Skapa en sökningsmodell för smarta färdigheter

Obs

Du kan se tillgänglighetsinformationen för funktionen enligt följande.

Dynamics 365 Contact Center – inbäddad	Dynamics 365 Contact Center – fristående	Dynamics 365 Customer Service
Ja	Ja	Ja

Om du vill konfigurera regler för maskinindelningsbaserad färdighetsklassificering kan du konfigurera modeller för intelligent färdighetssökning som används för att förutsäga färdigheter.

Du kan skapa, testa och träna maskininlärningsmodeller som använder AI för att fastställa nödvändiga färdigheter för nya arbetsobjekt och genom att använda data i Microsoft Dataverse. Om du försöker konfigurera modellen i en ny organisation, eller om färdighetsbaserad dirigering inte används, kanske du emellertid inte har de färdigheter som krävs. Under dessa villkor kan du använda data från ett annat program med hjälp av alternativet Importera från Excel i modellen för färdighetssökning.

Intelligent kompetens beror på den anpassade AI Builder kategoriklassificeringsmodellen. Därför bör AI Builder finnas i den geografiska region där du vill använda intelligent kompetens att hitta. Mer information: Tillgänglighet av AI Builder.

Viktigt!

Om du vill importera färdighetssökningsmodeller från en miljö till en annan bör du importera och exportera dem mellan miljöer av samma typ. En modell tränad i testmiljö fungerar endast i en annan testmiljö och inte i en produktionsmiljö.

Förutsättningar

Du måste göra det möjligt AI Builder för förhandsversion av modeller att använda den intelligenta färdighets sökmodellen.

Skapa modeller för färdighetssökning

Du kan skapa så många intelligenta klassificeringsmodeller för färdighetssökning som krävs i din verksamhet.

1. I webbplatsöversikten för Administrationscenter för Customer Service, välj Insikter i Åtgärder. Sidan Insikter visas.

2. I avsnittet Intelligent färdighetssökning, välj Hantera.

3. På sidan Intelligenta färdighetssökningsmodeller, välj Ny och på fliken Konfiguration för Ny färdighetssökningsmodell, ange ett namn.

4. Under Datakriterier anger du följande för att skapa posterna för datauppsättning:

   • Attribut (obligatoriskt): Välj attribut under Attribut och relaterad lista för att skapa datauppsättningen för utbildning. Motsvarande attributvärden sammanfogas i den sekvens de läggs till i, och kommer att användas för att skapa indatasträngen för modellutbildningsdatan.
   • Filter: Om du vill kan du också applicera filter för att välja relevanta poster baserat på villkor.
   • Datumintervall: Välj ett värde för att ange tidsperioden då posterna behöver läsas in.

   

5. Välj Spara och välj sedan Läs in utbildningsdata. Fliken Utbildningsdata visas och anger databelastningens status.

6. När belastningen är slutförd granskar du informationen och redigerar posterna om du vill ändra taggarna.

7. I avsnittet Utbildningsdata markerar du kryssrutan för Indata för att markera alla poster och väljer Godkänn. Du måste godkänna minst 50 poster för att modellen ska kunna fyllas med data.

8. Välj Utbildningsmodell och välj Utbildningsmodell i bekräftelsedialogrutan.

9. När tillståndet ändras till "utbildningen slutförd" markerar du de rader du vill publicera och väljer Publicera modell. Färdighetsmodellen är klar att användas.

Testa modellen

Du kan testa modellen och se om den fungerar som den ska. Utför följande steg för att visa modellens prestanda och precision.

1. I Power Apps, välj miljön som innehåller din lösning.
2. Välj AI-modeller. Du kan visa de modeller du har skapat i Mina modeller och de modeller som delas med dig i Delat med mig. Välj den modell som krävs.
3. Välj Snabbtest. För att få modellrelaterad information, välj vertikal ellips bredvid Snabbtest och välj Ladda ner detaljerade mått. Måttfilen innehåller information om modellens prestanda, precision och precision. För mer information, se Förstå prestandan för kategoriklassificeringsmodellen
4. I Text, skriv in önskad text och välj sedan Test. De fastställda taggarna visas i Förslag på taggar och förtroende.
5. När modellen körs länkas motsvarande kunskaper till modellen om de beklappade taggarna matchar med tillgängliga färdigheter i organisationen.

