จำแนกประเภทคำขอบริการ IT โดยอัตโนมัติด้วยตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend

องค์กรมักจะจัดการกับคำขอบริการด้านไอทีจำนวนมาก ตามเนื้อผ้า ผู้ขอจะมีภาระในการเลือกหมวดหมู่ที่ถูกต้องสำหรับทุกประเด็น ข้อผิดพลาดโดยเจ้าหน้าที่หรือการจัดประเภทตั๋วผิดมักจะหมายถึงความล่าช้าในการแก้ไขคำขอบริการไอที ซึ่งอาจส่งผลให้ผลผลิตลดลง ความพึงพอใจของลูกค้าลดลง ผลกระทบต่อข้อตกลงระดับการบริการ (SLA) และผลกระทบด้านการปฏิบัติงานในวงกว้าง เมื่อองค์กรของคุณเติบโตขึ้น ปัญหาในการรับคำขอบริการที่ถูกต้องไปยังทีมที่เหมาะสมก็ยิ่งมีความสำคัญมากขึ้นไปอีก การใช้แนวทางตามแมชชีนเลิร์นนิง (ML) และปัญญาประดิษฐ์สามารถช่วยตอบสนองความต้องการที่เปลี่ยนแปลงตลอดเวลาขององค์กรของคุณได้

ML ภายใต้การดูแลคือกระบวนการที่ใช้ชุดข้อมูลและเอาต์พุตที่มีป้ายกำกับเพื่อฝึกอัลกอริทึมการเรียนรู้เกี่ยวกับวิธีจัดประเภทข้อมูลหรือคาดการณ์ผลลัพธ์ เข้าใจ Amazon เป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้ ML เพื่อเปิดเผยข้อมูลเชิงลึกและการเชื่อมต่ออันมีค่าในข้อความ มี API ที่ขับเคลื่อนโดย ML เพื่อแยกวลีสำคัญ เอนทิตี การวิเคราะห์ความคิดเห็น และอื่นๆ

ในโพสต์นี้ เราจะแสดงให้คุณเห็นถึงวิธีการใช้โมเดล ML ภายใต้การดูแล ซึ่งสามารถช่วยจำแนกคำขอบริการด้านไอทีได้โดยอัตโนมัติโดยใช้ Amazon Comprehen การจัดหมวดหมู่แบบกำหนดเอง. การจัดประเภทแบบกำหนดเองของ Amazon Comprehend ช่วยให้คุณปรับแต่ง Amazon Comprehend สำหรับความต้องการเฉพาะของคุณโดยไม่ต้องใช้ชุดทักษะที่จำเป็นในการสร้างโซลูชัน NLP แบบ ML ด้วย ML อัตโนมัติหรือ AutoML การจัดประเภทแบบกำหนดเองของ Amazon Comprehend จะสร้างโมเดล NLP ที่กำหนดเองในนามของคุณ โดยใช้ข้อมูลการฝึกอบรมที่คุณให้ไว้

ภาพรวมของโซลูชัน

เพื่อแสดงการจำแนกประเภทคำขอบริการ IT โซลูชันนี้ใช้ ชุดข้อมูล SEOSS. ชุดข้อมูลนี้เป็นชุดข้อมูลที่ดึงมาอย่างเป็นระบบซึ่งประกอบด้วยโครงการซอฟต์แวร์โอเพนซอร์ซ 33 โครงการที่มีสิ่งประดิษฐ์ที่พิมพ์จำนวนมากและลิงก์ติดตามระหว่างกัน โซลูชันนี้ใช้ข้อมูลปัญหาจากโครงการโอเพนซอร์ส ข้อมูลสรุป และคำอธิบาย 33 รายการตามที่รายงานโดยผู้ใช้ปลายทางเพื่อสร้างโมเดลตัวแยกประเภทแบบกำหนดเองโดยใช้ Amazon Comprehend

