KI-Vorschläge für IoT-Benachrichtigungen

KI-Vorschläge für IoT-Benachrichtigungen nutzen IoT-Daten, indem sie IoT-Benachrichtigungen in Fälle und Arbeitsaufträge umwandeln, sodass Organisationen Probleme vor dem Auftreten untersuchen und beheben können. KI-Vorschläge können auch aus früheren Maßnahmen bei IoT-Benachrichtigungen lernen und Empfehlungen zu Priorität und Vorfalltypen geben. Wenn Ihr Unternehmen beispielsweise regelmäßig IoT-Benachrichtigungen erhält, die darauf hinweisen, dass die Temperatur einer Maschine den akzeptablen Schwellenwert überschreitet. In solchen Fällen wandelt Ihre Organisation diese Benachrichtigungen häufig in Arbeitsaufträge um. Das KI-IoT-Modell nutzt diese historischen Daten, um aus den Maßnahmen zu lernen. Wenn eine neue Temperaturbenachrichtigung eingeht, die den Temperaturschwellenwert überschreitet, erkennt die KI dies und schlägt entsprechende Maßnahmen vor.

Implementieren Sie diese IoT-Benachrichtigungsvorschläge, um:

  • Erkenntnisse in die Priorisierung von IoT-Benachrichtigungen zu erhalten.
  • Ihre Fähigkeit zu verbessern, kritische Probleme proaktiv anzugehen.
  • Die Zuweisung von Ressourcen für IoT-Benachrichtigungen zu optimieren, die weitere Maßnahmen erfordern, wie z. B. Fälle und Arbeitsaufträge.
  • KI zu nutzen, um vom Wissen erfahrener Mitarbeitender zu lernen, um effektiv auf Probleme zu reagieren, die durch IoT-Daten identifiziert wurden.

Anforderungen

  • IoT für Field Service ist für die Verwendung einer der folgenden Optionen eingerichtet:

  • Konfigurierte Vorfalltypen, die sich auf das primäre Problem beziehen, das in einem Arbeitsauftrag behandelt wird, und die zugehörigen Details wie Arbeitsauftragstyp, Produkte, Services und Serviceaufgaben bestimmen.

  • Prioritätseinstellungen für IoT-Benachrichtigungen geben den Grad der Wichtigkeit für das Unternehmen an und werden in der Regel anhand von Faktoren wie angefallenen Kosten oder Kundenzufriedenheit bewertet.

  • Um das Modell mit ausreichend Daten für die Generierung genauer Vorschläge zu versorgen, sollten Sie mindestens 50 IoT-Benachrichtigungen haben, die in Fälle oder Arbeitsaufträge umgewandelt wurden.

IoT-Vorschläge aktivieren

  1. Wechseln Sie in Field Service zum Bereich Einstellungen.
  2. Wählen Sie unter IoTEinstellungen aus und gehen Sie zur Registerkarte IoT-Vorschläge.
  3. Legen Sie IoT Vorschläge auf Aktiviert fest.

Eine Anleitung zum Einrichten von IoT-Vorschlägen startet.

Wenn das Modell aufgrund von Änderungen am System oder sich ändernden Geschäftsanforderungen neu konfiguriert werden muss, können Sie die Anleitung starten und in den IoT-Vorschlagseinstellungen IoT-Vorschläge erneut konfigurieren auswählen.

Schritt 1: Die Vertragsbedingungen annehmen

Stimmen Sie den Vertragsbedingungen zu und wählen Sie dann Weiter.

Schritt 2: Gerätebezeichner auswählen

Wählen Sie aus, wie Ihre Organisation IoT-Warnungen hauptsächlich in Bezug auf Geräte und Kundenressourcen verwendet. Zur Erinnerung: Es gibt eine 1:n-Beziehung, in der viele Geräte mit einer Kundenanlage verknüpft werden können.

Screenshot des Einrichtungsbildschirms für IoT-Vorschläge mit dem Abschnitt zur Gerätekennung.

