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