---
sourceDocument: Xanadu API 참조
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/ko-KR/xanadu/api-reference

 Release :

    - xanadu

ft:locale :

    - ko-KR

ft:publication_title :

    - Xanadu API 참조

ft:clusterId :

    - crapiref

bundleId :

    - crapiref

workflow :

    - Creator


---

# 인코더 - 전역

# 인코더 - 전역 {#ariaid-title1}

* 릴리스 버전: Xanadu
* 
* 업데이트 날짜 2024년 08월 01일
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 17분

인코더 API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다. 이 객체는 인코더별 목표와 구성에 따라 입력 데이터를 숫자 벡터로 변환합니다. 인코더는 독립적으로 인코딩을 실행하는 데 사용하거나 텍스트 열을 인코딩하는 솔루션의 일부로 구성할 수 있습니다.

이 API에는 예측 인텔리전스 플러그인(com.glide.platform_ml)이 필요하며 `sn_ml` 네임스페이스 내에서 제공됩니다.

인코더는 사용자가 제공하는 언어 데이터 세트를 기반으로 미리 학습되거나 학습된 텍스트 처리 개체입니다. 시스템에서 텍스트 필드를 해석하고 처리하는 방법을 결정하는 인코더를 학습시킬 수 있습니다. 텍스트를 포함하는 ML 솔루션의 경우 인코더를 학습시켜 텍스트를 처리하는 방법을 지정하고 학습된 인코더를 솔루션에서 사용할 수 있습니다.

인코더에는 구성 및 버전이 있으며 자체 재학습 빈도로 독립적으로 학습할 수 있습니다. API 정의 인코더는 UI 정의 인코더의 재학습이 이를 사용하는 솔루션에 의해 제어되기 때문에 UI 정의 인코더와 다릅니다.  
인코더 설정-학습 흐름은 다음과 같습니다.

1. [DatasetDefinition](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DatasetDefinitionAPI "DatasetDefinition API는 다음을 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 기록 세트입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") API를 사용하여 하나 이상의 데이터 세트를 생성합니다.
2. [생성자를](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 사용하여 인코더 개체를 만듭니다.
3. [EncoderStore - add()](https://servicenow-prod.fluidtopics.net/67S92_XT9HMe0pydgYT9kA#EncoderStore-add_O "새 인코더 추가 저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 인코더 저장소에 인코더 객체를 추가합니다.
4. [submitTrainingJob()](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-submitTrainingJob "교육 작업을 제출합니다.") 메서드를 사용하여 인코더를 훈련시킵니다. 이렇게 하면 [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") API를 사용하여 관리할 수 있는 개체의 버전이 만들어집니다.

{#EncoderAPI__ol_aqf_1xt_2mb}인코더를 학습한 후에는 솔루션 개체에서 사용할 수 있습니다.

* [분류솔루션](https://servicenow-prod.fluidtopics.net/dWJrpkJ9QAyuNVo5igvdRg#ClassificationSolutionAPI "ClassificationSolution API는 저장소에서 사용되는 스크립팅 가능한 객체입니다예측 인텔리전스.")
* [ClusteringSolution](https://servicenow-prod.fluidtopics.net/jVCgql1Sft4_UWCHY7KWAQ#ClusteringSolutionAPI "ClusteringSolution API는 저장소에서 사용되는 스크립팅 가능한 개체입니다예측 인텔리전스.") (Levenshtein 거리 알고리즘을 사용하지 않는 경우 필수)
* [회귀 솔루션](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSolutionAPI "RegressionSolution API는 스토어에 사용되는 스크립팅 가능한 객체입니다예측 인텔리전스.")
* [SimilaritySolution](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySolutionAPI "SimilaritySolution API는 스토어에서 사용되는 스크립팅 가능한 객체입니다예측 인텔리전스.") (필수)

{#EncoderAPI__ul_v1k_kzq_bmb}  
주:  
이 API는 전체 권한으로 실행됩니다 . 사용자 액세스를 제한하려면 스크립트에 액세스 제어 메커니즘을 포함합니다.

사용 지침은 [ML API 사용을](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요.

