大家好,
首先,我衷心感谢数据科学家们的努力,全世界的机器学习和人工智能爱好者。
机器学习是当今所有IT行业的新理念和焦点。
SAP的创新始终是卓越的,他们致力于在SAP中提出一个出色的智能解决方案,大数据治理平台,如SAP Service Ticket Intelligence(基于深度学习神经网络)Hybris Cloud for Customer值得所有开发兄弟会的称赞。
在他们的努力激励下,我开始设计一个小型,智能票务工具,将票分类为相关队列(当然,只有在经过高质量的学习之后)。
为了实现这一点,我使用scikit learn Python库实现了多项式朴素贝叶斯分类器。
在本文中,大数据入门,我将不深入讨论实现的技术部分。我将在以后的帖子中分享完整的实施细节。我想和大家分享一下我实施机器学习的经验。
问题陈述
任何公司的大多数售票工具都有不同的团队来处理问题。在我们看到的大多数工具中,要将票据发送到的组件是手动选择的。一个团队或一些人正在努力将这些票发送给相关团队,以防他们被提升到错误的队列中。有没有办法在提高票证时自动将票证路由到完全合适的组件?
这个问题的答案
是的,可能。由于我们拥有门票和其他KBA的历史,我们现在不仅可以简单地发送门票,还可以为问题提供建议的解决方案。简单地说,要实现这一点,需要使用机器学习。
思维…
如上所述,机器学习模型(一个Python程序)利用数据库中的数据将传入的新票证或服务请求分类到适当的队列。
进入一些技术方面…
我的自定义票证工具的用户界面是使用SAPUI5构建的。我使用SAP-HANA来存储票据和处理团队队列。
Python模型使用票据和队列的历史来学习单词类别概率。因此,当从这个售票工具中提出一张新的票时,该模型预测了该票可以提供到的最佳类别。令人惊叹的!没有更多的麻烦。
因此,好评返现图片,当从这个售票工具中提出一张新的车票时,该模型使用Scikit learn多项式Nb算法预测车票可以提供到的最佳类别。
要知道它是如何工作的:
learn.org/stable/modules/naive_bayes.html#多项式-天真的贝叶斯
但是,预测总是准确的吗?
当我们输入模型训练的质量数据时,我们可以期望最好的结果。在学习了更多的高质量票证之后,模型最终会扩展到最佳结果。
偷看我的工具:
结果:
在学习中数据(票证)的质量最好的情况下,大数据网,模型将新的票证分类到正确的队列中。
这只是一个基本的想法和实现。我想探索更多的可能性。我也想在googletensorflow(一个开放源码的机器智能软件库)上做同样的工作!
,京淘客