โพสต์นี้สาธิตวิธีการปรับใช้และปรับใช้โซลูชันโดยใช้ ชุดพัฒนา AWS Cloud (AWS CDK) ในที่โดดเดี่ยว คลาวด์ส่วนตัวเสมือนของ Amazon (Amazon VPC) สภาพแวดล้อมที่ประกอบด้วยซับเน็ตส่วนตัวเท่านั้น เรายังใช้โค้ดเพื่อสาธิตวิธีใช้ AWS CDK กรอบงานผู้ให้บริการ, กรอบงานขนาดเล็กสำหรับการดำเนินการของผู้ให้บริการสำหรับ การก่อตัวของ AWS Cloud ทรัพยากรที่กำหนดเองเพื่อสร้าง อัปเดต หรือลบทรัพยากรที่กำหนดเอง เช่น จุดปลาย Amazon Comprehend ตำแหน่งข้อมูล Amazon Comprehend มีทรัพยากรที่มีการจัดการซึ่งทำให้โมเดลที่กำหนดเองของคุณพร้อมใช้งานสำหรับการอนุมานแบบเรียลไทม์ไปยังเครื่องไคลเอ็นต์หรือแอปพลิเคชันของบุคคลที่สาม ดิ รหัสสำหรับโซลูชันนี้ สามารถใช้ได้บน Github

คุณใช้ AWS CDK เพื่อปรับใช้โครงสร้างพื้นฐาน โค้ดแอปพลิเคชัน และการกำหนดค่าสำหรับโซลูชัน คุณต้องมีบัญชี AWS และความสามารถในการสร้างทรัพยากร AWS คุณใช้ AWS CDK เพื่อสร้างทรัพยากร AWS เช่น VPC ที่มีซับเน็ตส่วนตัว ตำแหน่งข้อมูล Amazon VPC, ระบบไฟล์ Amazon Elastic (Amazon EFS), และ บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) หัวข้อและ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง การแจ้งเตือนเหตุการณ์ Amazon S3และ AWS แลมบ์ดา ฟังก์ชั่น. โดยรวมแล้ว ทรัพยากร AWS เหล่านี้ประกอบขึ้นเป็นกองการฝึกอบรม ซึ่งคุณใช้เพื่อสร้างและฝึกอบรมโมเดลตัวแยกประเภทที่กำหนดเอง

หลังจากที่คุณสร้างทรัพยากร AWS เหล่านี้ คุณจะดาวน์โหลดชุดข้อมูล SEOSS และอัปโหลดชุดข้อมูลไปยังบัคเก็ต S3 ที่สร้างโดยโซลูชัน หากคุณกำลังปรับใช้โซลูชันนี้ในภูมิภาค AWS us-east-2 รูปแบบของชื่อบัคเก็ต S3 คือ comprehendcustom--us-east-2-s3stack. โซลูชันใช้ทริกเกอร์การอัปโหลดแบบหลายส่วนของ Amazon S3 เพื่อเรียกใช้ฟังก์ชัน Lambda ที่เริ่มการประมวลผลล่วงหน้าของข้อมูลที่ป้อนเข้า และใช้ข้อมูลที่ประมวลผลล่วงหน้าเพื่อฝึกตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend เพื่อสร้างแบบจำลองตัวแยกประเภทแบบกำหนดเอง จากนั้นคุณใช้ชื่อทรัพยากร Amazon (ARN) ของโมเดลตัวแยกประเภทที่กำหนดเองเพื่อสร้างสแต็กการอนุมาน ซึ่งสร้างตำแหน่งข้อมูล Amazon Comprehend โดยใช้ AWS CDK กรอบงานผู้ให้บริการซึ่งคุณสามารถใช้สำหรับการอนุมานจากแอปพลิเคชันบุคคลที่สามหรือเครื่องไคลเอนต์

ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมของสแต็กการฝึกอบรม

ขั้นตอนเวิร์กโฟลว์มีดังนี้:

