--- 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 --- # SimilaritySolution - 전역 # SimilaritySolution - 전역 {#ariaid-title1} * 릴리스 버전: Xanadu * * 업데이트 날짜 2024년 08월 01일 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 19분 SimilaritySolution API는 스토어에서 사용되는 스크립팅 가능한 객체입니다예측 인텔리전스. 이 API에는 예측 인텔리전스 플러그인(com.glide.platform_ml)이 필요하며 `sn_ml` 네임스페이스 내에서 제공됩니다. 솔루션 설정-교육 흐름은 다음과 같습니다. 1. [인코더](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#EncoderAPI "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.") API를 사용하여 인코더를 빌드합니다. 2. [생성자를](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.") 사용하여 유사성 솔루션 개체를 만듭니다. 3. [SimilaritySolutionStore - add()](https://servicenow-prod.fluidtopics.net/YI0A1DVXuwxHKv~V4lReKQ#SimilarityStore-add_O "저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 유사성 솔루션 저장소에 솔루션 개체를 추가합니다. 4. [submitTrainingJob()](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-submitTrainingJob "교육 작업을 제출합니다.") 메서드를 사용하여 솔루션을 교육합니다. [이렇게 하면 SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") API를 사용하여 관리할 수 있는 개체의 버전이 만들어집니다. 5. [SimilaritySolutionVersion -- predict()](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilarityVersion-predict_O_O "예측에 대한 입력 데이터를 가져옵니다.") 메서드를 사용하여 예측을 가져옵니다. {#SimilaritySolutionAPI__ol_mmm_n1c_dmb} 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. ## SimilaritySolution - SimilaritySolution(객체 구성) {#ariaid-title2} 유사성 솔루션을 생성합니다. {#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} | 이름 | 유형 | 설명 | |-|-|-| | 구성 | 객체 | 의 구성 속성을 포함하는 JavaScript 객체 용액. { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDataset": {Object}, "minRowCount": "String", "processingLanguage": "String", "stopwords": [Array], "testDataset": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | 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.encoder (영문) | 객체 | 이 솔루션에 할당할 학습된 인코더 개체입니다. [인코더 - 인코더(개체 구성)](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 문서를 참조하십시오. | | config.label | 문자열 | 예측 작업을 식별합니다. | | config.lookupDataset | 객체 | 조회 세트로 사용할 [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.") 의 이름입니다. | | 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.testDataset | 객체 | 결과와의 lookupDataset 유사성을 스캔할 [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.")의 이름입니다. | | config.trainingFrequency | 문자열 | 옵션입니다. 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#SimilaritySol-SimilaritySolution_O__ul_pmw_523_plb}기본값: run_once | | config.updateFrequency | | 솔루션 정의에 대한 모델을 재구축해야 하는 빈도입니다. 가능한 값: * 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}기본값: do_not_update | [표 1. 매개변수] {#SimilaritySol-SimilaritySolution_O__table_gm2_yt5_flb} 다음 예제에서는 개체를 만들고 SimilaritySolution 스토어. 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} 에 대한 작업을 취소 솔루션 객체 교육을 위해 제출된 {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 2. 매개변수] {#SimilaritySol-cancelTrainingJob__table_bpb_k3z_llb} {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb__entry__2} | 유형 | 설명 | |-|-| | 없음 | | [표 3. 반환] {#SimilaritySol-cancelTrainingJob__table_cpb_k3z_llb} 다음 예제에서는 기존 학습 작업을 취소하는 방법을 보여 줍니다. var mySolution = sn_ml.SimilaritySolutionStore.get('ml_sn_global_global_similarity'); mySolution.cancelTrainingJob(); ## 유사성 솔루션 - getActiveVersion() {#ariaid-title4} 활성 항목을 가져옵니다. SimilaritySolutionVersion 객체입니다. {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 4. 매개변수] {#SimilaritySol-getActiveVersion__table_tvl_m3z_llb} {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb__entry__2} | 유형 | 설명 | |-|-| | 객체 | 활성 [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 객체입니다. | [표 5. 반환] {#SimilaritySol-getActiveVersion__table_uvl_m3z_llb} 하는 방법을 보여 줍니다 유사성 솔루션 스토어에서 활성 버전을 가져오고 학습 상태를 반환 var mlSolution = sn_ml.SimilaritySolutionStore.get('ml_x_snc_global_global_similarity'); gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2)); 출력: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution - getAllVersions() {#ariaid-title5} 다음의 모든 버전을 가져옵니다.SimilaritySolution 개체입니다. {#SimilaritySol-getAllVersions__table_tvl_m3z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 6. 