---
sourceDocument: Habilitar IA do Xanadu
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/pt-BR/xanadu/intelligent-experiences

 Release :

    - xanadu

ft:locale :

    - pt-BR

ft:publication_title :

    - Habilitar IA do Xanadu

ft:clusterId :

    - platai

bundleId :

    - platai

workflow :

    - Platform


---

# Dicas de configuração para Inteligência preditiva

# Dicas de configuração para Inteligência preditiva {#ariaid-title1}

* Versão de lançamento: Xanadu
* 
* Atualizado 31 de jul. de 2024
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 4 min. de leitura

Se você encontrar problemas durante o treinamento da solução e a previsão da solução, siga estas resoluções sugeridas.

## Dados de entrada

É recomendável ter pelo menos 30.000 registros para treinar seus modelos, mas a precisão do modelo é determinada pelos dados de entrada.

Existem três fatores primários que determinam a qualidade dos dados de entrada usados para treinar soluções:

* Limpeza: os dados limpos reduzem o ruído, tornando o modelo mais preciso.
* Qualidade: a entrada e a saída devem ser válidas e corretas para treinar o modelo e fazer previsões precisas.
* Distribuição: os dados que representam o conjunto de dados inteiro como um todo resultarão em um modelo que pode fazer previsões mais generalizadas.

A maioria dos conjuntos de dados brutos contém dados sujos e inutilizáveis. Revisar seus conjuntos de entrada antes do treinamento é essencial para manter modelos preditivos precisos.

É recomendável usar aproximadamente 80% dos dados de entrada para treinar o modelo e cerca de 20% dos dados para avaliar se o modelo é preciso. Você pode comparar os resultados previstos do modelo com os valores reais dos 20% de dados restantes.

## Treinamento da solução {#troubleshooting-predictive-intelligence__section_ihg_3t5_p2b}

{#troubleshooting-predictive-intelligence__table_i2c_rtl_r2b__entry__2}

| Problema | Resolução ou ação sugerida |
|-|-|
| O treinamento da solução permanece no status Aguardando treinamento por muito tempo, pois o trabalho do programador está usando um URL de instância de retorno de chamada do Glide incorreto. | Certifique-se de que a propriedade glide.servlet.uri na instância do Glide esteja definida com o URL de instância correto. Este problema pode ocorrer quando: * Uma instância é clonada da produção, mas ainda se refere ao URL de produção da propriedade glide.servlet.uri. * A instância do Glide é provisionada e executa o treinamento pela primeira vez. {#troubleshooting-predictive-intelligence__ul_jg4_5w2_r2b} |
| Novas categorias foram adicionadas e ainda não estão afetando o treinamento. | Este é o comportamento esperado, pois as novas categorias ainda podem não ter dados suficientes até que a solução seja treinada novamente. |
| O treinamento da solução falha. | Quando o treinamento falhar, clique no link relacionado Mostrar andamento do treinamento na tela da solução para determinar onde está o possível problema. |
| O treinamento da solução falha devido à autenticação do usuário. | Navegue até Segurança do sistema\> Usuários e certifique-se de que o usuário sharedservice.worker esteja definido como Ativo. |
| O treinamento do modelo retorna informando que o modelo não pode ser criado. O treinamento falha e mostra a mensagem "Erro ao treinar a solução". A janela de andamento do treinamento mostra esta mensagem: "Falha no treinamento da solução porque os dados usados não são suficientes ou o campo de entrada não é preditivo do campo de saída." | Esse problema pode ocorrer quando a quantidade de dados ou a distribuição de valores de campos não é suficiente para que um modelo seja criado com sucesso. Siga estas etapas para solucionar problemas: 1. Certifique-se de que a distribuição do campo de saída não esteja distorcida. 2. Treine novamente o modelo alterando os filtros de data para usar uma quantidade maior de dados. 3. Se os campos de entrada não estiverem totalmente preenchidos, adicione um filtro para remover registros nulos. {#troubleshooting-predictive-intelligence__ol_yms_mvl_r2b} |
| A solução tem dados em vários idiomas, mas os resultados de cobertura e precisão são ruins. | Use as seguintes opções para ajudar a melhorar suas métricas. Opção 1: atualize o idioma de processamento da solução para o idioma mais conhecido que não seja o inglês. Nota: O inglês é aplicado por padrão para todos os conjuntos de dados. Opção 2: se houver dados suficientes para cada idioma/região: 1. Adicione critérios de filtro para um idioma/região específico em que o idioma primário possa ser identificado (holandês, inglês, francês, alemão, japonês ou espanhol). 2. Gere uma solução para cada idioma/região e aplique o idioma de processamento apropriado a cada solução. {#troubleshooting-predictive-intelligence__ol_vs1_zvl_r2b} |
[ ]

