Gå til innhold

KAI ML-oppdaging

KAI ML-oppdaging er en eksperimentell tjeneste som ser etter mønstre i tenantens data og foreslår nye KAI-regler eller arbeidsflyter basert på det den finner. Eksempel: KAI kan oppdage at "arbeidsordrer av type X tar gjennomsnittlig 25% lengre tid enn estimert" og foreslå en regel som varsler ved estimering-avvik. Forslagene må alltid godkjennes manuelt av administrator før de blir aktive.

Eksperimentell status. Funksjonen kan endre adferd uten varsel mellom releases. Forslag fra ML-oppdaging må alltid valideres manuelt. Ikke aktiver i produksjon uten å forstå konsekvensene.

Tilgang

Hvem Hva trengs
Rolle som kan endre konfig Administrator
Rolle som kan se forslag Administrator (KAI.MlDiscovery)
Modul som kreves Systeminnstillinger — KAI-administrasjon (eksperimentell)
Effekt på hvem Kun administratorer som ser forslagene

Krever eksplisitt opt-in fra Konti — funksjonen er fail-closed for nye tenants.

Innstillinger

Innstilling Betydning Standard Konsekvens Tilgang
Aktiver ML-oppdaging Hovedbryter for tjenesten Av Av: ingen forslag genereres Administrator
Analyse-kategorier Hvilke data-kategorier KAI ser etter mønstre i Ingen Hver må aktiveres eksplisitt Administrator
Analyse-frekvens Hvor ofte KAI ser etter nye mønstre Ukentlig Hyppigere = mer ressurser Administrator
Minimum konfidens Hvor sikker KAI må være før forslag vises Høy Lav konfidens gir flere men dårligere forslag Administrator
Auto-implementer godkjente forslag Aktiver forslag når admin godkjenner Av Av: forslag blir bare lagret Administrator
Datatilgang for analyse Hvilke data KAI får inspisere Ingen Forutsetning for at noe oppdages Administrator

Detaljert beskrivelse per innstilling

Aktiver ML-oppdaging

Betydning. Hovedbryter for hele tjenesten. Når av, kjører ingen analyse, ingen forslag genereres, og det skjer ingen KAI-kall fra denne tjenesten.

Gyldige verdier. Av eller på.

Standardverdi. Av (fail-closed).

Når trer endringen i kraft. Umiddelbart. Igangsatt analyse fullføres ikke.

Påvirker historiske data. Nei — tidligere forslag forblir lagret, men ingen nye genereres.

Konsekvens for andre moduler.

  • KAI-bruk — analyse genererer betydelig token-bruk over tid; sjekk månedlig forbruk før aktivering.
  • Datatilgang — KAI ser kun data administrator har gitt eksplisitt tilgang til.

Avhengigheter. Krever opt-in fra Konti for tenanten.

Hvem kan endre. Administrator.

Analyse-kategorier

Betydning. Hvilke data-kategorier KAI ser etter mønstre i. Hver kategori må aktiveres eksplisitt. Tilgjengelige kategorier:

  • Arbeidsordre-mønstre (tid, type, ressurser)
  • Time-registrerings-mønstre (avvik, glemmer)
  • CRM-aktivitets-mønstre (kunde-frafall, sales pipeline)
  • Prosjekt-mønstre (forsinkelser, budsjettavvik)
  • HMS-mønstre (avvik-hyppighet, områder)

Gyldige verdier. Multi-select.

Standardverdi. Ingen.

Når trer endringen i kraft. Ved neste analyse-kjøring.

Påvirker historiske data. Nei — historisk data brukes som input men endres ikke.

Konsekvens for andre moduler.

  • KAI-bruk — hver kategori øker token-bruk.
  • Personvern — analyse på tid-registreringer eller HMS kan oppleves invasivt; vurder GDPR.

Avhengigheter. Modulen kategorien tilhører må ha data.

Hvem kan endre. Administrator.

Analyse-frekvens

Betydning. Hvor ofte ML-oppdaging kjører. Lavere frekvens = mer ressurser, men også raskere oppdaging av nye mønstre. Ukentlig er standard fordi mange forretningsmønstre har ukentlige rytmer.

Gyldige verdier.

  • Daglig (ressurs-intensivt)
  • Ukentlig (standard)
  • Månedlig (lett)
  • Manuelt (kun ved admin-knapp)

Standardverdi. Ukentlig.

Når trer endringen i kraft. Ved neste planlagte kjøring.

Påvirker historiske data. Nei.

Konsekvens for andre moduler.

  • KAI-bruk — direkte påvirkning på token-bruk.

Avhengigheter. Bakgrunnsjobb må kjøre.

Hvem kan endre. Administrator.

Minimum konfidens

Betydning. Hvor sikker KAI må være på et oppdaget mønster før forslaget vises til administrator. Lav konfidens gir flere forslag, men mange vil være svake eller usanne.

Gyldige verdier. Lav / Middels / Høy.

Standardverdi. Høy.

Når trer endringen i kraft. Ved neste analyse-kjøring.

Påvirker historiske data. Allerede genererte forslag beholdes på sin opprinnelige konfidens.

Konsekvens for andre moduler.

