Нашим специалистам была обозначена типичная проблема, с которой сталкиваются службы поддержки в системе Help Desk любого крупного предприятия: направление запроса пользователя нужному специалисту кратчайшим путем. Нам необходимо было минимизировать время обработки запроса за счет автоматической диспетчеризации запросов сотрудникам, которые непосредственно окажут услугу или решат проблему без “пинг понга” и “отфутболивания” задачи.
Для решения задачи нам был предоставлена база данных обработанных запросов, которую мы использовали для тренировки нейронной сети-классификатора и определения нескольких важных характеристик, таких как:
Категория: инцидент либо услуга
Тона запроса: конфликтный, неконфликтный
Предметная сфера: основное оборудование, периферийное оборудование, программное обеспечение, ЕСЭД, email ит.д.
После определения характеристик каждый новый запрос направляется сотруднику, который оптимально справится с обработкой запроса с учетом истории обращений.
Важнейшим компонентом решения является самообучение системы “на лету”. Так, если по какой-то причине система приняла неоптимальное решение и запрос был вручную перенаправлен внутри Help Desk, данная информация принимается во внимание моделью обучения. Таким образом, классификатор постоянно дообучается в реальном времени.
Для решения задачи нам был предоставлена база данных обработанных запросов, которую мы использовали для тренировки нейронной сети-классификатора и определения нескольких важных характеристик, таких как:
Категория: инцидент либо услуга
Тона запроса: конфликтный, неконфликтный
Предметная сфера: основное оборудование, периферийное оборудование, программное обеспечение, ЕСЭД, email ит.д.
После определения характеристик каждый новый запрос направляется сотруднику, который оптимально справится с обработкой запроса с учетом истории обращений.
Важнейшим компонентом решения является самообучение системы “на лету”. Так, если по какой-то причине система приняла неоптимальное решение и запрос был вручную перенаправлен внутри Help Desk, данная информация принимается во внимание моделью обучения. Таким образом, классификатор постоянно дообучается в реальном времени.
Некоторая часть запросов не может автоматически классифицирована, так как некоторые запросы содержат несколько смежных характеристик, например, требуется решить проблему с email и получить консультацию по работе с периферийным устройством. Такие запросы система направляет на ручной разбор.
На данный момент в ходе пилотной эксплуатации, классификатор показывает уровень корректности классификации и адресации запросов на уровне более 90%.
На данный момент в ходе пилотной эксплуатации, классификатор показывает уровень корректности классификации и адресации запросов на уровне более 90%.