{#troubleshooting-predictive-intelligence__table_i2c_rtl_r2b}

## Previsão de solução {#troubleshooting-predictive-intelligence__section_qpk_jt5_p2b}

{#troubleshooting-predictive-intelligence__table_aj5_5tl_r2b__entry__2}

| Problema | Resolução ou ação sugerida |
|-|-|
| A previsão falha e retorna uma exceção Java em que a causa é desconhecida. | 1. Pesquise a exceção nos logs do Glide Inteligência preditiva. 2. Envie um registro de incidente para Inteligência preditiva, incluindo todos os detalhes relevantes, como a exceção, a instância afetada, o nome da solução e a cadeia de caracteres de entrada. {#troubleshooting-predictive-intelligence__ol_hhq_xwl_r2b} |
| Não há previsão aplicada ao registro de incidente/caso, mas a previsão retorna um valor quando testada no Explorador de REST API. | Isso pode ocorrer quando a confiança da previsão é menor que o limite necessário para fazer uma previsão. Depois que sua solução for treinada, use as etapas a seguir para confirmar se as configurações da solução precisam de ajuste. 1. Navegue até Serviços Web do Sistema \> REST \> Explorador de REST API para encontrar o nível de confiança da previsão. Consulte [Testar uma previsão de solução de classificação](https://servicenow-prod.fluidtopics.net/DHOrB2WJ6CAdAP4ubfVmxg "Depois que suas soluções de aprendizado de máquina (ML) forem treinadas, você poderá chamar a API Inteligência preditiva para fazer uma previsão de solução. Neste procedimento de exemplo, usamos o Explorador de REST API para testar uma previsão de solução de classificação para categorização de incidentes."). 2. No registro de definição de solução de ML, verifique o limite definido para a classe de resultado que foi retornado na previsão clicando no nome da classe. A página Classe é exibida. 3. Verifique os valores de Precisãoestimada e Cobertura estimada. Se o limite correspondente for maior do que a confiança de previsão do resultado, essa será a causa raiz pela qual você não viu nenhuma previsão. 4. Ajuste a precisão da classe e os valores de cobertura para aumentar a cobertura ou a precisão. Consulte [Ajustar uma solução de classificação treinada](https://servicenow-prod.fluidtopics.net/ecWTF_N_ku~f7Sb08rDy9w "Ajuste o desempenho de uma solução de classificação treinada configurando os valores de precisão e cobertura no nível de classe."). {#troubleshooting-predictive-intelligence__ol_gfj_nml_r2b} |
[ ]

{#troubleshooting-predictive-intelligence__table_aj5_5tl_r2b}

## Clonagem de instância {#troubleshooting-predictive-intelligence__section_adg_4t5_p2b}

{#troubleshooting-predictive-intelligence__table_fby_vtl_r2b__entry__2}

| Problema | Resolução ou ação sugerida |
|-|-|
| Depois que uma instância é clonada, as previsões para as soluções existentes falham. | Os artefatos de solução de ML na tabela \[ml_artifacts\] são armazenados na tabela \[sys_attachment\]. Se a tabela \[ml_artifacts\] não estiver incluída no clone quando você executá-lo, as previsões falharão. Certifique-se de que seu clone inclua os artefatos de aprendizado de máquina, pois esses são componentes críticos da sua solução Inteligência preditiva. |
| Depois que uma instância é clonada, o treinamento da solução falha. | Conforme a execução da clonagem prossegue, é possível que o usuário sharedservice.worker tenha sido desativado, bloqueado ou que o ID do usuário não esteja definido. Resolva esses problemas para que o treinamento da solução seja bem-sucedido. |
[ ]

{#troubleshooting-predictive-intelligence__table_fby_vtl_r2b}