Sistema de respuesta y clasificación de tickets de atención al cliente (ClassifyXR.ai)
Descripción general
El Sistema de respuesta y clasificación de tickets de atención al cliente es una herramienta sofisticada diseñada para automatizar y mejorar la experiencia de servicio al cliente. Este sistema integra modelos avanzados de IA y técnicas de recuperación-generación aumentada (RAG) para clasificar tickets, evaluar la urgencia, evaluar la opinión del cliente y extraer información clave. Recupera documentos relevantes de la base de conocimientos para informar y generar respuestas empáticas y contextualmente precisas. Al aprovechar la integración de IA multimodelo, el procesamiento paralelo y la utilización integral de la base de conocimientos, este sistema mejora significativamente los tiempos de respuesta, la satisfacción del cliente y la eficiencia operativa de los equipos de soporte.
Características
- Integración de IA multimodelo : aprovecha múltiples modelos de código abierto, incluidos LLaMA 3.1, Mistral y Gemma:7B-Instruct, para procesar y clasificar tickets de atención al cliente. El sistema selecciona la respuesta más precisa basándose en una puntuación de confianza.
- Procesamiento paralelo : implementa el procesamiento paralelo utilizando
ThreadPoolExecutor , lo que permite que el sistema ejecute múltiples modelos simultáneamente. Esto reduce el tiempo de respuesta y al mismo tiempo mantiene resultados precisos y de alta calidad. - Integración de la base de conocimientos : admite la carga y el procesamiento de documentos desde una base de conocimientos, incluidos archivos PDF, DOCX, TXT y JSON. Utiliza bases de datos vectoriales FAISS para la recuperación rápida y precisa de información relevante basada en las consultas de los clientes.
- Recuperación-Generación aumentada (RAG) : mejora la generación de respuestas al recuperar los documentos más relevantes de la base de conocimientos utilizando la máxima relevancia marginal (MMR). La información recuperada se integra en el modelo generativo para producir respuestas contextualmente precisas e informativas.
- Respuestas sensibles al contexto : genera respuestas que se enriquecen con conocimientos del cliente, historial de comunicaciones anteriores e información específica recuperada de la base de conocimientos. Garantiza que las respuestas sean empáticas, relevantes y alineadas con las necesidades del cliente.
- Contexto empresarial personalizable : adapta las respuestas a contextos empresariales específicos, integrando dinámicamente información empresarial relevante en la generación de respuestas. Admite varias categorías de tickets, como pedidos, cuentas, problemas técnicos, facturación y más.
- Detección de sentimiento y urgencia : detecta automáticamente el sentimiento (por ejemplo, frustración, enojo) y la urgencia de los tickets, priorizando los tickets de alto impacto para que los agentes de soporte los revisen manualmente cuando sea necesario.
- Respuestas estructuradas : garantiza que las respuestas estén estructuradas de acuerdo con esquemas JSON predefinidos, proporcionando información clara y procesable para los equipos de atención al cliente.
- Manejo de solicitudes de funciones : gestiona las solicitudes de funciones recuperando información relevante del producto de la base de conocimientos, guiando a los clientes a las funciones existentes que podrían satisfacer sus necesidades.
- Integración de conocimientos del cliente : incorpora conocimientos del cliente, incluidos datos demográficos, preferencias y ubicación, en el proceso de clasificación y respuesta de los tickets, personalizando la experiencia de soporte.
- Utilización del historial de comunicaciones anteriores : recupera e integra el historial de comunicaciones anteriores para proporcionar respuestas contextualmente precisas y consistentes, mejorando la experiencia general de atención al cliente.
Uso
- Defina sus tickets de soporte como cadenas.
- Utilice la función
classify_and_response para obtener datos de clasificación estructurados y generar respuestas enriquecidas contextualmente. - El sistema recuperará automáticamente los documentos relevantes de la base de conocimientos para informar la generación de respuestas.
Instalación
Requisitos previos
- Python 3.7 o superior
- Administrador de entorno virtual (
venv )
Configuración
Siga estos pasos para configurar el entorno del proyecto e instalar dependencias:
Clonar el repositorio :
git clone https://github.com/prdepyadv/classifyxr.ai.git
Navegue al directorio del proyecto :
Crear un entorno virtual :
. . v env S cripts A ctivate.ps1 # (For Windows)
or
. venv/bin/activate # (For Linux or MacOS) Instalar dependencias del proyecto :
pip install -r requirements.txt
Generar un token secreto (opcional) :
python -c ' import secrets; print(secrets.token_hex()) '
Copiar variables de entorno :
Configurar variables de entorno : edite el archivo .env para configurar las variables de entorno necesarias según su configuración.
Ejecutando la aplicación
Para iniciar la aplicación Flask, utilice el siguiente comando:
Aportaciones y personalización
- Ajuste business_context y system_prompt para que se ajusten mejor a su contexto empresarial.
- Experimente con diferentes modelos de IA o incorporaciones para mejorar el rendimiento.
- Personalice la configuración de la base de datos de vectores (por ejemplo, FAISS) para optimizar la recuperación en función de su base de conocimientos.
- Ajuste los modelos si tiene datos de tickets específicos para el entrenamiento a fin de mejorar la clasificación y la precisión de la respuesta.
Descargo de responsabilidad
Garantice el cumplimiento de todas las normas de privacidad de datos al utilizar modelos de IA para el procesamiento de datos de clientes.
