ClassifyXR.ai

Klassifizierungs- und Antwortsystem für Kundensupport-Tickets (ClassifyXR.ai)

Überblick

Das Customer Support Ticket Classification and Response System ist ein hochentwickeltes Tool zur Automatisierung und Verbesserung des Kundendiensterlebnisses. Dieses System integriert fortschrittliche KI-Modelle und RAG-Techniken (Retrieval-Augmented Generation), um Tickets zu klassifizieren, die Dringlichkeit zu bewerten, die Kundenstimmung zu bewerten und wichtige Informationen zu extrahieren. Es ruft relevante Wissensdatenbankdokumente ab, um zu informieren und kontextbezogene, einfühlsame Antworten zu generieren. Durch die Nutzung der KI-Integration mit mehreren Modellen, der Parallelverarbeitung und der umfassenden Nutzung der Wissensdatenbank verbessert dieses System die Reaktionszeiten, die Kundenzufriedenheit und die betriebliche Effizienz für Supportteams erheblich.

Merkmale

• Multimodell-KI-Integration : Nutzt mehrere Open-Source-Modelle, darunter LLaMA 3.1, Mistral und Gemma:7B-Instruct, um Kundensupporttickets zu verarbeiten und zu klassifizieren. Das System wählt die genaueste Antwort basierend auf einem Konfidenzwert aus.
• Parallele Verarbeitung : Implementiert die parallele Verarbeitung mithilfe von ThreadPoolExecutor , sodass das System mehrere Modelle gleichzeitig ausführen kann. Dies verkürzt die Reaktionszeit und sorgt gleichzeitig für qualitativ hochwertige und genaue Ergebnisse.
• Wissensdatenbank-Integration : Unterstützt das Laden und Verarbeiten von Dokumenten aus einer Wissensdatenbank, einschließlich PDFs, DOCX-, TXT- und JSON-Dateien. Nutzt FAISS-Vektordatenbanken für den schnellen und präzisen Abruf relevanter Informationen basierend auf Kundenanfragen.
• Retrieval-Augmented Generation (RAG) : Verbessert die Antwortgenerierung durch den Abruf der relevantesten Dokumente aus der Wissensdatenbank mithilfe der Maximum Marginal Relevance (MMR). Die abgerufenen Informationen werden in das generative Modell integriert, um kontextbezogene genaue und informative Antworten zu erzeugen.
• Kontextbezogene Antworten : Generiert Antworten, die mit Kundeneinblicken, früherem Kommunikationsverlauf und spezifischen Informationen aus der Wissensdatenbank angereichert sind. Stellt sicher, dass die Antworten einfühlsam, relevant und auf die Kundenbedürfnisse abgestimmt sind.
• Anpassbarer Geschäftskontext : Passt Antworten an bestimmte Geschäftskontexte an und integriert relevante Geschäftsinformationen dynamisch in die Antwortgenerierung. Unterstützt verschiedene Ticketkategorien wie Bestellungen, Konten, technische Probleme, Abrechnung und mehr.
• Stimmungs- und Dringlichkeitserkennung : Erkennt automatisch die Stimmung (z. B. frustriert, verärgert) und die Dringlichkeit von Tickets und priorisiert Tickets mit großer Auswirkung für die manuelle Überprüfung durch Supportmitarbeiter, wenn nötig.
• Strukturierte Antworten : Stellt sicher, dass Antworten nach vordefinierten JSON-Schemas strukturiert sind und den Kundensupportteams klare, umsetzbare Erkenntnisse liefern.
• Bearbeitung von Funktionsanfragen : Verwaltet Funktionsanfragen durch Abrufen relevanter Produktinformationen aus der Wissensdatenbank und führt Kunden zu vorhandenen Funktionen, die ihren Anforderungen entsprechen könnten.
• Integration von Kundeneinblicken : Integriert Kundeneinblicke, einschließlich Demografie, Präferenzen und Standort, in den Ticketklassifizierungs- und Antwortprozess und personalisiert so das Support-Erlebnis.
• Nutzung des vorherigen Kommunikationsverlaufs : Ruft den vorherigen Kommunikationsverlauf ab und integriert ihn, um kontextbezogene genaue und konsistente Antworten bereitzustellen und so das gesamte Kundensupporterlebnis zu verbessern.

Verwendung

• Definieren Sie Ihre Support-Tickets als Zeichenfolgen.
• Verwenden Sie die Funktion classify_and_response um strukturierte Klassifizierungsdaten abzurufen und kontextuell angereicherte Antworten zu generieren.
• Das System ruft automatisch relevante Dokumente aus der Wissensdatenbank ab, um die Antwortgenerierung zu unterstützen.

Installation

Voraussetzungen

• Python 3.7 oder höher
• Virtueller Umgebungsmanager ( venv )

Aufstellen

Befolgen Sie diese Schritte, um die Projektumgebung einzurichten und Abhängigkeiten zu installieren:

1. Klonen Sie das Repository :

   git clone https://github.com/prdepyadv/classifyxr.ai.git

2. Navigieren Sie zum Projektverzeichnis :

   python -m venv venv

3. Erstellen Sie eine virtuelle Umgebung :

    . . v env S cripts A ctivate.ps1 # (For Windows)
       or
   . venv/bin/activate  # (For Linux or MacOS)

4. Projektabhängigkeiten installieren :

   pip install -r requirements.txt

5. Generieren Sie ein geheimes Token (optional) :

   python -c ' import secrets; print(secrets.token_hex()) '

6. Umgebungsvariablen kopieren :

   cp -r .env-example .env

7. Umgebungsvariablen konfigurieren : Bearbeiten Sie die .env-Datei, um die erforderlichen Umgebungsvariablen gemäß Ihrem Setup einzurichten.

Ausführen der Anwendung

Um die Flask-Anwendung zu starten, verwenden Sie den folgenden Befehl:

flask --app app run

Beiträge und Anpassung

• Passen Sie business_context und system_prompt an, damit sie besser zu Ihrem Geschäftskontext passen.
• Experimentieren Sie mit verschiedenen KI-Modellen oder Einbettungen, um die Leistung zu verbessern.
• Passen Sie die Einstellungen der Vektordatenbank (z. B. FAISS) an, um den Abruf basierend auf Ihrer Wissensdatenbank zu optimieren.
• Optimieren Sie die Modelle, wenn Sie spezifische Ticketdaten für das Training haben, um die Klassifizierung und Antwortgenauigkeit zu verbessern.

Haftungsausschluss

Stellen Sie die Einhaltung aller Datenschutzbestimmungen sicher, wenn Sie KI-Modelle für die Verarbeitung von Kundendaten verwenden.