  • Administrator-tid — lav konfidens kan generere mange forslag å gjennomgå.

Avhengigheter. Ingen.

Hvem kan endre. Administrator.

Auto-implementer godkjente forslag

Betydning. Når administrator godkjenner et forslag, kan ePortal enten:

  • Av (standard) — lagre forslaget som "klart for manuell implementering"; administrator må fortsatt manuelt sette opp regelen/arbeidsflyten.
  • På — KAI implementerer automatisk regelen/arbeidsflyten basert på forslaget, men aktiverer den ikke.

Selv med "På" må administrator manuelt aktivere den resulterende regelen — KAI lager bare strukturen.

Gyldige verdier. Av eller på.

Standardverdi. Av (fail-closed).

Når trer endringen i kraft. Umiddelbart for nye godkjenninger.

Påvirker historiske data. Nei.

Konsekvens for andre moduler.

  • KAI-regler / Arbeidsflyter — autogenererte regler kan se uventede ut. Administrator må verifisere.

Avhengigheter. Ingen.

Hvem kan endre. Administrator.

Datatilgang for analyse

Betydning. Hvilke data KAI faktisk får inspisere når den ser etter mønstre. Konfigureres via datatilgang-systemet for ObjektType KAI.MlDiscovery. Uten tilgang ser KAI ingenting og kan ikke generere meningsfulle forslag.

Gyldige verdier. Konfigureres separat i datatilgang.

Standardverdi. Ingen tilgang.

Når trer endringen i kraft. Umiddelbart for nye analyse-kjøringer.

Påvirker historiske data. Nei.

Konsekvens for andre moduler.

  • Personvern — bred tilgang gir KAI innsyn i mye data; må vurderes mot GDPR.
  • Forslagskvalitet — uten relevant data ingen relevante forslag.

Avhengigheter. ObjektType KAI.MlDiscovery må være konfigurert.

Hvem kan endre. Administrator.

Slik aktiverer du ML-oppdaging

  1. Be Konti om å aktivere ML-oppdaging for tenanten (opt-in).
  2. Åpne Innstillinger → Systeminnstillinger → KAI → KAI ML-oppdaging.
  3. Konfigurer datatilgang for KAI.MlDiscovery til de kategoriene som er aktuelle.
  4. Velg analyse-kategorier.
  5. Sett analyse-frekvens (Ukentlig anbefales for start).
  6. Sett minimum konfidens til Høy.
  7. La auto-implementer stå av.
  8. Slå på "Aktiver ML-oppdaging".
  9. Klikk Lagre.
  10. Vent på første analyse-kjøring og gjennomgå forslag manuelt.

Vanlige problemer

Ingen forslag genereres

Sjekk: 1. Tjenesten er aktivert. 2. Minst én analyse-kategori er valgt. 3. Datatilgang for KAI.MlDiscovery er konfigurert. 4. Det er nok data — ML-oppdaging trenger 30+ dager med data og minst 100 forekomster i kategorien. 5. Konfidens er ikke for høyt satt.

For mange forslag

Hev minimum konfidens fra Lav/Middels til Høy. Vurder også å redusere analyse-frekvens.

Forslagene gir ikke mening

KAI ser mønstre i historisk data uten kontekst om forretningen. Avvis forslag som ikke er relevante. Over tid lærer modellen hvilke typer forslag som godkjennes.

Auto-implementerte regler oppfører seg uventet

Test alltid auto-implementerte regler i inaktiv tilstand før du slår dem på. KAI lager strukturen, men logikken må valideres.

KAI-kostnaden økte mye etter aktivering

Forventet ved analyse-tunge kategorier. Vurder å redusere frekvens fra Daglig/Ukentlig til Månedlig, eller fjerne kategorier som ikke gir meningsfulle forslag.

Personvernombud spør om GDPR

ML-oppdaging på persondata (tid, HMS) krever vurdering. Dokumenter: - Hvilke kategorier er aktive - Hvilke data KAI faktisk får tilgang til - Hvor KAI-svar lagres. KAI mellomlagrer genererte forklaringer og regelbeskrivelser i inntil 24 timer for å spare kostnad. Mellomlageret er isolert per kunde: en forklaring generert for ett kundemiljø kan ikke serveres til et annet, og svar fra KAI-assistenten er i tillegg isolert per bruker. Kan ikke miljøet identifiseres, mellomlagres ingenting. - Hvordan forslag valideres mot personvern

Konsekvensanalyse før endring

Før du aktiverer eller endrer ML-oppdaging, vurder:

  • [ ] Er funksjonen eksperimentell-status akseptabel? Adferd kan endre seg mellom releases.
  • [ ] Påvirker det KAI-kostnader betydelig? Sjekk forventet forbruk i forhold til månedlig budsjett.
  • [ ] Påvirker det personvern? Spesielt analyse på tid-registreringer og HMS-data.
  • [ ] Er datatilgang konfigurert? Uten det genereres ingen forslag.
  • [ ] Er det tid til å gjennomgå forslag? Lav konfidens kan generere mange forslag å vurdere.
  • [ ] Kan endringen reverseres? Ja — deaktivering stopper umiddelbart. Allerede genererte forslag forblir lagret.

Relaterte sider