ClassifyXR.ai

Système de classification et de réponse des tickets de support client (ClassifyXR.ai)

Aperçu

Le système de classification et de réponse des tickets d'assistance client est un outil sophistiqué conçu pour automatiser et améliorer l'expérience du service client. Ce système intègre des modèles d'IA avancés et des techniques de génération augmentée de récupération (RAG) pour classer les tickets, évaluer l'urgence, évaluer le sentiment des clients et extraire des informations clés. Il récupère les documents pertinents de la base de connaissances pour informer et générer des réponses contextuellement précises et empathiques. En tirant parti de l'intégration de l'IA multimodèle, du traitement parallèle et de l'utilisation complète de la base de connaissances, ce système améliore considérablement les temps de réponse, la satisfaction des clients et l'efficacité opérationnelle des équipes d'assistance.

Caractéristiques

• Intégration d'IA multimodèle : exploite plusieurs modèles open source, notamment LLaMA 3.1, Mistral et Gemma:7B-Instruct, pour traiter et classer les tickets d'assistance client. Le système sélectionne la réponse la plus précise en fonction d'un score de confiance.
• Traitement parallèle : implémente le traitement parallèle à l'aide de ThreadPoolExecutor , permettant au système d'exécuter plusieurs modèles simultanément. Cela réduit le temps de réponse tout en conservant des résultats précis et de haute qualité.
• Intégration de la base de connaissances : prend en charge le chargement et le traitement de documents à partir d'une base de connaissances, notamment les fichiers PDF, DOCX, TXT et JSON. Utilise les bases de données vectorielles FAISS pour une récupération rapide et précise des informations pertinentes basées sur les demandes des clients.
• Génération de récupération augmentée (RAG) : améliore la génération de réponses en récupérant les documents les plus pertinents de la base de connaissances à l'aide de la pertinence marginale maximale (MMR). Les informations récupérées sont intégrées dans le modèle génératif pour produire des réponses contextuellement précises et informatives.
• Réponses contextuelles : génère des réponses enrichies d'informations sur les clients, de l'historique des communications précédentes et d'informations spécifiques extraites de la base de connaissances. S'assure que les réponses sont empathiques, pertinentes et alignées sur les besoins des clients.
• Contexte commercial personnalisable : adapte les réponses à des contextes commerciaux spécifiques, en intégrant dynamiquement les informations commerciales pertinentes dans la génération de réponses. Prend en charge diverses catégories de tickets telles que les commandes, les comptes, les problèmes techniques, la facturation, etc.
• Détection des sentiments et de l'urgence : détecte automatiquement le sentiment (par exemple, frustré, en colère) et l'urgence des tickets, en donnant la priorité aux tickets à fort impact pour un examen manuel par les agents d'assistance si nécessaire.
• Réponses structurées : garantit que les réponses sont structurées selon des schémas JSON prédéfinis, fournissant ainsi des informations claires et exploitables aux équipes de support client.
• Gestion des demandes de fonctionnalités : gère les demandes de fonctionnalités en récupérant les informations produit pertinentes à partir de la base de connaissances, guidant les clients vers les fonctionnalités existantes susceptibles de répondre à leurs besoins.
• Intégration des informations client : intègre les informations client, y compris les données démographiques, les préférences et l'emplacement, dans le processus de classification et de réponse des tickets, personnalisant ainsi l'expérience d'assistance.
• Utilisation de l’historique des communications précédentes : récupère et intègre l’historique des communications précédentes pour fournir des réponses contextuellement précises et cohérentes, améliorant ainsi l’expérience globale du support client.

Usage

• Définissez vos tickets d’assistance sous forme de chaînes.
• Utilisez la fonction classify_and_response pour obtenir des données de classification structurées et générer des réponses enrichies contextuellement.
• Le système récupérera automatiquement les documents pertinents de la base de connaissances pour informer la génération de réponses.

Installation

Conditions préalables

• Python 3.7 ou supérieur
• Gestionnaire d'environnement virtuel ( venv )

Installation

Suivez ces étapes pour configurer l'environnement du projet et installer les dépendances :

1. Cloner le référentiel :

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

2. Accédez au répertoire du projet :

   python -m venv venv

3. Créer un environnement virtuel :

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

4. Installer les dépendances du projet :

   pip install -r requirements.txt

5. Générez un jeton secret (facultatif) :

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

6. Copier les variables d'environnement :

   cp -r .env-example .env

7. Configurer les variables d'environnement : modifiez le fichier .env pour configurer les variables d'environnement nécessaires selon votre configuration.

Exécution de l'application

Pour démarrer l'application Flask, utilisez la commande suivante :

flask --app app run

Contributions et personnalisation

• Ajustez business_context et system_prompt pour mieux les adapter à votre contexte commercial.
• Expérimentez avec différents modèles ou intégrations d'IA pour améliorer les performances.
• Personnalisez les paramètres de la base de données vectorielles (par exemple, FAISS) pour optimiser la récupération en fonction de votre base de connaissances.
• Affinez les modèles si vous disposez de données de ticket spécifiques pour la formation afin d'améliorer la classification et la précision des réponses.

Clause de non-responsabilité

Assurez le respect de toutes les réglementations en matière de confidentialité des données lorsque vous utilisez des modèles d’IA pour le traitement des données clients.