Começando a usar a Classificação de Tickets
O Machine Learning Lab do Ivanti Neurons oferece um ambiente para criar, treinar e implantar modelos de aprendizado de máquina. Esta seção orienta no processo de preparar e configurar os modelos de Classificação de Tickets para o Neurons for ITSM.
O que a Classificação de Tickets faz?
Quando um incidente é criado no Neurons for ITSM, um modelo de aprendizado de máquina o classifica automaticamente, em tempo real, no Serviço, Categoria ou Subcategoria corretos, com base no conteúdo do campo Assunto. Você pode treinar e implantar seu próprio modelo acessando o Machine Learning Lab na Plataforma Neurons e carregando os dados de treinamento. A Classificação de Tickets:
- é compatível com as versões cloud e on-premise do Neurons for ITSM;
- está disponível para clientes que possuam Neurons for ITSM e Neurons for Healing.
A Classificação de Tickets requer que a sua instância do Neurons for ITSM tenha versão 2021.3 ou superior.
Configurando a Classificação de Tickets
O processo de configuração consiste nas seguintes etapas:
1. Conecte as instâncias do Neurons for ITSM e a Plataforma Ivanti Neurons
Para conectar suas instâncias do Neurons for ITSM e a Plataforma Neurons, abra uma Solicitação de Serviço com a equipe de Cloud Ops Ivanti (Suporte). Eles aplicarão a configuração necessária ao Neurons for ITSM.
Se você utiliza o Neurons for Healing e tem o Neurons for ITSM, mas não vê o item Software > Machine Learning Lab na Plataforma Neurons, contate o Suporte Ivanti.
2. Exporte dados para treinar seu modelo de aprendizado de máquina
Embora o Machine Learning Lab do Neurons elimine grande parte da dificuldade de criar modelos de aprendizado de máquina, o resultado também depende da qualidade inerente ao conjunto de dados fornecido por você. Esse conjunto de dados será usado para treinar o modelo. Os dados de treinamento nada mais são do que um conjunto verificado de incidentes criados anteriormente, junto com suas classificações. Para obter os melhores resultados, o conjunto de dados deve abranger todas as classes possíveis, ou seja, as combinações de Serviço, Categoria e Subcategoria disponíveis no seu ambiente Neurons for ITSM. Se o seu ambiente Neurons for ITSM (também) usa Serviço Real, Categoria Real e Subcategoria Real e esses dados são mais precisos, considere usar os campos reais.
Para exportar incidentes para o seu conjunto de dados de treinamento:
- Abra o espaço de trabalho Incidente no Neurons for ITSM
- Crie uma consulta que retorne os dados de incidente a serem preparados para treinar seu modelo de aprendizado de máquina.
- Acesse Mais > Ações de formulário > Exportar.
Requisitos do conjunto de dados de treinamento
- O arquivo deve estar no formato CSV, usando vírgulas como separadores.
- O arquivo deve conter:
- uma coluna chamada Assunto.
- pelo menos uma das colunas Serviço, Categoria ou Subcategoria, dependendo de sua configuração e uso.
Depois de exportar os dados do Neurons for ITSM, você pode começar a preparar o conjunto de dados para o treinamento. Se decidiu usar dados de Serviço Real, Categoria Real e Subcategoria Real, essas colunas devem ser renomeadas para Serviço, Categoria e Subcategoria, respectivamente.
A Ivanti recomenda excluir todas as outras colunas do arquivo CSV exportado.
3. Limpeza dos dados de treinamento
Certifique-se de contemplar todos os pontos descritos nesta etapa, pois eles podem ter um grande impacto na precisão do modelo. Para ajudar a manter a visão geral, considere classificar seus dados em Serviço, Categoria e Subcategoria. Na prática, isso cria uma lista classificada por classe.
A limpeza dos dados de treinamento compreende as seguintes ações:
- Remover informações de identificação pessoal. Isso evita possíveis problemas de privacidade e (igualmente importante aqui) também evita que esse tipo de dado afete o modelo. Exemplo: se os dados de treinamento contiverem uma linha de assunto com um número de telefone, o modelo resultante poderá interpretar esse número como indicativo uma classe específica.
- Remover ou rotular novamente classes obsoletas. Todas as classes nos dados de treinamento devem estar disponíveis no Neurons for ITSM. Se o modelo propuser uma classe que não está disponível, o usuário verá uma mensagem de erro, e o incidente talvez não seja salvo. Se os seus dados de treinamento contêm amostras de classes que foram descontinuadas, você pode:
- renomear a amostra usando a classe disponível correta (se disponível).
- excluir a amostra. Certifique-se de haver nos dados de treinamento amostras suficientes, tanto por classe como no total. Consulte Para melhorar a precisão do modelo treinado (abaixo)
- Corrija ou remova exemplos com classificações muito genéricas. Classes contendo valores como "Outros" ou "Sem categoria" podem ser muito genéricas. Corrija tais exemplos para classes mais específicas sempre que possível e se o Assunto contiver informações que sejam úteis para prever a classe.