1. อัปโหลดชุดข้อมูล SEOSS ไปยังบัคเก็ต S3 ที่สร้างขึ้นโดยเป็นส่วนหนึ่งของกระบวนการปรับใช้สแต็คการฝึกอบรม สิ่งนี้สร้างทริกเกอร์เหตุการณ์ที่เรียกใช้ etl_lambda ฟังก์ชัน
2. พื้นที่ etl_lambda ฟังก์ชั่นดาวน์โหลดชุดข้อมูลดิบจาก Amazon S3 ไปยัง Amazon EFS
3. พื้นที่ etl_lambda ฟังก์ชั่นดำเนินการงานก่อนการประมวลผลข้อมูลของชุดข้อมูล SEOSS
4. เมื่อการทำงานของฟังก์ชันเสร็จสิ้น มันจะอัปโหลดข้อมูลที่แปลงด้วย prepped_data คำนำหน้าไปยังที่ฝากข้อมูล S3
5. หลังจากการอัปโหลดข้อมูลที่แปลงเสร็จแล้ว ข้อความการเสร็จสิ้น ETL ที่สำเร็จจะถูกส่งไปยัง Amazon SNS
6. ใน Amazon Comprehend คุณสามารถจัดประเภทเอกสารของคุณโดยใช้สองโหมด: หลายคลาสหรือหลายป้ายกำกับ โหมดหลายคลาสระบุหนึ่งคลาสและเพียงหนึ่งคลาสสำหรับแต่ละเอกสาร และโหมดหลายป้ายกำกับระบุหนึ่งป้ายกำกับหรือมากกว่าสำหรับแต่ละเอกสาร เนื่องจากเราต้องการระบุคลาสเดียวสำหรับแต่ละเอกสาร เราจึงฝึกโมเดลตัวแยกประเภทแบบกำหนดเองในโหมดหลายคลาส Amazon SNS ทริกเกอร์ train_classifier_lambda ซึ่งเริ่มต้นการฝึกอบรมตัวแยกประเภท Amazon Comprehend ในโหมดหลายคลาส
7. พื้นที่ train_classifier_lambda ฟังก์ชันเริ่มต้นการฝึกอบรมตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend
8. Amazon Comprehend ดาวน์โหลดข้อมูลที่แปลงแล้วจาก prepped_data คำนำหน้าใน Amazon S3 เพื่อฝึกโมเดลตัวแยกประเภทที่กำหนดเอง
9. เมื่อการฝึกโมเดลเสร็จสิ้น Amazon Comprehend จะอัปโหลดไฟล์ model.tar.gz ไฟล์ไปที่ output_data คำนำหน้าของที่ฝากข้อมูล S3 เวลาเสร็จสิ้นโดยเฉลี่ยในการฝึกโมเดลตัวแยกประเภทแบบกำหนดเองนี้คือประมาณ 10 ชั่วโมง
10. ทริกเกอร์การอัปโหลด Amazon S3 เรียกใช้ extract_comprehend_model_name_lambda ฟังก์ชันซึ่งดึงข้อมูลโมเดลตัวแยกประเภทที่กำหนดเอง ARN
11. ฟังก์ชันจะแยก ARN ตัวแยกประเภทแบบกำหนดเองออกจากเพย์โหลดเหตุการณ์ S3 และการตอบสนองของ list-document-classifiers โทร.
12. ฟังก์ชันนี้จะส่งแบบจำลองตัวแยกประเภทที่กำหนดเอง ARN ไปยังที่อยู่อีเมลที่คุณสมัครไว้ก่อนหน้านี้โดยเป็นส่วนหนึ่งของกระบวนการสร้างสแต็คการฝึกอบรม จากนั้นคุณใช้ ARN นี้เพื่อปรับใช้สแต็กการอนุมาน

การปรับใช้นี้สร้างสแต็กการอนุมานดังแสดงในรูปต่อไปนี้ สแต็คการอนุมานให้คุณมี REST API ที่ปลอดภัยโดยan AWS Identity และการจัดการการเข้าถึง ผู้อนุญาต (IAM) ซึ่งคุณสามารถใช้เพื่อสร้างคะแนนความเชื่อมั่นของฉลากตามข้อความอินพุตที่มาจากแอปพลิเคชันบุคคลที่สามหรือเครื่องไคลเอนต์

เบื้องต้น

สำหรับการสาธิตนี้ คุณควรมีข้อกำหนดเบื้องต้นดังต่อไปนี้:

• An บัญชี AWS.
• Python 3.7 หรือใหม่กว่า, Node.jsและ ไป ในเครื่องพัฒนา AWS CDK ใช้ Node.js เวอร์ชันเฉพาะ (>=10.13.0 ยกเว้นเวอร์ชัน 13.0.0 – 13.6.0) ขอแนะนำให้ใช้เวอร์ชันในการสนับสนุนระยะยาว (LTS)
  ในการติดตั้ง Node.js เวอร์ชัน LTS ที่ใช้งานอยู่ คุณสามารถใช้สิ่งต่อไปนี้ ติดตั้งสคริปต์ for nvm และการใช้งาน nvm ไปยัง ติดตั้ง เวอร์ชัน Node.js LTS คุณยังสามารถติดตั้ง LTS Node.js ที่ใช้งานได้ในปัจจุบันผ่านตัวจัดการแพ็คเกจ ทั้งนี้ขึ้นอยู่กับระบบปฏิบัติการที่คุณเลือก

  สำหรับ macOS คุณสามารถติดตั้ง Node.js ผ่านตัวจัดการแพ็คเกจได้โดยใช้คำสั่งต่อไปนี้ คำแนะนำการใช้.

