---
sourceDocument: Xanadu AI 활성화
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/ko-KR/xanadu/intelligent-experiences

 Release :

    - xanadu

ft:locale :

    - ko-KR

ft:publication_title :

    - Xanadu AI 활성화

ft:clusterId :

    - platai

bundleId :

    - platai

workflow :

    - Platform


---

# 예측 인텔리전스 사용

# 예측 인텔리전스 사용 {#ariaid-title1}

* 릴리스 버전: Xanadu
* 
* 업데이트 날짜 2024년 08월 01일
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 3분

다양한 작업을 완수하고 및 및 와 같은 다른 ServiceNow 제품과 문서 인텔리전스작업 인텔리전스통합되는 솔루션을 교육하고 사용합니다예측 인텔리전스.

## 개요

예측 인텔리전스 는 AI Platform에서 모델을 학습시킬 수 있는 인터페이스입니다 ServiceNow . 이러한 모델을 사용하면 작업을 라우팅하고, 양식 필드를 채우고, 대기 시간을 예측하는 등의 작업을 수행하는 데 사용할 수 있는 패턴을 예측, 추정 및 식별할 수 있습니다.

* 관련 문서에 대한 제안을 표시합니다.
* 작업을 할당하고, 범주화하고, 우선순위를 지정합니다.
* 중요 인시던트를 탐지합니다.
* 케이스 해결을 권장합니다.
* 문서와 아이디어의 중복을 방지합니다.
* 피싱 시도를 감지합니다.

사용 가능한 다양한 유형의 솔루션에 대한 자세한 내용은 을 참조하십시오 [Predictive Intelligence 살펴보기](https://servicenow-prod.fluidtopics.net/dyowNMpF4tlroadwHpUGZA "ServiceNow 예측 인텔리전스 는 애플리케이션 전반에 ServiceNow 걸쳐 기능 및 역량을 부여하여 더 나은 업무 경험을 제공하는 인공 지능 계층을 제공하는 플랫폼 기능입니다.").

## ML 솔루션 교육 {#using-predictive-intelligence__section_xtt_hdh_j1b}

예측 인텔리전스 를 사용하면 인스턴스의 데이터를 사용하여 적용할 수 있는 예측 모델과 머신 러닝 솔루션을 교육할 수 있습니다. 사용자가 만드는 솔루션은 프레임워크를 사용하여 데이터를 예측하고, 추천하고, 구성합니다. 시작하려면 을 참조하십시오 [솔루션 생성 및 교육](https://servicenow-prod.fluidtopics.net/~NrC4HbWb7b5wyow~_hR7g "PI(예측 인텔리전스) 프레임워크 중 하나를 사용하여 머신 러닝 솔루션을 만들고 교육합니다. 각 프레임워크는 데이터 결과를 예측, 추천 및 구성하도록 시스템을 교육하기 위한 다양한 솔루션 유형을 제공합니다.").  
다음과 같은 다른 프로세스와 애플리케이션으로 확장할 예측 인텔리전스 수도 있습니다.

* 인시던트 분류: 간단한 설명을 기반으로 인시던트 범주를 예측합니다. [인시던트 관리용 예측 인텔리전스를](https://www.servicenow.com/docs/access?context=predictive-intelligence-for-incident&version=xanadu&pubname=xanadu-it-service-management&ft:locale=en-US) 참조하십시오.
* CSM 케이스 할당: 짧은 설명을 기반으로 케이스 기록 할당 그룹을 예측합니다. [케이스 관리를 위한 예측 인텔리전스를](https://www.servicenow.com/docs/access?context=agent-intelligence-case-mgmt&version=xanadu&pubname=xanadu-customer-service-management&ft:locale=en-US) 참조하십시오.
{#using-predictive-intelligence__ul_of1_vqs_d1b}

자세한 내용은 [ServiceNow 를 사용하는 앱 및 기능 예측 인텔리전스](https://servicenow-prod.fluidtopics.net/btdu7D9XPZV3ZOJHKVNGZQ "이 항목을 검토하여 기능을 활용하는 예측 인텔리전스 애플리케이션 및 기능의 ServiceNow 샘플을 확인하십시오.") 문서를 참조하십시오.

