---
title: チケット分類の基本
slug: help/neurons/ja_jp/ZVSWWqeUEGA0EjnnTxweT
createdAt: 2026-09-08T07:08:42.161Z
---

Ivanti Neurons 機械学習ラボは、機械学習モデルを作成、学習、配布する環境を提供します。 このセクションでは、Neurons for ITSM のチケット分類モデルを準備および構成するためのプロセスを説明します。

## チケット分類の機能

Neurons for ITSM でチケットが作成されると、機械学習モデルによって、\[件名] フィールドの内容に基づいて、リアルタイムで自動的に正しいサービス、カテゴリ、サブカテゴリに分類されます。 Neurons プラットフォームで機械学習ラボに移動して、独自のモデルを学習して配布し、学習データをアップロードできます。
チケット分類:

- は Neurons for ITSM のクラウド バージョンとオンプレミス バージョンと互換性があります。
- は Neurons for ITSM と Neurons for Healing の両方をご利用のお客様向けに提供されています。

:::hint{type="info"}
チケット分類では、ご使用の Neurons for ITSM インスタンスがバージョン2021.3以上であることが必要です。
:::

## チケット分類の構成

構成手順は次のとおりです。

### 1. Neurons for ITSM インスタンスと Ivanti Neurons プラットフォーム インスタンスを接続する

Neurons for ITSM インスタンスと Neurons プラットフォーム インスタンスを接続するには、Ivanti Cloud Ops チーム (サポート) にサービス申請を発行してください。 これらは必要な構成を Neurons for ITSM に適用します。

:::hint{type="info"}
Neurons for Healing および Neurons for ITSM をご利用で、まだ Neurons プラットフォームに **\[ソフトウェア] > \[機械学習ラボ]** 項目が表示されない場合は、Ivanti サポートまでお問い合わせください。
:::

### 2. 機械学習モデルを学習するデータをエクスポートする

Neurons 機械学習ラボを使用すると、機械学習モデルの作成が大幅に容易になりますが、結果は入力する学習データセットの質によって異なります。 このデータセットは、モデルのトレーニングに使用されます。 学習データは、以前に作成されたインシデントとその分類を検証したデータセットです。
最良の結果を得るには、データセットが可能性のあるあらゆるクラス、すなわち Neurons for ITSM 環境で使用できる**サービス**、**カテゴリ**、および**サブカテゴリ**の組み合わせをカバーしていることが必要です。
Neurons for ITSM 環境でも**実績サービス**、**実績カテゴリ**、**実績サブカテゴリ**を使用している場合は、これらの **\[実績]** フィールドの使用を検討できます。

トレーニング データセット用のインシデントをエクスポートするには:

1. Neurons for ITSM で **\[インシデント]** ワークスペースを開く
2. 機械学習モデルの学習を準備するために必要なインシデント データを返すクエリを作成します。
3. **\[詳細] > \[フォーム アクション] > \[エクスポート]** に移動します。

### トレーニング データセットの要件

- ファイルは CSV 形式で、区切り文字としてカンマを使用する必要があります。
- ファイルには次のものが含まれている必要があります。
  - **件名**という名前の列。
  - 構成や用途により、**サービス**列、**カテゴリ**列、**サブカテゴリ**列のうち少なくとも1つ。

Neurons for ITSM からデータをエクスポートした後は、トレーニング用のデータセットの準備を開始できます。
**実績サービス**、**実績カテゴリ**、**実績サブカテゴリ**からデータを使用する場合は、これらの列の名前を **\[サービス:**、**\[カテゴリ]**、**\[サブカテゴリ]** にそれぞれ変更する必要があります。

:::hint{type="info"}
Ivanti はエクスポートされた CSV ファイルから他のすべての列を削除することをお勧めします。
:::

### 3. 学習データのクリーニング

この手順の各項目には必ず対応してください。これはモデルの精度に大きく影響する可能性があります。
概要を保持できるように、サービス、カテゴリ、サブカテゴリでデータを並べ替えることを検討してください。 効果的に、クラスで並べ替えられたリストが作成されます。

学習データのクリーニングには次のアクションがあります。

- **個人を特定できる情報を削除する。**
  これにより、潜在的なデータ プライバシーの問題 (この目的と同等に重要な事項) を回避し、このタイプのデータがモデルに影響することを防止できます。
  例: 学習データの件名行に電話番号が含まれている場合は、結果のモデルが電話番号を特定のクラスの信号と解釈する場合があります。
- **廃止予定のクラスを削除またはラベル変更する。**
  学習データのすべてのクラスが Neurons for ITSM で使用可能でなければなりません。 モデルが使用できないクラスを提案する場合、ユーザにエラーが表示され、インシデントが保存されないことがあります。
  学習データに廃止予定に設定されたクラスのサンプルが含まれている場合は、次の手順を実行できます。
  - 正しい使用可能なクラスにサンプルのラベルを変更する (該当する場合)。
  - サンプルを削除する。
    クラス単位と合計の両方で、学習データに十分なサンプルが含まれていることを確認してください。
    [学習されたモデルの最適な精度](docId\:qPEZPYyqP1n2vS6k_oBl4) (以下) を参照
- **一般的すぎる分類のサンプルを修正または削除する。**
  「`その他`」や「`未分類`」などの値を含むクラスは一般的すぎることがあります。
  可能な場合、かつ \[件名] にクラスの予測に役立つ情報が含まれている場合は、これらのサンプルをより具体的なクラスに修正します。
- **有用な情報がほとんどまたはまったく件名に含まれていないサンプルを削除する。**
  サンプルの例: 件名「`緊急申請!`」や「`早急に支援が必要`」には、モデルをトレーニングするにあたって有益な情報は含まれていません。
- **正しくない分類を訂正する。**
  「`キーボードのすべてキーが落ちた`」という件名のインシデントのクラスが「`ネットワーク`」の場合、クラスを「`周辺機器`」などに変更します。
- **別のクラスの複数の問題に関する情報が \[件名] に含まれているサンプルを削除または分割する。**
  「`キーボードが動作しない。VM が必要`」といったように、ユーザはまったく関係のない問題を1つのインシデントにまとめてしまうことがあります。
  それぞれに正しいクラスが割り当てられるように、このサンプルを削除するか、2つの個別のインシデントで分割する。
- **学習データの一貫性を検証し、可能なかぎり改善する。**
  ほぼ同一の (意味の) \[件名] フィールドがあるインシデントは同じ分類になります。
  :::ExpandableHeading
  ## 例:

  次の件名を検討してください。

  - 「`ビデオ通話のときにカメラが動作していない`」
  - 「`Web カメラが使えなくなったときにはビデオ通話をしていた`」

  「`ビデオ通話`」クラスと「`Web カメラ`」クラスのいずれも正しいのですが、両方のインシデントが学習データで同じクラスに割り当てられています。
  :::
- **すべての考えられるクラスが十分なサンプルで表されていることを確認する。**
  機械学習ラボで正確なモデルを実現するには、十分なサンプルが必要です。
  学習データのクラスが多く、サンプルが少ない場合は、学習データの量を増やす必要があります。
  あるいは、これらのクラスの一部を統合または削除することを検討してください。
- **上記の平均件数で示されているクラスのサンプル数を減らす。**
  モデルが上位クラスを選択する確率が高くなることがあるため、このような「上位クラス」は精度に影響します。

### 学習されたモデルの最適な精度

学習データについて次の点を確認してください。

- 質が保証されている分類のみが含まれている。
- 一貫性がある。
- 各クラスが実際に使用される頻度に関係なく、すべてのクラスの (おおよその) 量が均等に含まれている。
- 各クラスにつき、50**以上**のサンプルが含まれている。 ただし、サンプルが前の3つの条件を満たし、データが適切にクリーニングされている場合は、一般的に、量が多い方が好ましいと考えられています。
  :::ExpandableHeading
  ## 例

  環境で10サービスを使用し、各サービスに5カテゴリがある場合、クラスは10 x 5 = 50です。
  したがって、トレーニング データセットは**少なくとも**50クラス x 50例 = 合計2500例あることが必要です。
  :::

:::hint{type="info"}
正確なモデルを作成するために最低限のデータ量で十分であるかどうかは、データとクラスによって異なります。
:::

### 4. ストップワード ファイルを準備する (任意)

モデルの性能を改善するために、任意でストップワード ファイルを作成できます。 このファイルには、モデルが無視すべき単語が登録されています。
[NLTK](https://www.nltk.org/) の既定のストップワードが自動的に適用されます。

### ストップワード ファイルの要件

- ファイルが CSV または TXT 形式であること。
- ファイルの各行に1つのストップワードを記述すること。

### 5. 機械学習モデルを作成して学習する

データを準備した後は、モデルの作成と学習を開始できます。

1. 新しいモデルを**追加**します。
2. 学習データ ファイルと (任意) ストップワード ファイルをアップロードします。
3. 変更を **\[保存]** します。
4. モデルを**学習**します。

機械学習ラボで学習プロセスが開始します。

学習が完了した後、モデルの **\[詳細]** タブに精度が表示されます。 この精度に基づいて、モデルを展開するかどうかを決定できます。
精度を高めるには、学習データやストップワードを更新します。

### 6. 学習された機械学習モデルを展開する

学習済みのモデルを構築した後は、それを環境に展開できます。
展開すると、モデルは Neurons for ITSM 環境でインシデントの分類を開始します。

### 7. Neurons for ITSM でチケット分類を有効にする

Neurons for ITSM でチケット分類を有効にします。
この手順については、Neurons for ITSM 構成ガイドの[「チケット分類の構成」](https://help.ivanti.com/ht/help/en_US/ISM/2024/admin-user/index.html#cshid=1056)をご参照ください。

## 新しいモデルを学習させるとき

たとえば、学習データセットをクリーニングし続けているときには、新しいモデルを学習させ、モデルの精度を高めることを選択できます。
ただし、次のように、新しいモデルの学習が必要で、緊急性が高い状況もあります。

- **クラスが廃止予定のとき**
  モデルが使用できないクラスを提案する場合、Neurons for ITSM でユーザにエラーが表示され、インシデントが保存されないことがあります。
  :::ExpandableHeading
  ## このエラーを回避する方法

  1. 学習データを更新し、廃止予定のクラスを使用しているサンプルが含まれないようにします。
     別のクラスをサンプルに割り当てるか、サンプルを完全に削除します。
  2. 学習データを使用して、新しいモデルを学習させます。
  3. 新しいモデルを展開します。
  4. Neurons for ITSM のクラスを廃止予定にします。
  :::
- **クラスの用途が変わったとき**
  例:
  - クラスは以前に固定電話で使用されていましたが、現在は携帯電話で使用されています。
  - 環境内のプログラムは置換されるか、新しいプログラムが導入されます。
  - 新しいタイプの製品 (タブレットやスマートウォッチなど) が市場に導入され、それに関するインシデントが作成される場合があります。

このような変化を反映したインシデントのサンプルもデータに取り込み、そのデータで新しいモデルを学習しなければ、精度が低下する可能性があります。

- **新しいクラスが導入されたとき**
  モデルは学習されたクラスのみを提案できます。 新しいクラスが取り込まれた学習データに基づいて新しいモデルを作成しない場合、モデルが新しいクラスを提案することはありません。