## 인코더 - 인코더(개체 구성) {#ariaid-title2}

인코더를 만듭니다.
하나 이상의 데이터 세트에 대한 인코더를 가져오려면 이 생성자를 사용하여 고유한 이름을 가진 새 인코더 개체를 만듭니다.
{#Encoder-Encoder_O__table_gm2_yt5_flb__entry__3}{#Encoder-Encoder_O__solution-obj-domainN-default}{#Encoder-Encoder_O__solution-obj-lang-desc}{#Encoder-Encoder_O__solution-obj-stop-desc}

| 이름 | 유형 | 설명 |
|-|-|-|
| 구성 | 객체 | 의 구성 속성을 포함하는 JavaScript 객체 인코더. { "algorithmConfig": {Object}, "datasets": [Array], "domainName": "String", "label": "String", "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| config.algorithmConfig | 객체 | 옵션입니다. 알고리즘 구성 속성을 포함하는 JavaScript 객체입니다. 'algorithmConfig' : { "algorithm": "String" } |
| config.algorithmConfig.algorithm | 문자열 | 이 인코더를 학습하기 위한 알고리즘의 이름입니다. 가능한 값: * paravec: 단락 벡터 단어 임베딩입니다. * tf-idf: TF-IDF(Term Frequency--Inverse Document Frequency) 기반 텍스트입니다. {#Encoder-Encoder_O__ul_encoder_alg_vals} |
| config.datasets | 배열 | [DatasetDefinition](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DatasetDefinitionAPI "DatasetDefinition API는 다음을 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 기록 세트입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") 객체 이름의 목록입니다. |
| config.domainName | 문자열 | 옵션입니다. 이 데이터 세트와 연결된 도메인 이름입니다. [도메인 분리 및 예측 인텔리전스](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)를 참조하십시오. 기본값: 현재 도메인(예: `"전역"`) |
| config.label | 문자열 | 예측 작업을 식별합니다. |
| config.minRowCount (영문) | 문자열 | 옵션입니다. 교육을 위해 데이터 세트에 필요한 최소 기록 수입니다. 기본값: 10000 |
| config.processingLanguage | 문자열 | 옵션입니다. 두 글자 ISO 639-1 언어 코드 형식의 처리 언어. 기본값 : "en" |
| config.stopwords | 배열 | 옵션입니다. 속성 설정에 따라 시스템이 자동으로 생성하는 사전 설정 문자열 목록입니다 language . 자세한 내용은 [사용자 지정 스톱 워드 목록 만들기를](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요. 기본값: 영어 스톱 워드 |
| config.trainingFrequency | 문자열 | 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#Encoder-Encoder_O__ul_pmw_523_plb}기본값: run_once |
[표 1. 매개변수]

{#Encoder-Encoder_O__table_gm2_yt5_flb}  
다음 예제에서는 인코더 작업을 만들고 인코더 저장소에 추가하는 방법을 보여 줍니다.

    var myPrbData = new sn_ml.DatasetDefinition({
        'tableName' : 'problem',
        'fieldNames' : ['short_description'],
        'encodedQuery' : 'activeANYTHING'
    });

    var myIncidentData = new sn_ml.DatasetDefinition({
        'tableName' : 'incident',
        'fieldNames' : ['short_description', 'description'],
        'encodedQuery' : 'activeANYTHING'
    });

    var myEncoder = new sn_ml.Encoder({
        'label': "encoder",
        'datasets' : [myPrbData, myIncidentData],
        'algorithmConfig' : {
            'algorithm' : 'tf-idf'
        }
    });
    var myEncoderName = sn_ml.EncoderStore.add(myEncoder);

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

에 대한 작업을 취소 인코더 개체 교육을 위해 제출된
{#Encoder-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 2. 매개변수]

{#Encoder-cancelTrainingJob__table_bpb_k3z_llb} {#Encoder-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 없음 |   |
[표 3. 반환]

{#Encoder-cancelTrainingJob__table_cpb_k3z_llb}  
다음 예제에서는 기존 학습 작업을 취소하는 방법을 보여 줍니다.

    var myEncoder = sn_ml.EncoderStore.get('ml_sn_global_global_encoder');

    myEncoder.cancelTrainingJob();

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

활성 항목을 가져옵니다. EncoderVersion 개체입니다.
{#Encoder-getActiveVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 4. 매개변수]

{#Encoder-getActiveVersion__table_tvl_m3z_llb} {#Encoder-getActiveVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | 활성 [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") 개체입니다. |
[표 5. 반환]

{#Encoder-getActiveVersion__table_uvl_m3z_llb}  
하는 방법을 보여 줍니다 인코더 스토어에서 활성 버전을 가져오고 학습 상태를 반환

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

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

출력:

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

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

다음의 모든 버전을 가져옵니다. 인코더.
{#Encoder-getAllVersions__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 6. 매개변수]

{#Encoder-getAllVersions__table_tvl_m3z_llb} {#Encoder-getAllVersions__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 배열 | 인코더 개체의 기존 버전입니다. [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") API 도 참조하십시오 . |
[표 7. 반환]

{#Encoder-getAllVersions__table_uvl_m3z_llb}  
다음 예제에서는 모든 인코더 버전 객체를 가져오고 getVersionNumber() 및 getStatus() 인코더 버전 메서드를 호출하는 방법을 보여줍니다.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

    var mlEncoderVersions = mlEncoder.getAllVersions();

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

출력:

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

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

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

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

의 최신 버전을 가져옵니다. 인코더.
{#Encoder-getLatestVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 8. 매개변수]

{#Encoder-getLatestVersion__table_tvl_m3z_llb} {#Encoder-getLatestVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") 최신 버전에 해당하는 객체[Encoder()](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.")를 호출합니다. |
[표 9. 반환]

{#Encoder-getLatestVersion__table_uvl_m3z_llb}  
다음 예제에서는 솔루션의 최신 버전을 가져오 인코더를 호출하고 훈련 상태를 반환합니다.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

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

출력:

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

## 인코더 - getName() {#ariaid-title7}

저장소와의 상호 작용에 사용할 개체의 이름을 가져옵니다.
{#Encoder-getName__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 10. 매개변수]

{#Encoder-getName__table_pps_43z_llb} {#Encoder-getName__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 문자열 | 인코더 개체의 이름입니다. |
[표 11. 반환]

{#Encoder-getName__table_qps_43z_llb}  
하는 방법을 보여 줍니다 인코더 데이터 세트 정보를 업데이트하고 개체의 이름을 인쇄

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

    var eligibleFields = JSON.parse(myIncidentData.getEligibleFields(encoder));

    var myEncoder = new sn_ml.Encoder({
       'label': "my encoder",
       'datasets' : [myIncidentData],
       'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
       'predictedFieldName': 'category'
    });

    // update encoder
    sn_ml.EncoderStore.update('ml_x_snc_global_global_my_definition_4', myEncoder);

    // print encoder name
    gs.print('Encoder Name: '+myEncoder.getName());

출력:

    Encoder Name: ml_x_snc_global_global_my_definition_4

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

솔루션 객체 속성 가져오기.
{#Encoder-getProperties__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 12. 매개변수]

{#Encoder-getProperties__table_pps_43z_llb} {#Encoder-getProperties__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [EncoderStore](https://servicenow-prod.fluidtopics.net/67S92_XT9HMe0pydgYT9kA#EncoderStoreAPI "EncoderStore API는 인코더를 저장하고 검색하는 메서드를 제공합니다.")의 Dataset 및 [Encoder()](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 개체 세부 정보 내용입니다. { "algorithmConfig" : {Object}, "datasetsProperties": [Array], "domainName": "String", "label": "String", "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| \<Object\>.algorithmConfig.algorithm | 이 인코더를 학습하기 위한 알고리즘의 이름입니다. 가능한 값: * paravec: 단락 벡터 단어 임베딩입니다. * tf-idf: TF-IDF(Term Frequency--Inverse Document Frequency) 기반 텍스트입니다. {#Encoder-getProperties__ul_encoder_alg_vals} 데이터 형식: 문자열. |
| \<Object\>.algorithmConfig | 옵션입니다. 알고리즘 구성 속성을 포함하는 JavaScript 객체입니다. 'algorithmConfig' : { "algorithm": "String" } 데이터 형식: 개체. |
| \<Object\>.datasetsProperties | 인코더와 연결된 [DatasetDefinition()](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DDef-DatasetDefinition_O "DatasetDefinition 클래스의 인스턴스를 만들어 테이블 이름, 필드 및 쿼리로 데이터 세트를 정의할 수 있습니다.") 속성 목록입니다. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } 데이터 형식: 배열. |
| \<Object\>.datasetsProperties.tableName | 데이터 세트의 테이블 이름입니다. 예를 들어 `"tableName" : "Incident"`입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetsProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열한 목록입니다. 예를 들어 `"fieldNames" : ["short_description", "priority"]입니다`. 데이터 형식: 배열. |
| \<Object\>.datasetsProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. [ { "name": "String", "type": "String" } ] 데이터 형식: 배열. |
| \<Object\>.datasetsProperties.fieldNames.fieldDetails.\<object\>입니다. 이름 | 이 데이터 세트를 제한할 정보의 유형을 정의하는 필드의 이름입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetsProperties.fieldDetails.\<object\>입니다. 형 | 머신 러닝 필드 유형입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetsProperties.fieldDetails.encodedQuery | 표준 Glide 형식으로 인코딩된 쿼리 문자열입니다. [인코딩된 쿼리 문자열을](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US) 참조하세요. 데이터 형식: 문자열. |
| \<Object\>.domainName | 이 데이터 세트와 연결된 도메인 이름입니다. [도메인 분리 및 예측 인텔리전스](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)를 참조하십시오. 데이터 형식: 문자열. |
| \<Object\>.레이블 | 예측 작업을 식별합니다. { "label": "my first prediction" } 데이터 형식: 문자열. |
| \<Object\>.이름 | 시스템에서 할당한 이름입니다. 데이터 형식: 문자열. |
| \<Object\>.predictedFieldName | 예측 가능성을 교육할 필드를 식별합니다. 데이터 형식: 문자열. |
| \<Object\>.processingLanguage | 두 글자 ISO 639-1 언어 코드 형식의 처리 언어. 데이터 형식: 문자열. |
| \<Object\>.범위 | 개체 범위입니다. 현재 유일하게 유효한 값은 `global`입니다. 데이터 유형: 문자열 |
| \<Object\>.stopwords | 옵션입니다. 속성 설정에 따라 시스템이 자동으로 생성하는 사전 설정 문자열 목록입니다 language . 자세한 내용은 [사용자 지정 스톱 워드 목록 만들기를](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요. 데이터 형식: 배열. |
| \<Object\>.training빈도 | 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#Encoder-getProperties__ul_pmw_523_plb}기본값: run_once 데이터 형식: 문자열. |
[표 13. 반환]

