---
title: Machine Learning Lab
slug: help/neurons/nl_nl/machine-learning-lab
createdAt: 2026-09-08T07:37:32.861Z
---

Ivanti Neurons Machine Learning Lab biedt u een gecentraliseerde omgeving voor het maken, aanleren of implementeren van machine learning-modellen. Deze modellen kunnen momenteel worden gebruikt voor het leveren van Neurons voor ITSM Ticketclassificatie, maar er zullen nog meer toepassingen volgen. De modellen zijn gemaakt vanop het Ivanti Neurons Platform en blijven daar, zelfs wanneer ze geïmplementeerd zijn.
Met Machine Learning Lab hebt u niet langer een diepgaande kennis over machine learning-modellen nodig.

U kunt het Ivanti Neurons Machine Learning Lab vinden onder **Software > Machine Learning Lab**.
Voor een geslaagde implementatie van een machine learning-model, moet u het volgende voorbereiden:

- Trainingsgegevens: een set voorbeelden waarvan is geweten dat de combinatie van invoer en uitvoer correct is.
- Stopwoorden (optioneel): een lijst van woorden die het model moet negeren. Dit kan worden gebruikt om de modelprestaties te verbeteren.
  Houd ermee rekening dat er automatisch een standaardset van stopwoorden van [NLTK](https://www.nltk.org/) wordt toegepast.

Voor meer informatie over het voorbereiden van uw gegevensset en de opleiding van een machine learning-model, zie [Aan de slag met ticketclassificatie](docId:9jLWh_HqNimEDfUtHuCTY).

:::hint{type="info"}
Machine Learning Lab ondersteunt momenteel alleen machine learning-modellen voor Neurons voor ITSM Ticketcategorisatie en de Engelse taal.
:::

De tabel **Machine Learning-modellen** toont een lijst van bestaande machine learning-modellen en hun eigenschappen.
Klik op de **Modelnaam** voor meer gedetailleerde informatie over het model.

Hieronder vindt u een lijst van mogelijke acties die betrekking hebben om de machine learning-modellen.
Zie [Aan de slag met ticketclassificatie](docId:9jLWh_HqNimEDfUtHuCTY) voor een stapsgewijze begeleiding voor het configureren van Ticketclassificatie.

:::ExpandableHeading
## Een machine learning-model toevoegen

Om een nieuw model toe te voegen, moet u eerst de trainingsgegevens van het systeem waarin u het model zult implementeren, exporteren en voorbereiden. U kunt optioneel een bestand toevoegen met stopwoorden om het model fijn af te stemmen.
Voor meer informatie over het voorbereiden van deze gegevens, raadpleegt u Aan de slag met Ticketclassificatie stap [3. Opleidingsgegevens opruimen](docId:9jLWh_HqNimEDfUtHuCTY).

1. Klik op **Model toevoegen**.
   Het deelvenster **Model toevoegen** opent.
2. Geef een **naam** op voor het model en selecteer het gewenste **type** en de **taal**.
   Momenteel hebben de velden **Type** en **Taal** slechts één optie en kunnen ze niet worden gewijzigd.
3. **Selecteer** een CSV-bestand dat **Trainingsgegevens** bevat.
   Het CSV-bestand met geen punt bevatten in de kolom **Service**.
4. **Selecteer** optioneel een CSV-bestand dat **stopwoorden** bevat.
5. **Sla** uw wijzigingen op. U kunt ook onmiddellijk starten met het trainen van uw model door **Opslaan en trainen** te selecteren.
   Het deelvenster **Model toevoegen** sluit.

U kunt nu op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} klikken om uw volgende stap te selecteren.
:::

:::ExpandableHeading
## Een machine learning-model bewerken

Afhankelijk van de status van het model, zal de optie Bewerken mogelijk niet beschikbaar zijn.

1. Klik op de naam van een model in de tabel Machine Learning-modellen of klik op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} en selecteer **Bewerken**.
   Het bewerkingsdeelvenster voor het model opent.
2. Op het tabblad **Modelgegevens** van het deelvenster vindt u informatie over de configuratie van het model Indien nodig kunt u deze gegevens bewerken.
3. **Sla** uw wijzigingen op. U kunt ook onmiddellijk starten met het trainen van uw model door **Opslaan en trainen** te selecteren.
   Het deelvenster sluit.
:::

::::ExpandableHeading
## Een machine learning-model trainen

Afhankelijk van de status van het model, zal de optie Opleiden mogelijk niet beschikbaar zijn.

