予測インテリジェンス 分類フレームワーク

予測インテリジェンス分類フレームワークを使用すると、機械学習アルゴリズムを使用して、レコードの作成時にカテゴリフィールド値を設定できます。たとえば、モデルを使用して、簡単な説明に基づいてインシデントカテゴリを設定できます。予測モデルをトレーニングして、過去のレコード処理経験に基づいて作業を自動的に分類およびルーティングするエージェントとして機能させることができます。

詳細については、「分類ソリューションの作成とトレーニング」を参照してください。

予測インテリジェンス の類似性フレームワーク

予測インテリジェンス の類似性フレームワークは新規レコードに類似した値を持つ既存レコードを特定します。 たとえば、インシデントレコードのサブセットをトレーニングし、類似のインシデントレコードの情報に基づいて解決策を推奨できます。解決策が実証されている類似のクローズ済みインシデントを再利用することで、エージェントと履行者が受信インシデントに最適な解決策を迅速に提供できるようになります。

類似性フレームワークは、アルゴリズムが類似のコンテキストに基づいて類似の単語と同義語を識別するため、テキスト比較にキーワードの完全一致は必要ありません。たとえば、「 プリンターが機能しない 」と「 プリンターが壊れている 」というフレーズは、どちらも類似しているものとして認識されます。フレームワークは、業界固有のコンテキストの収集、学習、適用も行います。たとえば、 ネットワークに参加できない という語句は、コンピューター ネットワーク会社と医療保険会社ではコンテキストが異なります。

類似性フレームワークは、ワークフロー類似性ソリューションを使用します。詳細については、「類似性ソリューションの作成とトレーニング」を参照してください。

予測インテリジェンス のクラスタリングフレームワーク

クラスタリングでは、データをグループに分割し、パターンの識別に使用できます。その後、レコードをまとめて処理したり、既存のデータのギャップを見つけたりすることができます。たとえば、類似した新しいインシデントをグループ化して、重大な機能停止を特定できます。

クラスタリングフレームワークは、ワークフロークラスタリングソリューションを使用します。詳細については、「クラスタリングソリューションを作成してトレーニングする」を参照してください。

リリース予測インテリジェンスでWashington DC廃止: 回帰フレームワーク

詳細については、「回帰ソリューションの作成とトレーニング」を参照してください。