{#Encoder-getProperties__table_qps_43z_llb}  
다음 예제에서는 인코더 개체 저장소에 있는

    var myEncoder = sn_ml.EncoderStore.get('ml_sn_global_global_encoder');

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

출력:

    *** Script: {
      "datasetsProperties": [
        {
          "tableName": "incident",
          "fieldNames": [
            "assignment_group",
            "short_description",
            "description"
          ],
          "encodedQuery": "activeANYTHING"
        }
      ],
      "domainName": "global",
      "label": "my encoder definition",
      "name": "ml_x_snc_global_global_my_encoder_definition",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "trainingFrequency": "run_once"
    }

## 인코더 - getVersion(문자열 버전) {#ariaid-title9}

인코더를 가져옵니다. 제공된 버전 번호 기준.
{#Encoder-getVersion_S__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 의 기존 버전 번호 인코더. |
[표 14. 매개변수]

{#Encoder-getVersion_S__table_pps_43z_llb} {#Encoder-getVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") API 메서드를 호출할 수 있는 [Encoder()](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 객체의 지정된 버전입니다. |
[표 15. 반환]

{#Encoder-getVersion_S__table_qps_43z_llb}  
의 교육 상태를 가져오는 방법을 보여 줍니다 버전 번호별 인코더입니다.

    var mlEncoder = sn_ml.EncoderStore.get('ml_x_snc_global_global_encoder');

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

출력:

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

## 인코더 - setActiveVersion(문자열 버전) {#ariaid-title10}

저장소에서 지정된 버전의 인코더를 활성화합니다.
{#Encoder-setActiveVersion_S__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 활성화할 [Encoder()](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 객체 버전의 이름입니다. 이 버전을 활성화하면 다른 버전은 비활성화됩니다. |
[표 16. 매개변수]

{#Encoder-setActiveVersion_S__table_pps_43z_llb} {#Encoder-setActiveVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 없음 |   |
[표 17. 반환]

{#Encoder-setActiveVersion_S__table_qps_43z_llb}  
활성화하는 방법을 보여 인코더 스토어에서 솔루션 버전을

    sn_ml.Encoder.setActiveVersion("ml_incident_categorization");

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

교육 작업을 제출합니다.
주:  
이 메서드를 실행하기 전에 먼저 [EncoderStore - add()](https://servicenow-prod.fluidtopics.net/67S92_XT9HMe0pydgYT9kA#EncoderStore-add_O "새 인코더 추가 저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 저장소에 인코더를 추가해야 합니다.
{#Encoder-submitTrainingJob__table_xmd_33z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 18. 매개변수]

{#Encoder-submitTrainingJob__table_xmd_33z_llb} {#Encoder-submitTrainingJob__table_ymd_33z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [EncoderVersion](https://servicenow-prod.fluidtopics.net/kaL0Ifa9~_MnHGyuLy_zsg#EncoderVersionAPI "EncoderVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다.") 개체에 해당하는 개체입니다 [인코더](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 교육 중인 |
[표 19. 반환]

{#Encoder-submitTrainingJob__table_ymd_33z_llb}  
다음 예제에서는 데이터 세트를 만들고, 솔루션에 적용하고 인코더, 추가 저장소에 솔루션을 추가하고, 학습 작업을 제출

    // Create a dataset 
    var myData = new sn_ml.DatasetDefinition({

      'tableName' : 'incident',
      'fieldNames' : ['assignment_group', 'short_description', 'description'],
      'encodedQuery' : 'activeANYTHING'

    });

    // Create an encoder 
    var myEncoder = new sn_ml.Encoder({

      'label': "my encoder definition",
      'datasets' : [myData],
      'predictedFieldName' : 'assignment_group',
      'inputFieldNames':['short_description']

    });

    // Add the encoder to the store to later be able to retrieve it.
    var my_unique_name = sn_ml.EncoderStore.add(myEncoder);

    // Train the encoder - this is a long running job 
    var myEncoderVersion = myEncoder.submitTrainingJob();