---
title: Começando a usar a Classificação de Tickets
slug: help/neurons/pt_br/comecando-a-usar-a-classificacao-de-tickets
createdAt: 2026-09-08T07:53:20.466Z
---

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.

:::hint{type="info"}
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.

:::hint{type="info"}
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:

1. Abra o espaço de trabalho **Incidente** no Neurons for ITSM
2. Crie uma consulta que retorne os dados de incidente a serem preparados para treinar seu modelo de aprendizado de máquina.
3. 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.

:::hint{type="info"}
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](https://docs.ivanti.com/help/neurons/pt_br/comecando-a-usar-a-classificacao-de-tickets#Accuracy) (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.
  :::ExpandableHeading
  ## Exemplo

  Considere os seguintes assuntos:

  - "`Minha câmera não funciona quando faço videochamadas`"
  - "`Eu estava em uma videochamada quando a webcam ficou em branco`"

  As classes "`Videochamada`" e "`Webcam`" podem estar corretas, mas é importante que ambos os incidentes sejam atribuídos à mesma classe em seus dados de treinamento.
  :::
- **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.
  :::ExpandableHeading
  ## Exemplo

  Se o seu ambiente usa 10 serviços e cada serviço tem 5 categorias, existem 10 x 5 = 50 classes.
  O conjunto de dados de treinamento deve, portanto, ter **pelo menos** 50 classes x 50 exemplos = 2500 exemplos no total.
  :::

:::hint{type="info"}
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](https://www.nltk.org/) 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.

1. **Adicione** um novo modelo.
2. Carregue o arquivo de dados de treinamento e (opcionalmente) o arquivo de palavras irrelevantes.
3. **Salve** as alterações.
4. **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](https://help.ivanti.com/ht/help/en_US/ISM/2024/admin-user/index.html#cshid=1056) 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.
  :::ExpandableHeading
  ## Como evitar este erro

  1. Atualize os dados de treinamento para eliminar deles os exemplos que usem a classe obsoleta.
     Atribua outra classe aos exemplos ou remova os exemplos completamente.
  2. Use os dados de treinamento para treinar um novo modelo.
  3. Implante o novo modelo.
  4. Marque a classe como obsoleta no Neurons for ITSM.
  :::
- **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.