  สำหรับ Windows คุณสามารถติดตั้ง Node.js ผ่านตัวจัดการแพ็คเกจได้โดยใช้คำสั่งต่อไปนี้ คำแนะนำการใช้.

• AWS CDK v2 ได้รับการติดตั้งล่วงหน้าหากคุณใช้ an AWS Cloud9 ไอดี. หากคุณใช้ AWS Cloud9 IDE คุณสามารถข้ามขั้นตอนนี้ได้ หากคุณไม่ได้ติดตั้ง AWS CDK ในเครื่องสำหรับการพัฒนา ให้ติดตั้ง AWS CDK v2 ทั่วโลกโดยใช้คำสั่ง Node Package Manager npm install -g aws-cdk. ขั้นตอนนี้จำเป็นต้องติดตั้ง Node.js ในเครื่องที่กำลังพัฒนา
• กำหนดค่าข้อมูลประจำตัว AWS เพื่อเข้าถึงและสร้างทรัพยากร AWS โดยใช้ AWS CDK สำหรับคำแนะนำ โปรดดูที่ การระบุข้อมูลประจำตัวและภูมิภาค.
• ดาวน์โหลด ชุดข้อมูล SEOSS ซึ่งประกอบด้วยข้อกำหนด รายงานข้อบกพร่อง ประวัติโค้ด และลิงก์ติดตามของโครงการซอฟต์แวร์โอเพนซอร์ส 33 โครงการ บันทึกไฟล์ dataverse_files.zip บนเครื่องท้องถิ่นของคุณ

ปรับใช้กองการฝึกอบรม AWS CDK

สำหรับการปรับใช้ AWS CDK เราเริ่มต้นด้วยสแต็กการฝึกอบรม ทำตามขั้นตอนต่อไปนี้:

1. โคลนที่เก็บ GitHub:

$ git clone https://github.com/aws-samples/amazon-comprehend-custom-automate-classification-it-service-request.git

2. ไปที่ amazon-comprehend-custom-automate-classification-it-service-request โฟลเดอร์:

$ cd amazon-comprehend-custom-automate-classification-it-service-request/

คำสั่งต่อไปนี้ทั้งหมดถูกเรียกใช้ภายใน amazon-comprehend-custom-automate-classification-it-service-request ไดเรกทอรี

3. ในไดเร็กทอรี amazon-comprehend-custom-automate-classification-it-service-request ให้เริ่มต้นสภาพแวดล้อมเสมือนของ Python และติดตั้ง requirements.txt ด้วย pip:

$ python3 -m venv .venv
$ source .venv/bin/activate
$ pip install -r requirements.txt

4. หากคุณใช้ AWS CDK ในบัญชีและภูมิภาคของ AWS ที่ระบุเป็นครั้งแรก โปรดดูคำแนะนำสำหรับ บูตสแตรปสภาพแวดล้อม AWS CDK ของคุณ:

$ cdk bootstrap aws:///

5. สังเคราะห์เทมเพลต CloudFormation สำหรับโซลูชันนี้โดยใช้ cdk synth และการใช้งาน cdk deploy เพื่อสร้างทรัพยากร AWS ที่กล่าวถึงก่อนหน้านี้:

$ cdk synth
$ cdk deploy VPCStack EFSStack S3Stack SNSStack ExtractLoadTransformEndPointCreateStack --parameters SNSStack:emailaddressarnnotification=

หลังจากที่คุณป้อน cdk deployAWS CDK จะแจ้งว่าคุณต้องการปรับใช้การเปลี่ยนแปลงสำหรับแต่ละสแต็กที่เรียกในคำสั่ง cdk deploy หรือไม่

