--- sourceDocument: Yokohama habilitar IA sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/pt-BR/yokohama/intelligent-experiences Release : - yokohama ft:locale : - pt-BR ft:publication_title : - Yokohama habilitar IA ft:clusterId : - platai bundleId : - platai workflow : - Platform --- # Dicas de configuração para Inteligência preditiva # Dicas de configuração para Inteligência preditiva {#ariaid-title1} * Versão de lançamento: Yokohama * * Atualizado 30 de jan. de 2025 * * ![](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. Há 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 todo o conjunto de dados 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. É essencial revisar seus conjuntos de entrada antes do treinamento para manter modelos preditivos precisos. É recomendável usar aproximadamente 80% dos dados de entrada para treinar seu 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 para os 20% dos dados restantes. ## Treinamento da solução {#troubleshooting-predictive-intelligence__section_ihg_3t5_p2b} {#troubleshooting-predictive-intelligence__table_i2c_rtl_r2b__entry__2} | Ocorrência | Ação sugerida ou resolução | |-|-| | O treinamento da solução permanece no status Aguardando treinamento por muito tempo, pois o trabalho do agendador está usando um URL de instância de retorno de chamada do Glide incorreto. | Certifique-se de glide.servlet.uriA propriedade na instância do Glide está definida com a URL da instância correta. Este problema pode ocorrer quando: * Uma instância é clonada da produção, mas ainda se refere ao URL de produção do glide.servlet.uripropriedade. * A instância 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 tendo impacto no treinamento. | Esse é um comportamento esperado, pois as novas categorias ainda podem não ter dados suficientes até que a solução seja retreinada. | | O treinamento da solução falha. | Quando o treinamento falhar, clique em Mostrar andamento do treinamento link relacionado na tela de solução para determinar onde reside 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 dizendo 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 campo 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. Retreine 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 diferente do inglês mais proeminente. Nota: O inglês é aplicado por padrão a todos os conjuntos de dados. Opção 2: Se houver dados suficientes para cada idioma/região: 1. Adicione um critério 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 a linguagem de processamento adequada a cada solução. {#troubleshooting-predictive-intelligence__ol_vs1_zvl_r2b} | [ ] {#troubleshooting-predictive-intelligence__table_i2c_rtl_r2b} ## Previsão da solução {#troubleshooting-predictive-intelligence__section_qpk_jt5_p2b} {#troubleshooting-predictive-intelligence__table_aj5_5tl_r2b__entry__2} | Ocorrência | Ação sugerida ou resolução | |-|-| | A previsão falha e retorna uma exceção Java em que a causa é desconhecida. | 1. PESQUISE a exceção no Inteligência preditivaLogs do Glide. 2. Envie um registro de incidente para Inteligência preditivaincluindo 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 da 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 ser ajustadas. 1. Navegue até Serviços da web do sistema \> REST \> Explorador da API REST para encontrar o nível de confiança da previsão. Consulte [Teste uma previsão de solução de classificação](https://servicenow-prod.fluidtopics.net/~9buwRpqMaGlrz3y43YzeA "Depois que suas soluções de aprendizado de máquina (ML) forem treinadas, você poderá ligar para Inteligência preditivaAPI para fazer uma previsão de solução. Neste procedimento de exemplo, usamos o Explorador da REST API para testar uma previsão de solução de classificação para categorização de incidente."). 2. Em seu registro de Definição de solução de ML, verifique o conjunto de limites para sua classe de resultado que foi retornado na previsão clicando no nome da classe. . Classe a página é exibida. 3. Verifique o. Precisão estimada e. Cobertura estimada valores. Se o limite correspondente for maior do que a confiança de previsão do resultado, essa será a causa raiz do motivo pelo 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 [Ajuste uma solução de classificação treinada](https://servicenow-prod.fluidtopics.net/ARtu2_00LgqvPt9u3g7OZQ "Ajuste o desempenho de uma solução de classificação treinada configurando a precisão no nível de classe e os valores de cobertura."). {#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} | Ocorrência | Ação sugerida ou resolução | |-|-| | Depois que uma instância é clonada, as previsões para suas soluções existentes falham. | Os artefatos da solução de ML na tabela \[ml_artifacts\] são armazenados na \[sys_attachment table\]. Se a tabela \[ml_artifacts\] não estiver incluída no clone quando você executá-la, as previsões falharão. Certifique-se de que seu clone inclua os artefatos de aprendizado de máquina, pois esses são componentes críticos do Inteligência preditivasolução. | | Depois que uma instância é clonada, o treinamento da solução falha. | À medida que a execução de clonagem prossegue, é possível que o usuário sharedservice.worker tenha sido desativado, bloqueado ou 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}