  • Wählen Sie Geräte ID aus, wenn Ihre Organisation hauptsächlich die IoT-Benachrichtigungen von einzelnen Geräten verwaltet, wie Thermometer, die abgelesene Temperaturen senden.
  • Wählen Sie Kundenanlage, wenn Ihre Organisation hauptsächlich die IoT-Benachrichtigungen von Geräten verwaltet, die sich auf Kundenanlagen beziehen.

Wenn Sie sich nicht sicher sind, welche Option Sie auswählen sollen, oder wenn Ihre Organisation IoT-Benachrichtigungen sowohl auf Geräteebene als auch auf Kundenanlagenebene verwaltet, wählen Sie die Standardoption Geräte ID.

Schritt 3: Regelbezeichner eingeben

Wählen Sie die Regeln aus, die Sie im IoT-Anbieter definiert haben und die IoT-Benachrichtigungen auslösen. Die Regelpfade finden Sie im IoT-Benachrichtigungs-JSON.

Ein Beispiel für den Regelpfad für die IoT Hub lautet ruleoutput.

Schritt 4: Geräteeigenschaften eingeben

Wählen Sie die Geräteeigenschaften aus, die das KI-Modell berücksichtigen soll, wenn es Vorschläge generiert Diese Eigenschaften umfassen die Signale, die von angeschlossenen Geräten und anderen mit den Geräten zusammenhängenden Gerätevariablen und -eigenschaften stammen. Zum Beispiel ein mit dem Internet verbundenes Thermometer, das eine Temperatur von 72 Grad anzeigt. Dieser Temperaturwert sollte bei Vorschlägen berücksichtigt werden.

Screenshot des Einrichtungsbildschirms für IoT-Vorschläge mit dem Abschnitt zu den Geräteeigenschaften.

Standardmäßig werden die Felder Lesetyp und Lesen in IoT Hub als Geräteeigenschaften verwendet. Sie können jedoch auch benutzerdefinierte Felder hinzufügen. Beispielsweise verfügen Sie möglicherweise über ein Modell, das jedem Temperaturmesswert finanzielle Kosten zuordnet. Dieser benutzerdefinierte Zusatz kann als Geräteeigenschaft hinzugefügt werden, damit es das KI-Modell berücksichtigen kann.

Schritt 5: Beenden

Nach Abschluss des Einrichtungsvorgangs erhalten Sie innerhalb von 24 Stunden Empfehlungen. Das KI-Modell analysiert sowohl historische Daten als auch eingehende Daten für die Zukunft. Vorschläge werden alle 24 Stunden aktualisiert.

Um zu überprüfen, ob die KI-basierten Vorschläge ordnungsgemäß funktionieren, überprüfen Sie die Ansicht Priorisierte IoT-Benachrichtigungen unter IoT-Benachrichtigungen. Hier finden Sie die empfohlene Prioritäten und Vorfalltypen.

Die Priorität und der vorgeschlagene Vorfalltyp werden auch in den IoT-Benachrichtigungsdatensätzen angezeigt.

Screenshot einer IoT-Warnung mit dem Vorschlagsbereich.

Das KI-Modell weist Benachrichtigungen basierend auf historischen Benachrichtigungen und relevanten Entitäten einen Prioritätswert zu. Ein dynamischer Schwellenwert unterscheidet zwischen Benachrichtigungen mit hoher und niedriger Priorität, je nachdem, wie schnell eine Reaktion erforderlich ist. Das Modell optimiert diesen Schwellenwert während jedes Trainingszyklus, um es an sich ändernde Datenmuster anzupassen. Bei einer dynamischen Verteilung verbleiben vorher bewertete Warnungen relevant, wenn das Modell weiter lernt und seine Fähigkeiten verbessert. Das Modell gibt Keine Vorschläge zurück, wenn es keine Empfehlung gibt.

Nächste Schritte,