6. เข้าสู่ y สำหรับแต่ละพรอมต์การสร้างสแต็ก จากนั้นขั้นตอนการปรับใช้ cdk จะสร้างสแต็กเหล่านี้ สมัครรับที่อยู่อีเมลที่คุณให้ไว้สำหรับหัวข้อ SNS ที่สร้างขึ้นโดยเป็นส่วนหนึ่งของการปรับใช้ cdk
7. หลังจากการปรับใช้ cdk สำเร็จแล้ว ให้สร้างโฟลเดอร์ชื่อ raw_data ในถัง S3 comprehendcustom---s3stack.
8. อัปโหลดชุดข้อมูล SEOSS dataverse_files.zip ที่คุณดาวน์โหลดมาก่อนหน้านี้ในโฟลเดอร์นี้

หลังจากการอัปโหลดเสร็จสิ้น โซลูชันจะเรียกใช้ etl_lambda ทำงานโดยใช้ทริกเกอร์เหตุการณ์ Amazon S3 เพื่อเริ่มกระบวนการแยก แปลง และโหลด (ETL) หลังจากกระบวนการ ETL เสร็จสมบูรณ์ ข้อความจะถูกส่งไปยังหัวข้อ SNS ซึ่งจะเรียกใช้ train_classifier_lambda การทำงาน. ฟังก์ชันนี้จะทริกเกอร์การฝึกอบรมโมเดลตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend ขึ้นอยู่กับว่าคุณฝึกโมเดลของคุณกับชุดข้อมูล SEOSS ที่สมบูรณ์หรือไม่ การฝึกอบรมอาจใช้เวลานานถึง 10 ชั่วโมง เมื่อกระบวนการฝึกอบรมเสร็จสิ้น Amazon Comprehend จะอัปโหลด model.tar.gz ไฟล์ไปที่ output_data คำนำหน้าในบัคเก็ต S3

การอัปโหลดนี้ทริกเกอร์ extract_comprehend_model_name_lambda ฟังก์ชันโดยใช้ทริกเกอร์เหตุการณ์ S3 ที่แยกรูปแบบตัวแยกประเภทที่กำหนดเอง ARN และส่งไปยังที่อยู่อีเมลที่คุณสมัครไว้ก่อนหน้านี้ จากนั้นใช้แบบจำลองลักษณนาม ARN แบบกำหนดเองเพื่อสร้างสแต็กการอนุมาน เมื่อการฝึกโมเดลเสร็จสิ้น คุณสามารถดูตัววัดประสิทธิภาพของโมเดลตัวแยกประเภทแบบกำหนดเองได้โดยไปที่ส่วนรายละเอียดเวอร์ชันในคอนโซล Amazon Comprehend (ดูภาพหน้าจอต่อไปนี้) หรือโดยใช้ Amazon Comprehend Boto3 SDK.

ปรับใช้กองการอนุมาน AWS CDK

ตอนนี้คุณพร้อมที่จะปรับใช้สแต็กการอนุมานแล้ว

1. คัดลอกตัวแยกประเภทแบบกำหนดเอง ARN จากอีเมลที่คุณได้รับและใช้สิ่งต่อไปนี้ cdk deploy คำสั่งสร้างสแต็กอนุมาน

คำสั่งนี้ปรับใช้ API เกตเวย์ REST API ที่ได้รับการรักษาความปลอดภัยโดยผู้อนุญาต IAM ซึ่งคุณใช้สำหรับการอนุมานด้วย ID ผู้ใช้ AWS หรือบทบาท IAM ที่เพิ่งมีสิทธิ์ execute-api:Invoke IAM คำสั่งปรับใช้ cdk ต่อไปนี้ปรับใช้สแต็กการอนุมาน สแต็กนี้ใช้ AWS CDK กรอบงานผู้ให้บริการ เพื่อสร้างตำแหน่งข้อมูล Amazon Comprehend เป็นทรัพยากรที่กำหนดเอง เพื่อให้สร้าง ลบ และอัปเดตตำแหน่งข้อมูล Amazon Comprehend ได้เป็นส่วนหนึ่งของวงจรการอนุมานโดยใช้คำสั่งปรับใช้ cdk และคำสั่งทำลาย cdk

เนื่องจากคุณต้องเรียกใช้คำสั่งต่อไปนี้หลังจากการฝึกโมเดลเสร็จสิ้น ซึ่งอาจใช้เวลาถึง 10 ชั่วโมง ตรวจสอบให้แน่ใจว่าคุณอยู่ในสภาพแวดล้อมเสมือนของ Python ที่คุณเริ่มต้นในขั้นตอนก่อนหน้าและใน amazon-comprehend-custom-automate-classification-it-service-request ไดเรกทอรี:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=

