---
title: 開始使用票證分類
slug: neurons/help/zh_tw/EFlpv8FirBEmfN87CeUkK
createdAt: 2026-09-07T08:18:42.172Z
---

Ivanti Neurons Machine Learning Lab 提供一個環境，讓您能夠建立、訓練及部署機器學習模型。 本節會引導您認識準備和設定 Neurons for ITSM 所需「票證分類」模型的流程。

## 票證分類有哪些功能？

只要在 Neurons for ITSM 中建立一個事件，機器學習模型會立即依據「主旨」欄位的內容，自動將該事件歸類到正確的「服務」、「類別」及「子類別」。 您只要進入 Neurons 平台上的 Machine Learning Lab 並上傳訓練資料，即可訓練及部署自己的模型。
票證分類:

- 與 Neurons for ITSM 雲端版和內部部署版本均相容；
- 適用於同時有 Neurons for ITSM 和 Neurons for Healing 的客戶。

:::hint{type="info"}
要使用「票證分類」，您所執行的 Neurons for ITSM 必須是 2021.3 版或更新版本。
:::

## 設定票證分類

設定流程包含以下步驟:

### 1. 將您的 Neurons for ITSM 與 Ivanti Neurons 平台連線

要將您的 Neurons for ITSM 執行個體和 Neurons 平台連線，請向 Ivanti Cloud 營運團隊 (支援) 提出服務申請。 團隊人員會將必要設定套用於 Neurons for ITSM。

:::hint{type="info"}
若您有 Neurons for Healing 和 Neurons for ITSM，但在 Neurons 平台中並未看見**軟體 > Machine Learning Lab** 這個項目，請聯絡 Ivanti 支援。
:::

### 2. 匯出資料，用於訓練您的機器學習模型

即使 Neurons Machine Learning Lab 已經大幅簡化了建立機器學習模型的步驟，結果仍然取決於您所提供之訓練資料集的品質。 此資料集將用於訓練模型。 訓練資料只不過是一組過去建立且通過驗證的事件集，以及這些事件的分類。
為達到最佳結果，資料集必須涵蓋每個可能的類別，亦即， Neurons for ITSM 環境中可用之**服務**、**類別**和**子類別**的組合。
若您的 Neurons for ITSM 環境 (還) 使用**實際服務**、**實際類別**以及**實際子類別**，且這項資料的準確度較高，建議您考慮改用這些**實際**欄位。

匯出訓練資料集的事件:

1. 開啟 Neurons for ITSM 中的**事件**工作區
2. 建立一個查詢，這個查詢會傳回您想為訓練機器學習模型而準備的事件資料。
3. 進入**更多 > 表單動作 > 匯出**。

### 訓練資料集需求

- 檔案格式必須是 CSV，並且使用逗號分隔符號。
- 檔案必須包含:
  - 名為**主旨**的欄。
  - 至少包含**服務**、**類別**或**子類別**中的一欄，具體取決於您的設定和使用方式。

自 Neurons for ITSM 匯出資料後，您可以開始準備訓練需要的資料集。
若您選擇使用**實際服務**、**實際類別**和**實際子類別**中的資料，必須將這幾欄的名稱分別重新命名為**服務**、**類別**以及**子類別**。

:::hint{type="info"}
Ivanti 建議您刪除 CSV 匯出檔中的所有其他欄。
:::

### 3. 清理訓練資料

請務必確實處理這個步驟中的每一點，因為這個步驟大幅影響模型的準確度。
為保留概觀畫面，您可以按「服務」、「類別」和「子類別」排序資料。 這樣能夠充分建立一份按分類排序的清單。

清理訓練資料的步驟包含以下動作:

- **移除個人識別資訊。**
  這是為了防止潛在的資料隱私問題，而且也能避免這樣的資料排序方式影響模型 (這一點也一樣重要)。
  範例: 若訓練資料包含主旨行和電話號碼，最後產生的模型可能會將電話號碼判讀為特定分類的訊號。
- **移除或重新標示已經淘汰的分類。**
  Neurons for ITSM 中必須要有訓練資料中的所有分類。 若模型建議了一個無法使用的分類，就會對使用者顯示錯誤，而且可能無法保存事件。
  若您的訓練資料包含已經淘汰的分類範本，您可以:
  - 將範本重新標示為正確且可以使用的分類 (如果有這樣的分類)。
  - 刪除範本。
    不論是按照分類或是總數，您的訓練資料一定要包含足夠的範本。
    請見 (下方的) [讓訓練好的模型達到最大的準確度](https://docs.ivanti.com/neurons/help/zh_tw/EFlpv8FirBEmfN87CeUkK#Accuracy)
- **修正或移除分類過於籠統的範例。**
  分類若含「`其他`」或「`未分類`」，可能太過籠統。
  盡可能將這些範例的分類修正得更具體，且「主旨」包含有助於預測分類的資訊。
- **移除主旨幾乎或完全不包含實用資訊的範例。**
  範本若包含 「`緊急要求！`」或「`盡快幫幫我`」之類的主旨，不會含有任何對訓練模型有幫助的資訊。
- **修正任何不正確的分類。**
  事件主旨若是「`鍵盤的按鍵全都脫落了`」，但包含「`網路`」分類，請修正分類，例如修正為「`週邊裝置`」
- **範例主旨所含資訊若攸關多個分屬不同分類的問題，請移除或分割範例。**
  使用者有時候可能會將幾個完全不相關的問題合併成一個事件，例如「`我的鍵盤不能用，而且我需要 VM`」。
  請移除這個範例，或將這個範例分割成兩個不同的事件，並分別替兩個事件指派正確的分類。
- **檢查並盡可能加強訓練資料的一致性。**
  事件「主旨」欄位 (的意義) 若幾乎完全相同，分類就該相同。
  :::ExpandableHeading
  ## 範例