매개변수] {#SimilaritySol-getAllVersions__table_tvl_m3z_llb} {#SimilaritySol-getAllVersions__table_uvl_m3z_llb__entry__2} | 유형 | 설명 | |-|-| | 배열 | 솔루션 객체의 기존 버전. 참고 항목 [SimilaritySolutionVersion (유사성솔루션버전](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") ) API입니다. | [표 7. 반환] {#SimilaritySol-getAllVersions__table_uvl_m3z_llb} 다음 예제에서는 모든 SimilaritySolution 버전 객체를 가져오고 getVersionNumber() 및 getStatus() 솔루션 버전 메서드를 호출하는 방법을 보여줍니다. 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"); 출력: 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"} ## 유사성 솔루션 - getLatestVersion() {#ariaid-title6} 의 최신 버전을 가져옵니다. 해결책. {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 8. 매개변수] {#SimilaritySol-getLatestVersion__table_tvl_m3z_llb} {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb__entry__2} | 유형 | 설명 | |-|-| | 객체 | [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 최신 버전에 해당하는 객체[SimilaritySolution](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.")입니다. | [표 9. 반환] {#SimilaritySol-getLatestVersion__table_uvl_m3z_llb} 다음 예제에서는 솔루션의 최신 버전을 가져오 고 교육 상태를 반환하는 방법을 보여 줍니다.{#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)); 출력: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution - getName() {#ariaid-title7} 저장소와의 상호 작용에 사용할 개체의 이름을 가져옵니다. {#SimilaritySol-getName__table_pps_43z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 10. 매개변수] {#SimilaritySol-getName__table_pps_43z_llb} {#SimilaritySol-getName__table_qps_43z_llb__entry__2} | 유형 | 설명 | |-|-| | 문자열 | 솔루션 객체의 이름입니다. | [표 11. 반환] {#SimilaritySol-getName__table_qps_43z_llb} 하는 방법을 보여 줍니다 유사성 솔루션 데이터 세트 정보를 업데이트하고 개체의 이름을 인쇄 // 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()); 출력: Solution Name: ml_x_snc_global_global_my_solution_definition_4 ## 유사성 솔루션 - getProperties() {#ariaid-title8} 솔루션 객체 속성 가져오기. {#SimilaritySol-getProperties__table_pps_43z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 12. 매개변수] {#SimilaritySol-getProperties__table_pps_43z_llb} {#SimilaritySol-getProperties__table_qps_43z_llb__entry__2} | 유형 | 설명 | |-|-| | 객체 | [SimilaritySolutionStore](https://servicenow-prod.fluidtopics.net/YI0A1DVXuwxHKv~V4lReKQ#SimilaritySolutionStoreAPI "솔루션을 저장하고 검색할 수 있습니다 .")의 Dataset 및 [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.") 개체 세부 정보의 내용입니다. { "domainName": "String", "encoder": {Object}, "label": "String", "lookupDatasetProperties": {Object}, "name": "String", "processingLanguage": "String", "scope": "String", "stopwords": [Array], "testDatasetProperties": {Object}, "trainingFrequency": "String", "updateFrequency": "String" } | | \.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. | | \.인코더 | 이 솔루션에 할당된 인코더 개체입니다. [인코더 - 인코더(개체 구성)](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 문서를 참조하십시오. 데이터 형식: 개체. | | \.레이블 | 예측 작업을 식별합니다. { "label": "my first prediction" } 데이터 형식: 문자열. | | \.lookupDatasetProperties | [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.") 조회 세트로 사용되는 객체입니다. 의 상세 정보 { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } 데이터 형식: 개체. | | \.lookupDatasetProperties.tableName | 데이터 세트의 테이블 이름입니다. 예를 들어 `"tableName" : "Incident"`입니다. 데이터 형식: 문자열. | | \.lookupDatasetProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열한 목록입니다. 예를 들어 `"fieldNames" : ["short_description", "priority"]입니다`. 데이터 형식: 배열. | | \.lookupDatasetProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. [ { "name": "String", "type": "String" } ] 데이터 형식: 배열. | | \.lookupDatasetProperties.fieldNames.fieldDetails.\입니다. 이름 | 이 데이터 세트를 제한할 정보의 유형을 정의하는 필드의 이름입니다. 데이터 형식: 문자열. | | \.lookupDatasetProperties.fieldDetails.\입니다. 형 | 머신 러닝 필드 유형입니다. 데이터 형식: 문자열. | | \.lookupDatasetProperties.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. | | \.이름 | 시스템에서 할당한 이름입니다. 데이터 형식: 문자열. | | \.processingLanguage | 두 글자 ISO 639-1 언어 코드 형식의 처리 언어. 데이터 형식: 문자열. | | \.