ตัวอย่างเช่น:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=arn:aws:comprehend:us-east-2:111122223333:document-classifier/ComprehendCustomClassifier-11111111-2222-3333-4444-abc5d67e891f/version/v1

2. หลังจาก cdk deploy คำสั่งเสร็จสมบูรณ์ คัดลอก APIGWInferenceStack.ComprehendCustomClassfierInvokeAPI ค่าจากเอาต์พุตคอนโซล และใช้ REST API นี้เพื่อสร้างการอนุมานจากเครื่องไคลเอ็นต์หรือแอปพลิเคชันบุคคลที่สามที่มี execute-api:Invoke สิทธิพิเศษ IAM หากคุณกำลังใช้งานโซลูชันนี้ใน us-east-2 รูปแบบของ REST API นี้คือ https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1.

หรือคุณสามารถใช้ไคลเอนต์ทดสอบ apiclientinvoke.py จากที่เก็บ GitHub เพื่อส่งคำขอไปยังโมเดลตัวแยกประเภทที่กำหนดเอง ก่อนใช้ apiclientinvoke.py ตรวจสอบให้แน่ใจว่ามีข้อกำหนดเบื้องต้นต่อไปนี้:

• คุณมี boto3 และ requests แพ็คเกจ Python ที่ติดตั้งโดยใช้ pip บนเครื่องไคลเอนต์
• คุณได้กำหนดค่าข้อมูลประจำตัว Boto3 โดยค่าเริ่มต้น ไคลเอนต์ทดสอบจะถือว่าโปรไฟล์ที่ชื่อดีฟอลต์มีอยู่และมี execute-api:Invoke สิทธิ์ IAM บน REST API
• SigV4Auth ชี้ไปที่ภูมิภาคที่มีการปรับใช้ REST API อัพเดท มูลค่าถึง us-east-2 in apiclientinvoke.py หาก REST API ของคุณถูกปรับใช้ใน us-east-2
• คุณได้มอบหมาย raw_data ตัวแปรที่มีข้อความที่คุณต้องการทำการทำนายคลาสหรือการร้องขอการจัดหมวดหมู่:

raw_data="""Spark is a unified analytics engine for large-scale data processing. It provides high-level APIs in Scala, Java, Python, and R, and an optimized engine that supports general computation graphs for data analysis."""

• คุณได้มอบหมาย restapi ตัวแปรที่มีการคัดลอก REST API ก่อนหน้านี้:

restapi="https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1"

3. เรียกใช้ apiclientinvoke.py หลังจากการอัพเดทครั้งก่อน:

$ python3 apiclientinvoke.py

คุณได้รับการตอบสนองต่อไปนี้จากโมเดลตัวแยกประเภทแบบกำหนดเอง:

{
 "statusCode": 200,
 "body": [
	{
	 "Name": "SPARK",
	 "Score": 0.9999773502349854
	},
	{
	 "Name": "HIVE",
	 "Score": 1.1613215974648483e-05
	},
	{
	 "Name": "DROOLS",
	 "Score": 1.1110682862636168e-06
	}
   ]
}

Amazon Comprehend ส่งคืนคะแนนความเชื่อมั่นสำหรับป้ายกำกับแต่ละรายการที่ระบุว่าถูกต้อง หากบริการมีความมั่นใจสูงเกี่ยวกับป้ายกำกับ คะแนนจะใกล้เคียงกับ 1 ดังนั้น สำหรับโมเดลตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend ที่ได้รับการฝึกโดยใช้ชุดข้อมูล SEOSS โมเดลตัวแยกประเภทที่กำหนดเองจะคาดการณ์ว่าข้อความนั้นเป็นของคลาส SPARK การจัดประเภทนี้ที่ส่งคืนโดยโมเดลตัวแยกประเภทแบบกำหนดเองของ Amazon Comprehend สามารถใช้เพื่อจัดประเภทคำขอบริการ IT หรือคาดการณ์หมวดหมู่ที่ถูกต้องของคำขอบริการ IT ซึ่งจะช่วยลดข้อผิดพลาดด้วยตนเองหรือการจัดประเภทคำขอบริการที่ไม่ถูกต้อง