- Remova os exemplos em que o assunto contenha muito pouca ou nenhuma informação útil. Amostras com, por exemplo. o assunto "Solicitação urgente!" ou "Preciso de ajuda imediata" não contêm nenhuma informação que seja útil para treinar o modelo.
- Corrija as classificações incorretas. Se um incidente com o assunto "Meu teclado perdeu todas as teclas" tem a classe "Rede", corrija-a para, por exemplo, "Periféricos"
- Remova ou divida os exemplos em que o assunto contenha informações sobre vários problemas em classes diferentes. Às vezes, os usuários combinam problemas completamente distintos no mesmo incidente, por exemplo, "Meu teclado não está funcionando e preciso de uma VM". Remova esse exemplo ou divida-o em dois incidentes separados, cada um com a classe correta atribuída.
- Verifique a consistência de dados de treinamento e melhore-a sempre que possível. Incidentes com campos de assunto quase idênticos (com o mesmo significado) devem receber a mesma classificação.
- Certifique-se de que todas as classes possíveis estejam representadas com exemplos suficientes. O Machine Learning Lab precisa de exemplos suficientes para gerar um modelo preciso. Se os dados de treinamento contiverem um grande número de classes com apenas alguns exemplos, será preciso aumentar a quantidade de dados. Como alternativa, considere mesclar e/ou remover algumas das classes.
- Reduza o número de exemplos nas classes que estiverem representadas com quantidade acima da média. As chamadas "classes dominantes" afetam a precisão, pois o modelo pode ficar mais propenso a seleciona uma delas.
Para melhorar a precisão do modelo treinado
Certifique-se de que os dados de treinamento:
- contenham apenas classificações válidas;
- sejam consistentes;
- contenham quantidades (aproximadamente) equivalentes em cada classe, independentemente da frequência com que cada classe for realmente usada;
- contenham no mínimo 50 amostras por classe. Mas, contanto que as amostras atendam aos três critérios anteriores e os dados tenham sido devidamente limpos, em geral, quanto mais, melhor.
Seus dados e classes é que vão determinar se a quantidade mínima será suficiente para criar um modelo preciso.
4. Prepare um arquivo de palavras irrelevantes (opcional)
Para melhorar o desempenho do modelo, você pode opcionalmente fornecer um arquivo de palavras irrelevantes. Esse arquivo contém palavras que o modelo deve ignorar. Um conjunto padrão de palavras irrelevantes da NLTK é aplicado automaticamente.
Requisitos do arquivo de palavras irrelevantes
- O arquivo deve estar em formato CSV ou TXT.
- O arquivo deve conter apenas uma palavra irrelevante por linha.
5. Crie e treine seu modelo de aprendizado de máquina
Depois de preparar os dados, você pode começar a criar e treinar o modelo.
- Adicione um novo modelo.
- Carregue o arquivo de dados de treinamento e (opcionalmente) o arquivo de palavras irrelevantes.
- Salve as alterações.
- Treine o modelo.
O Machine Learning Lab inicia o processo de treinamento.
Após o término do treinamento, a guia Detalhes do modelo mostrará a precisão dele. Com base nessa precisão, você pode decidir se vai implantar o modelo. Para melhorar a precisão, atualize os dados de treinamento e/ou as palavras irrelevantes.
6. Implante o modelo de aprendizado de máquina treinado
Quando tiver um modelo treinado, você poderá implantá-lo no seu ambiente. Uma vez implantado, o modelo começará a classificar incidentes no seu ambiente Neurons for ITSM.
7. Habilite a Classificação de Tickets no Neurons for ITSM
No Neurons for ITSM, habilite a Classificação de Tickets. Para informações sobre como fazer isso, consulte Configurando a Classificação de Tickets no guia de configuração do Neurons for ITSM.
Quando treinar um novo modelo
Você pode decidir treinar um novo modelo para aumentar a precisão dele, caso tenha, por exemplo, continuado a limpar o conjunto de dados de treinamento. Mas há situações em que treinar um novo modelo pode ser necessário e até urgente:
- Quando as classes estiverem obsoletas Se o modelo propuser uma classe que não está mais disponível, o usuário verá uma mensagem de erro Neurons for ITSM, e incidente poderá não ser salvo.
- Quando o uso pretendido da classe mudar Exemplos:
- Uma classe usada antes para telefones fixos agora é usada para dispositivos móveis.
- Seu ambiente teve um programa substituído ou recebeu um novo programa.
- Um novo tipo de produto (por exemplo, tablets ou smartwatches) para o qual é possível criar incidentes é introduzido no mercado.
Sem um novo modelo treinado com dados que contenham exemplos de incidentes referentes a essas mudanças, a precisão pode diminuir.
- Quando novas classes são introduzidas Um modelo pode propor apenas as classes com as quais é treinado. Se você não criar um novo modelo com base em dados de treinamento que contenham as novas classes, o modelo nunca vai propor as novas classes.