Träna upp modellen iterativt

Du bör hitta din publicerade modell om du vill förbättra modellen med nya data i Microsoft Dataverse. Till exempel kan modellomskolning göras med hjälp av de poster där handläggare har uppdaterat färdigheterna för poster eller konversationer. När du försöker hitta en ny modell för att ta med kunskaperna som lagts till av handläggare, kan du granska utbildningsdataposterna efter inläsningen och se till att den uppfyller de kompetenskriterier som krävs.

Information om hur dina handhandläggare kan uppdatera kunskaper finns i Hantera kunskaper. Information om hur du gör det möjligt för dina handläggare att uppdatera kunskaper vid körning finns i Aktivera handläggare för att uppdatera kunskaper.

Du kan definiera villkoren så som det visas i följande skärmbild.

Använd träningsdata från Excel-fil

Om du inte har några data som fyller din modell med data, kan du fylla i data om kompetens och attribut i Excel-filer och överföra dessa till programmet med importfunktionen i Microsoft Dataverse.

Om du vill använda data från Excel-filerna måste du kontrollera följande:

• Modellnamnet i programmet ska matcha namnet i kolumnen Utbildningspost i Excel-filen.

• Ange filerna som msdyn_ocsitrainingdata.csv och msdyn_ocsitdskill.csv.

• Kontrollera att indatasträngen är mindre än eller lika med 5 000 tecken för att undvika trunkering.

Ett exempel på varje fil är som följer: Du kan välja länkar för att hämta exempelfilerna.

msdyn_ocsitrainingdata.csv

Färdighetssökningsmodell	Namn på träningspost	Indata
CCSFM01-Contoso Coffee modell för färdighetssökning	CCSFM01-Contoso Coffee-utbildningsdata A10001	Hej, jag arbetar på Trey Research. En av espressoautomaterna börjar bli överhettad och avge en vidbränd doft efter 30 minuters användning. Hjälp! Ja. Nr.
CCSFM01-Contoso Coffee modell för färdighetssökning	CCSFM01-Contoso Coffee-utbildningsdata A10002	Hej, jag har nyligen köpt kaffe A-100 företagets kaffeautomat och företagets främsta kaffeautomat börjar bli varm efter 15 minuters användning. Åtgärda problemet snarast.
CCSFM01-Contoso Coffee modell för färdighetssökning	CCSFM01-Contoso Coffee-utbildningsdata A10003	Hej, jag kan inte starta min nyligen köpta espressomaskin, det ser ut som om plugin-kontakten som medföljer den inte fungerar.
CCSFM01-Contoso Coffee modell för färdighetssökning	CCSFM01-Contoso Coffee-utbildningsdata A10004	Hej, jag arbetar på Trey Research. Jag letar efter ersättning av kaffeautomat som jag köpte för tre månader sedan. Även om du tidigare har framfört klagomål om hur problemet har åtgärdats kvarstår problemet. Hjälp!
CCSFM01-Contoso Coffee modell för färdighetssökning	CCSFM01-Contoso Coffee-utbildningsdata A10005	Hej, min nyligen inköpta kaffe A-100-maskin är inte i den färg som jag har beställt. Byt ut samma.

msdyn_ocsitdskill.csv

Träningspost	Egenskapsmappning	Egenskap
CCSFM01-Contoso Coffee-utbildningsdata A10001	Café A-100	Café A-100
CCSFM01-Contoso Coffee-utbildningsdata A10001	Uppvärmning	Uppvärmning
CCSFM01-Contoso Coffee-utbildningsdata A10001	Elektrisk	Elektrisk
CCSFM01-Contoso Coffee-utbildningsdata A10002	Café A-100	Café A-100
CCSFM01-Contoso Coffee-utbildningsdata A10002	Uppvärmning	Uppvärmning

Utför följande steg om du vill överför datan för att datafylla din modell:

1. På sidan Färdighetssökningsmodell anger du ett namn för modellen och sparar sedan formuläret.

2. Välj fliken Ändringsdata och sedan Importera Excel.

3. Markera de .csv-filer som ska överföras i importverktyget.

   

4. Granska överföringsinställningarna och välj sedan Slutför när du gått igenom stadierna. Dataöverföringen startar. Hur lång tid det tar att överföra data beror på antalet poster.

5. Alternativt kan du välja Uppdatera om du vill se den uppdaterade tillståndet för dataöverföringen.

6. Utför steg 5 till 8 i Skapa färdighetssökningsmodell för att godkänna, utbilda och publicera din modell.

Se även

Översikt över kompetensbaserad dirigering
Översikt över enhetlig dirigering
Konfigurera färdighetsbaserad dirigering i enhetlig dirigering