ทำความสะอาด

หากต้องการล้างทรัพยากรทั้งหมดที่สร้างในโพสต์นี้ซึ่งสร้างขึ้นเป็นส่วนหนึ่งของสแต็กการฝึกอบรมและสแต็กการอนุมาน ให้ใช้คำสั่งต่อไปนี้ คำสั่งนี้จะลบทรัพยากร AWS ทั้งหมดที่สร้างขึ้นโดยเป็นส่วนหนึ่งของคำสั่งปรับใช้ cdk ก่อนหน้า:

$ cdk destroy --all

สรุป

ในโพสต์นี้ เราแสดงให้คุณเห็นว่าองค์กรต่างๆ สามารถใช้โมเดล ML ภายใต้การดูแลโดยใช้การจัดประเภทแบบกำหนดเองของ Amazon Comprehend เพื่อคาดการณ์หมวดหมู่ของคำขอบริการ IT ตามหัวข้อหรือคำอธิบายของคำขอที่ส่งโดยผู้ใช้ปลายทางได้อย่างไร หลังจากที่คุณสร้างและฝึกโมเดลตัวแยกประเภทแบบกำหนดเอง คุณสามารถเรียกใช้การวิเคราะห์แบบเรียลไทม์สำหรับการจัดประเภทแบบกำหนดเองโดยการสร้างปลายทาง หลังจากที่คุณปรับใช้โมเดลนี้กับตำแหน่งข้อมูล Amazon Comprehend แล้ว สามารถใช้โมเดลนี้เพื่อเรียกใช้การอนุมานแบบเรียลไทม์โดยแอปพลิเคชันของบริษัทอื่นหรือเครื่องไคลเอ็นต์อื่นๆ รวมถึงเครื่องมือการจัดการบริการด้านไอที จากนั้น คุณสามารถใช้การอนุมานนี้เพื่อคาดการณ์หมวดหมู่ข้อบกพร่อง และลดข้อผิดพลาดด้วยตนเองหรือการจัดประเภทตั๋วผิด ซึ่งช่วยลดความล่าช้าในการแก้ปัญหาใบสั่งงาน และเพิ่มความแม่นยำในการแก้ปัญหาและประสิทธิผลของลูกค้า ซึ่งท้ายที่สุดแล้วส่งผลให้ลูกค้าพึงพอใจเพิ่มขึ้น

คุณสามารถขยายแนวคิดในโพสต์นี้ไปยังกรณีการใช้งานอื่นๆ เช่น การกำหนดเส้นทางธุรกิจหรือตั๋วไอทีไปยังทีมภายในต่างๆ เช่น แผนกธุรกิจ ตัวแทนบริการลูกค้า และการสนับสนุนด้านไอทีระดับ 2/3 ที่สร้างขึ้นโดยผู้ใช้ปลายทางหรือผ่านระบบอัตโนมัติ วิธี.

อ้างอิง

• ราธ, ไมเคิล; Mäder, Patrick, 2019, “ชุดข้อมูล SEOSS – ข้อกำหนด, รายงานข้อบกพร่อง, ประวัติรหัส และลิงก์ติดตามสำหรับโครงการทั้งหมด”, https://doi.org/10.7910/DVN/PDDZ4Q, ฮาร์วาร์ด ดาต้าเวิร์ส, V1

เกี่ยวกับผู้เขียน

อานาบ จักรโบรตี เป็น Sr. Solutions Architect ที่ AWS ซึ่งตั้งอยู่ในเมืองซินซินนาติ รัฐโอไฮโอ เขาหลงใหลในหัวข้อต่างๆ ในสถาปัตยกรรมองค์กรและโซลูชัน การวิเคราะห์ข้อมูล ไร้เซิร์ฟเวอร์ และการเรียนรู้ของเครื่อง ในเวลาว่าง เขาชอบดูภาพยนตร์ รายการท่องเที่ยว และกีฬา

ไวรัส Desai เป็นสถาปนิกโซลูชั่นหลักที่ AWS ด้วยประสบการณ์ด้านเทคโนโลยีสารสนเทศมากกว่า 25 ปี เขาได้ช่วยลูกค้านำ AWS มาใช้และปรับปรุงสถาปัตยกรรมของพวกเขาให้ทันสมัย เขาชอบเดินป่า และสนุกกับการดำน้ำลึกกับลูกค้าในทุกสิ่งของ AWS