## 예측 테스트 및 모니터링 {#using-predictive-intelligence__section_fvc_q32_ntb}

솔루션을 만들고 교육한 후 예측 인텔리전스 API를 호출하여 솔루션을 예측합니다. 결과를 사용하여 솔루션의 성능을 측정하고 필요에 따라 변경합니다.  
기본적으로 이러한 예측 영역에 대한 보고를 제공하는 솔루션 통계 대시보드를 사용하여 배포된 예측 모델의 범위와 정밀도를 추적할 수 있습니다.{#using-predictive-intelligence__table_gc5_4wj_ntb__entry__2}

| 보고서 | 설명 |
|-|-|
| 평균 예측 범위(지난 30일) | 시도한 총 예측 수 중에서 결과를 도출한 예측의 백분율입니다. 검사 점수를 클릭하면 클래스별 세부 항목을 볼 수 있습니다. |
| 일일 예측 범위 | 솔루션이 결과를 예측할 수 있었던 지정된 날짜에 생성된 기록의 백분율입니다. |
| 평균 예측 정확도(지난 30일) | 예측된 값이 기록이 종결될 때 필드의 최종 값과 같은 예측의 백분율입니다. 정확도 점수를 클릭하면 클래스별 세부 항목을 볼 수 있습니다. |
| 일일 예측 정확도 | 예측된 필드 값이 최종 값과 동일한 지정된 날짜에 종결된 기록의 백분율입니다. |
[ ]

{#using-predictive-intelligence__table_gc5_4wj_ntb}

자세한 내용은 [예측 테스트 및 모니터링](https://servicenow-prod.fluidtopics.net/z_uQ~grEHW7WoZizh1zItw "머신 러닝(ML) 솔루션을 테스트하여 범위와 정밀도를 평가합니다. 배포가 완료되면 시간 경과에 따른 성능을 추적하여 솔루션이 어떻게 수행되는지 확인합니다. 이 정보를 사용하여 솔루션을 변경하여 예측을 개선합니다.") 문서를 참조하십시오.

## 인스턴스 준비 중

를 최대한 활용 예측 인텔리전스하려면 준비해야 합니다. 코드를 작성하거나 계산을 수행할 필요는 없지만 솔루션 정의로 수행할 작업을 결정하면 구현이 더 쉬워집니다.

* 를 사용하여 예측 인텔리전스해결하려는 문제를 식별합니다.
* 학습할 수 있는 30,000--300,000개의 고품질 기록이 있어야 합니다 예측 인텔리전스 .
* 기대치를 설정하십시오.

주:  
학습 데이터의 불일치 또는 격차로 인해 예측이 잘못되거나 신뢰할 수 없게 될 수 있습니다.

## 구현 프로세스

예측 인텔리전스 프로덕션 인스턴스에 구현하는 데 약 14일이 걸립니다.

* 1일 차: 프로덕션 인스턴스를 비프로덕션 인스턴스로 복제합니다.
* 2-10일 차: 솔루션 정의를 만들고, 기록 기록에 따라 교육하고, 솔루션이 비프로덕션 인스턴스에서 원하는 대로 작동하는지 확인합니다.
* 11--13일차: 임포트 및 업데이트 세트를 생성하여 솔루션을 프로덕션으로 이동하고, 새 인스턴스에서 교육 및 검증하고, 재교육 빈도를 설정합니다.
* 14일 이상: 솔루션을 모니터링합니다.

일반적으로 비프로덕션 환경에서는 모델을 추가로 교육하고 예측을 테스트하기 위해 프로덕션 인스턴스로 이동하기 전에 워크플로우를 테스트하고 형식을 지정할 수 있습니다.

시작하는 예측 인텔리전스방법에 대한 자세한 내용은 다음을 참조하십시오. [를 시작하는 방법에 대한 가이드 예측 인텔리전스](https://servicenow-prod.fluidtopics.net/uTOrhySg5u~bDL_V5LVGCg#install-predictive-intelligence "인스턴스에서 활성화 예측 인텔리전스 하고 기본 구성을 시작합니다.").