spécifiée en tant que chaînes. Par exemple, `<< fieldNames >> : ["short_description >>, << priority"]`. Type de données : tableau. | | \.lookupDatasetProperties.fieldNames.fieldDetails | Liste des objets JavaScript qui spécifient les propriétés du champ. [ { "name": "String", "type": "String" } ] Type de données : tableau. | | \.lookupDatasetProperties.fieldNames.fieldDetails.\. nom | Nom du champ définissant le type d'informations auquel limiter cet ensemble de données. Type de données : chaîne. | | \.lookupDatasetProperties.fieldDetails.\. type | Type de champ d'apprentissage machine. Type de données : chaîne. | | \.lookupDatasetProperties.fieldDetails.encodedQuery | Chaîne de requête codée au format Glide standard. [Reportez-vous à la section Chaînes de requêtes codées](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Type de données : chaîne. | | \.nom | Nom affecté par le système. Type de données : chaîne. | | \.processingLanguage | Traitement du langage au format de code de langue ISO 639-1 à deux lettres. Type de données : chaîne. | | \.portée | Périmètre de l'objet. Actuellement, la seule valeur valide est `global`. Type de données : chaîne | | \.mots vides | Facultatif. Liste prédéfinie de chaînes que le système génère automatiquement en fonction du language paramètre de propriété. Pour plus d'informations, reportez-vous à [la section Créer une liste de mots vides personnalisés](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US). Type de données : tableau. | | \.testDatasetProperties | Détails de [DatasetDefinition()](https://servicenow-prod.fluidtopics.net/K6CGLMjqgee64K7U4Dl0gA#DDef-DatasetDefinition_O "Crée une instance de la classe DatasetDefinition , vous permettant de définir un jeu de données par nom de table, champs et requête.") Objet utilisé pour récupérer les similitudes entre les résultats recherchés dans ce modèle et les résultats trouvés dans le lookupDatasetfichier . { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } Type de données : Objet. | | \.testDatasetProperties.tableName | Nom de la table pour l'ensemble de données. Par exemple, `<< tableName >> : << Incident >>`. Type de données : chaîne. | | \.testDatasetProperties.fieldNames | Liste des noms de champs de la table spécifiée en tant que chaînes. Par exemple, `<< fieldNames >> : ["short_description >>, << priority"]`. Type de données : tableau. | | \.testDatasetProperties.fieldNames.fieldDetails | Liste des objets JavaScript qui spécifient les propriétés du champ. [ { "name": "String", "type": "String" } ] Type de données : tableau. | | \.testDatasetProperties.fieldNames.fieldDetails.\. nom | Nom du champ définissant le type d'informations auquel limiter cet ensemble de données. Type de données : chaîne. | | \.testDatasetProperties.fieldDetails.\. type | Type de champ d'apprentissage machine. Type de données : chaîne. | | \.testDatasetProperties.fieldDetails.encodedQuery | Chaîne de requête codée au format Glide standard. [Reportez-vous à la section Chaînes de requêtes codées](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US). Type de données : chaîne. | | \.trainingFrequency | Fréquence de reformation du modèle. Valeurs possibles : * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#SimilaritySol-getProperties__ul_pmw_523_plb}Par défaut : run_once Type de données : chaîne. | | \.updateFrequency (en anglais seulement) | Fréquence à laquelle le modèle de la définition de la solution doit être reconstruit. Valeurs possibles : * do_not_update * every_1_day * every_1_hour * every_6_hours * every_12_hours * every_1_minute * every_15_minutes * every_30_minutes {#SimilaritySol-getProperties__ul_kjm_2jh_3mb}Par défaut : do_not_update Type de données : chaîne | [Tableau 13. Renvoie] {#SimilaritySol-getProperties__table_qps_43z_llb} L'exemple suivant obtient les propriétés d'un objet solutiondans le magasin.{#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)); Sortie : *** 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(version de chaîne) {#ariaid-title9} Obtient une solution par numéro de version fourni. {#SimilaritySol-getVersion_S__table_pps_43z_llb__entry__3}{#SimilaritySol-getVersion_S__mlsol-gerversion-returns-other} | Nom | Type | Description | |-|-|-| | version | Chaîne | Numéro de version existante d'une solution. | [Tableau 14. Paramètres] {#SimilaritySol-getVersion_S__table_pps_43z_llb} {#SimilaritySol-getVersion_S__table_qps_43z_llb__entry__2} | Type | Description | |-|-| | Objet | Version spécifiée de l'objet [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité.") sur lequel vous pouvez appeler les méthodes [d'API SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") . | [Tableau 15. Renvoie] {#SimilaritySol-getVersion_S__table_qps_43z_llb} L'exemple suivant montre comment obtenir l'état de formation d'une solution par numéro de version.{#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)); Sortie : { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution : setActiveVersion(version de chaîne) {#ariaid-title10} Active une version spécifiée d'une solution dans le magasin. {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb__entry__3} | Nom | Type | Description | |-|-|-| | version | Chaîne | Nom de la version de l'objet [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité.") à activer. L'activation de cette version désactive toutes les autres versions. | [Tableau 16. Paramètres] {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb} {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb__entry__2} | Type | Description | |-|-| | Aucun | | [Tableau 17. Renvoie] {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb} L'exemple suivant montre comment activer une version de solution dans le Store.{#SimilaritySol-setActiveVersion_S__mlsol-setActive-example2} sn_ml.SimilaritySolution.setActiveVersion("ml_incident_categorization"); ## SimilaritySolution : submitTrainingJob() {#ariaid-title11} Soumet une tâche de formation. Remarque : Avant d'exécuter cette méthode, vous devez d'abord ajouter une solution au magasin à l'aide de la méthode [SimilaritySolutionStore - add().](https://servicenow-prod.fluidtopics.net/rzC3_nGN~xYXt_2h6u45CA#SimilarityStore-add_O "Ajoute un nouvel objet de solution au magasin et renvoie un nom unique.") {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb__entry__3} | Nom | Type | Description | |-|-|-| | Aucun | | | [Tableau 18. Paramètres] {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb} {#SimilaritySol-submitTrainingJob__table_ymd_33z_llb__entry__2} | Type | Description | |-|-| | Objet | [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/DiYjgB8XqpSCsTSElylhmA#SimilaritySolutionVersionAPI "L’API SimilaritySolutionVersion est un objet pouvant contenir des scripts et utilisé dans les Intelligence prédictive magasins.") Objet correspondant à l'objet d'entraînement [SimilaritySolution](https://servicenow-prod.fluidtopics.net/lHSGafMhhE94h90WiGm9SA#SimilaritySol-SimilaritySolution_O "Crée une solution de similarité.") . | [Tableau 19. Renvoie] {#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();