ClassifyXR.ai

Sistem Klasifikasi dan Respons Tiket Dukungan Pelanggan (ClassifyXR.ai)

Ringkasan

Sistem Klasifikasi dan Respons Tiket Dukungan Pelanggan adalah alat canggih yang dirancang untuk mengotomatisasi dan meningkatkan pengalaman layanan pelanggan. Sistem ini mengintegrasikan model AI tingkat lanjut dan teknik Retrieval-Augmented Generation (RAG) untuk mengklasifikasikan tiket, menilai urgensi, mengevaluasi sentimen pelanggan, dan mengekstrak informasi penting. Ini mengambil dokumen basis pengetahuan yang relevan untuk menginformasikan dan menghasilkan respons yang akurat dan berempati secara kontekstual. Dengan memanfaatkan integrasi AI multi-model, pemrosesan paralel, dan pemanfaatan basis pengetahuan yang komprehensif, sistem ini secara signifikan meningkatkan waktu respons, kepuasan pelanggan, dan efisiensi operasional untuk tim dukungan.

Fitur

• Integrasi AI Multi-Model : Memanfaatkan beberapa model sumber terbuka, termasuk LLaMA 3.1, Mistral, dan Gemma:7B-Instruct, untuk memproses dan mengklasifikasikan tiket dukungan pelanggan. Sistem memilih respons paling akurat berdasarkan skor keyakinan.
• Pemrosesan Paralel : Mengimplementasikan pemrosesan paralel menggunakan ThreadPoolExecutor , memungkinkan sistem menjalankan beberapa model secara bersamaan. Hal ini mengurangi waktu respons sekaligus mempertahankan hasil yang berkualitas tinggi dan akurat.
• Integrasi Basis Pengetahuan : Mendukung pemuatan dan pemrosesan dokumen dari basis pengetahuan, termasuk file PDF, DOCX, TXT, dan JSON. Memanfaatkan database vektor FAISS untuk pengambilan informasi relevan yang cepat dan tepat berdasarkan pertanyaan pelanggan.
• Retrieval-Augmented Generation (RAG) : Meningkatkan pembuatan respons dengan mengambil dokumen paling relevan dari basis pengetahuan menggunakan Relevansi Marginal Maksimum (MMR). Informasi yang diambil diintegrasikan ke dalam model generatif untuk menghasilkan respons yang akurat dan informatif secara kontekstual.
• Respons Sadar Konteks : Menghasilkan respons yang diperkaya dengan wawasan pelanggan, riwayat komunikasi sebelumnya, dan informasi spesifik yang diambil dari basis pengetahuan. Memastikan tanggapan berempati, relevan, dan selaras dengan kebutuhan pelanggan.
• Konteks Bisnis yang Dapat Disesuaikan : Menyesuaikan respons terhadap konteks bisnis tertentu, secara dinamis mengintegrasikan informasi bisnis yang relevan ke dalam pembuatan respons. Mendukung berbagai kategori tiket seperti pesanan, akun, masalah teknis, penagihan, dan lainnya.
• Deteksi Sentimen dan Urgensi : Secara otomatis mendeteksi sentimen (misalnya, frustrasi, marah) dan urgensi tiket, memprioritaskan tiket berdampak tinggi untuk ditinjau secara manual oleh agen dukungan bila diperlukan.
• Respons Terstruktur : Memastikan respons terstruktur sesuai dengan skema JSON yang telah ditentukan sebelumnya, memberikan wawasan yang jelas dan dapat ditindaklanjuti untuk tim dukungan pelanggan.
• Penanganan Permintaan Fitur : Mengelola permintaan fitur dengan mengambil informasi produk yang relevan dari basis pengetahuan, memandu pelanggan ke fitur yang ada yang mungkin memenuhi kebutuhan mereka.
• Integrasi Wawasan Pelanggan : Menggabungkan wawasan pelanggan, termasuk demografi, preferensi, dan lokasi, ke dalam klasifikasi tiket dan proses respons, sehingga mempersonalisasi pengalaman dukungan.
• Pemanfaatan Riwayat Komunikasi Sebelumnya : Mengambil dan mengintegrasikan riwayat komunikasi sebelumnya untuk memberikan respons yang akurat dan konsisten secara kontekstual, meningkatkan pengalaman dukungan pelanggan secara keseluruhan.

Penggunaan

• Tentukan tiket dukungan Anda sebagai string.
• Gunakan fungsi classify_and_response untuk mendapatkan data klasifikasi terstruktur dan menghasilkan respons yang diperkaya secara kontekstual.
• Sistem akan secara otomatis mengambil dokumen yang relevan dari basis pengetahuan untuk menginformasikan pembuatan respons.

Instalasi

Prasyarat

• Python 3.7 atau lebih tinggi
• Manajer lingkungan virtual ( venv )

Pengaturan

Ikuti langkah-langkah berikut untuk menyiapkan lingkungan proyek dan menginstal dependensi:

1. Kloning Repositori :

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

2. Arahkan ke Direktori Proyek :

   python -m venv venv

3. Buat Lingkungan Virtual :

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

4. Instal Ketergantungan Proyek :

   pip install -r requirements.txt

5. Hasilkan Token Rahasia (Opsional) :

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

6. Salin Variabel Lingkungan :

   cp -r .env-example .env

7. Konfigurasikan Variabel Lingkungan : Edit file .env untuk menyiapkan variabel lingkungan yang diperlukan sesuai pengaturan Anda.

Menjalankan Aplikasi

Untuk memulai aplikasi Flask, gunakan perintah berikut:

flask --app app run

Kontribusi dan Kustomisasi

• Sesuaikan business_context dan system_prompt agar lebih sesuai dengan konteks bisnis Anda.
• Bereksperimenlah dengan model atau penyematan AI yang berbeda untuk meningkatkan kinerja.
• Sesuaikan pengaturan database vektor (misalnya, FAISS) untuk mengoptimalkan pengambilan berdasarkan basis pengetahuan Anda.
• Sempurnakan model jika Anda memiliki data tiket khusus untuk pelatihan guna meningkatkan klasifikasi dan akurasi respons.

Penafian

Pastikan kepatuhan terhadap semua peraturan privasi data saat menggunakan model AI untuk pemrosesan data pelanggan.