  請思考以下幾個主旨:

  - 「`我要撥視訊通話時，相機發生故障`」
  - 「`我正在視訊通話中，網路攝影機突然一片空白`」

  「`視訊通話`」和「`網路攝影機`」兩個分類都能成立，但請務必在訓練資料中為兩個事件指派同一個分類。
  :::
- **所有可能的分類一定都要有足夠的範例。**
  Machine Learning Lab 需要足夠的範例才能建立準確的模型。
  若您的訓練資料包含許多只有少數範例的分類，您必須增加訓練資料量。
  或者，您可以考慮合併和/或移除其中一部分的分類。
- **分類被表示的數量若大於平均數字，可以減少範例數。**
  這類「主要分類」會影響準確度，因為模型選取主要分類的可能性會提高。

### 讓訓練好的模型達到最大的準確度

請確認訓練資料符合以下敘述:

- 只含確定正確無誤的分類；
- 保持一致；
- 其中所含每個分類的數量 (約略) 相等，不考量每個分類實際使用頻率；
- 每個分類**最少**包含 50 個範本。 不過，只要範本符合前三項條件，且已經確實清理資料，一般而言，數量越多越好。
  :::ExpandableHeading
  ## 範例

  若您的環境使用 10 項服務，且每項服務各含 5 個類別，就有 10 x 5 = 50 個分類。
  因此，訓練資料集應該**至少**要有 50 個類別 x 50 個範例 = 總計 2500 個範例。
  :::

:::hint{type="info"}
最小數量是否足以建立準確的模型，取決於您的資料和分類。
:::

### 4. 準備一個無用詞檔案 (可有可無)

如欲提升模型的效能，您可以自由選擇是否要提供無用詞檔案。 這個檔案包含模型必須忽略的字詞。
通常會自動套用一組源自 [NLTK](https://www.nltk.org/) 的預設無用詞。

### 無用詞檔案需求

- 檔案格式必須是 CSV 或 TXT。
- 檔案中的每一行只能包含一個無用詞。

### 5. 建立並訓練您的機器學習模型

備妥資料後，您就可以開始建立及訓練模型。

1. **新增**模型。
2. 上傳訓練資料檔案和無用詞檔案 (可有可無)。
3. **保存**您的變更。
4. **訓練**您的模型。

Machine Learning Lab 會開始進入訓練流程。

訓練結束後，模型的**詳細資料**索引標籤會顯示其準確度。 您可以根據這個準確度決定部署模型。
要提升準確度，請更新訓練資料和/或無用詞。

### 6. 部署您訓練好的機器學習模型

訓練好模型後，您可以將模型部署至環境中。
部署完畢後，模型會開始分類 Neurons for ITSM 環境中的事件。

### 7. 啟用 Neurons for ITSM 中的票證分類

在 Neurons for ITSM 中啟用「票證分類」。
如需關於執行此動作的資訊，請參閱 Neurons for ITSM 設定指南中的[設定票證分類](https://help.ivanti.com/ht/help/en_US/ISM/2024/admin-user/index.html#cshid=1056)。

## 訓練新模型的時機

您可以選擇訓練新的模型，以利提高模型準確度，比方說，在您已經連續清理訓練資料集之後，就可以這麼做。
不過，有些情況下您可能有必要訓練新模型，甚至可能事態緊急:

- **分類已經被淘汰時**
  若模型建議了一個不能再使用的分類，Neurons for ITSM 就會對使用者顯示錯誤，而且可能無法保存事件。
  :::ExpandableHeading
  ## 如何預防發生這項錯誤

  1. 更新訓練模型，讓模型中的範例不再使用已經淘汰的分類。
     為這些範例指派其他類型，或將這些範例徹底移除。
  2. 使用訓練資料訓練一個新模型。
  3. 部署新模型。
  4. 在 Neurons for ITSM 中淘汰該分類。
  :::
- **分類的預定用途變更時**
  範例:
  - 某個分類原本用於室內電話，現在改用於行動裝置。
  - 環境中的某個程式已經被汰換，或者引進了新的程式。
  - 某一類新產品 (例如平板電腦或智慧型手表) 上市了，可能會因此建立事件。

若沒有使用同樣包含能反映這些變化之事件範例的資料訓練過新模型，準確度可能會下降。

- **加入新分類時**
  模型只能建議模型接受訓練時曾經使用過的分類。 若您並未根據包含新分類的訓練資料建立新模型，模型永遠不會建議新分類。