범위 | 개체 범위입니다. 현재 유일하게 유효한 값은 `global`입니다. 데이터 유형: 문자열 | | \.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. | | \.testDatasetProperties | [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.") 이 모델에서 검색된 결과와 에서 검색된 결과 간의 유사성을 검색하는 데 사용되는 객체입니다 lookupDataset. 의 상세 정보 { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } 데이터 형식: 개체. | | \.testDatasetProperties.tableName | 데이터 세트의 테이블 이름입니다. 예를 들어 `"tableName" : "Incident"`입니다. 데이터 형식: 문자열. | | \.testDatasetProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열한 목록입니다. 예를 들어 `"fieldNames" : ["short_description", "priority"]입니다`. 데이터 형식: 배열. | | \.testDatasetProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. [ { "name": "String", "type": "String" } ] 데이터 형식: 배열. | | \.testDatasetProperties.fieldNames.fieldDetails.\입니다. 이름 | 이 데이터 세트를 제한할 정보의 유형을 정의하는 필드의 이름입니다. 데이터 형식: 문자열. | | \.testDatasetProperties.fieldDetails.\입니다. 형 | 머신 러닝 필드 유형입니다. 데이터 형식: 문자열. | | \.testDatasetProperties.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. | | \.training빈도 | 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#SimilaritySol-getProperties__ul_pmw_523_plb}기본값: run_once 데이터 형식: 문자열. | | \.updateFrequency (영문) | 솔루션 정의에 대한 모델을 재구축해야 하는 빈도입니다. 가능한 값: * 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}기본값: do_not_update 데이터 유형: 문자열 | [표 13. 반환] {#SimilaritySol-getProperties__table_qps_43z_llb} 다음 예제에서는저장소에 있는 솔루션 개체의 속성을 가져옵니다.{#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)); 출력: *** 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(문자열 버전) {#ariaid-title9} 솔루션을 가져옵니다. 제공된 버전 번호 기준. {#SimilaritySol-getVersion_S__table_pps_43z_llb__entry__3}{#SimilaritySol-getVersion_S__mlsol-gerversion-returns-other} | 이름 | 유형 | 설명 | |-|-|-| | 버전 | 문자열 | 솔루션의 기존 버전 번호입니다. | [표 14. 매개변수] {#SimilaritySol-getVersion_S__table_pps_43z_llb} {#SimilaritySol-getVersion_S__table_qps_43z_llb__entry__2} | 유형 | 설명 | |-|-| | 객체 | [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") API 메서드를 호출할 수 있는 [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.") 객체의 지정된 버전입니다. | [표 15. 반환] {#SimilaritySol-getVersion_S__table_qps_43z_llb} 다음 예제에서는 버전 번호별로 솔루션의 교육 상태를 가져오는 방법을 보여 줍니다.{#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)); 출력: { "state": "solution_complete", "percentComplete": "100", "hasJobEnded": "true" } ## SimilaritySolution - setActiveVersion(문자열 버전) {#ariaid-title10} 저장소에서 지정된 버전의 솔루션을 활성화합니다. {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 버전 | 문자열 | 활성화할 [SimilaritySolution()](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.") 객체 버전의 이름입니다. 이 버전을 활성화하면 다른 버전은 비활성화됩니다. | [표 16. 매개변수] {#SimilaritySol-setActiveVersion_S__table_pps_43z_llb} {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb__entry__2} | 유형 | 설명 | |-|-| | 없음 | | [표 17. 반환] {#SimilaritySol-setActiveVersion_S__table_qps_43z_llb} 다음 예제에서는 스토어에서 솔루션 버전을활성화하는 방법을 보여 줍니다.{#SimilaritySol-setActiveVersion_S__mlsol-setActive-example1} sn_ml.SimilaritySolution.setActiveVersion("ml_incident_categorization"); ## SimilaritySolution - submitTrainingJob() {#ariaid-title11} 교육 작업을 제출합니다. 주: 이 메서드를 실행하기 전에 먼저 [SimilaritySolutionStore - add()](https://servicenow-prod.fluidtopics.net/YI0A1DVXuwxHKv~V4lReKQ#SimilarityStore-add_O "저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 저장소에 솔루션을 추가해야 합니다. {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb__entry__3} | 이름 | 유형 | 설명 | |-|-|-| | 없음 | | | [표 18. 매개변수] {#SimilaritySol-submitTrainingJob__table_xmd_33z_llb} {#SimilaritySol-submitTrainingJob__table_ymd_33z_llb__entry__2} | 유형 | 설명 | |-|-| | 객체 | [SimilaritySolutionVersion](https://servicenow-prod.fluidtopics.net/wzHssjUW6JiEA7IcXxmeJw#SimilaritySolutionVersionAPI "SimilaritySolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 개체에 해당하는 개체입니다 [SimilaritySolution](https://servicenow-prod.fluidtopics.net/5AxMyguNVpso5zVrWgeoTA#SimilaritySol-SimilaritySolution_O "유사성 솔루션을 생성합니다.") 교육 중인 | [표 19. 반환] {#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();