1. Selecteer **Opslaan en trainen** in het bewerkingspaneel van het model, of klik vanaf de modellijstweergave op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} en selecteer **Trainen**.
2. Machine Learning Labs laadt de trainingsgegevens en stopwoorden die u hebt opgegeven en start de training.

Nadat een model is opgeleid, kunt u de nauwkeurigheid vinden op het tabblad **Details** van het model (klik op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} en selecteer **Weergeven**).
Nauwkeurigheid wordt uitgedrukt in twee cijfers:

- **Trainingsnauwkeurigheid**: het percentage van correcte classificaties dat werd bereikt tijdens de training.
- **Testnauwkeurigheid**: het percentage van correcte afleidingen op monsters van de trainingsgegevens, die niet werden gebruikt in training.



Deze percentages kunnen u helpen beslissen wat het beste model is voor uw omgeving.
U kunt meerdere getrainde modellen hebben in uw Machine Learning Lab.

Als Machine Learning Lab een probleem aantreft wanneer het probeert het model aan te leren, verandert de status naar **Training mislukt**. Als dit zich voordoet, klikt u op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"}, selecteert u **Weergeven** en gaat u naar het tabblad **Details** van het model voor meer informatie.

:::hint{type="info"}
Wanneer een nieuwe klasse wordt toegevoegd of een bestaande klasse wordt afgeschaft in uw Neurons voor ITSM-omgeving, moet u een nieuw model trainen met een bijgewerkte set trainingsgegevens. Zie ook [Wanneer een nieuw model trainen](docId:9jLWh_HqNimEDfUtHuCTY).
:::
::::

::::ExpandableHeading
## Een machine learning-model implementeren

Een model implementeren betekent dat het model start met de verwerking van gegevens van nieuw gemaakte incidenten.
Het model zelf blijft in het Machine Learning Lab.
Om een model te implementeren in uw Neurons voor ITSM-omgeving, klikt u op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} en selecteert u **Implementeren**. U kunt alleen modellen met de status **Getraind** implementeren.

Als er al een ander model is geïmplementeerd wanneer u een model implementeert, wordt de status van het vroegere model opnieuw ingesteld naar **Getraind**. Het nieuwe model wordt dan geïmplementeerd. Tijdens dit proces worden nieuwe gemaakt incidenten niet geclassificeerd.
Nadat de implementatie is voltooid, zal de classificatie (her)beginnen voor incidenten die vanaf dat ogenblik worden gemaakt.

Nadat een model is geïmplementeerd, kunt u de volgende informatie vinden op het tabblad **Details** van het model (klik op en selecteer **Weergeven**):

- **Aantal API-oproepen**: het aantal keer dat het model werd opgeroepen om de klasse te voorspellen voor een incident sinds de implementatie.
- **Gemiddelde topklasse waarschijnlijkheid**: wanneer het model wordt opgeroepen om de klasse van een incident te voorspellen, wordt de klasse met de hoogste waarschijnlijkheid volgens het model voorgesteld aan Neurons voor ITSM.
  Deze waarde toont de gemiddelde waarschijnlijkheid van de voorgesteld topklassen voor incidenten sinds het model werd geïmplementeerd.



Momenteel is de enige manier om de implementatie van een model ongedaan te maken, het model verwijderen.

Als Machine Learning Lab een probleem aantreft wanneer het probeert het model te implementeren, verandert de status naar **Implementatie mislukt**. Als dit zich voordoet, klikt u op :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"}, selecteert u **Weergeven** en gaat u naar het tabblad **Details** van het model voor meer informatie.

:::hint{type="info"}
Wanneer een nieuwe klasse wordt toegevoegd of een bestaande klasse wordt afgeschaft in uw Neurons voor ITSM-omgeving, moet u een nieuw model trainen met een bijgewerkte set trainingsgegevens. Zie ook [Wanneer een nieuw model trainen](docId:9jLWh_HqNimEDfUtHuCTY).
:::
::::

:::ExpandableHeading
## Een machine learning-model verwijderen

Klik vanaf de modellijstweergave :inlineImage[]{src="https://api.archbee.com/api/optimize/9rfvxhrv8FA-8bxcK2IRv/-IFFPzslgqV3BBA2op3PC_real-time-icon-dots.png" alt="verticaal beletselteken" caption size="10" width="11" height="19"} op de lijn van het model dat u wilt verwijderen en selecteer dan **Verwijderen**.
Als het model werd geïmplementeerd, worden nieuw gemaakte incidenten niet langer geclassificeerd.
:::
