Deskhero
Türkçe
Ücretsiz deneyin

← Back to articles

Destek Ekipleri için Yapay Zekâ ile Talep Sınıflandırma: Uygulamalı Rehber

Destek Ekipleri için Yapay Zekâ ile Talep Sınıflandırma: Uygulamalı Rehber

Yapay zekâ destekli ticket sınıflandırma, gelen destek ticket’larını okur ve kategori, öncelik veya yönlendirilecek hedef gibi etiketleri tahmin eder. Tekrarlayan sıralama işlerini azaltabilir, ancak belirsiz tahminlerin yine de bir insan tarafından incelenmesi gerekir. Uygulamalı bir pilot çalışma; temsili ticket metni, açıkça tanımlanmış bir etiket kümesi ve doğrulama sonuçlarına göre belirlenmiş güven eşikleri kullanır. Bir 2025 karşılaştırmalı çalışması bir temel model seçmenize yardımcı olabilirken, bu accuracy, precision, recall ve F1 rehberi temel değerlendirme metriklerini açıklar.

Bir modele bütçe ayırmadan önce temel koşulları doğrulayın:

  • Kullanılabilir metinlere ve güvenilir etiketlere sahip, temsili bir geçmiş ticket kümeniz var
  • İlk taksonominiz, incelemeyi yapan kişilerin tutarlı biçimde uygulayabileceği kadar küçük
  • Düşük güvenli tahminleri insan inceleme kuyruğuna gönderebiliyorsunuz
  • Lansmandan sonra izleme ve düzeltmelerden ekibinizden biri sorumlu

Önemli Çıkarımlar

Yapay zekâ destekli ticket sınıflandırma, ilk günden tam otomasyon yerine etiketli örnekleri, ölçülebilir kabul kriterlerini, güven eşiklerini ve insan incelemesini bir arada kullandığında en iyi şekilde çalışır.

Nokta Ayrıntılar
Sınırlı bir pilotla başlayın Sınıflandırıcının kapsamını genişletmeden önce tek bir kuyruğu veya küçük bir kategori grubunu test edin.
Modeli göreve uygun seçin 2025 çalışması, klasik makine öğrenmesinin çeşitli ticket sınıflandırma senaryolarında test edilen derin öğrenme modelleriyle eşleştiğini veya onları geride bıraktığını ortaya koydu.
Güven eşiklerini kullanın Belirsiz sonuçları bir etiketi zorla atamak yerine insan incelemesine yönlendirin.
Lansmandan sonra izleyin Kaymayı tespit edebilmek için hataları sınıfa göre ve güven dağılımındaki değişiklikleri takip edin.
Sınıflandırmayı yanıt oluşturmadan ayırın Ticket yönlendirme ve yapay zekâ tarafından taslak yanıt oluşturma farklı sorunları çözer ve bağımsız olarak değerlendirilmelidir.

İçindekiler

Yapay Zekâ Destekli Ticket Sınıflandırma Nedir?

Yapay zekâ destekli ticket sınıflandırma, destek ticket’larına metinlerine ve bazı sistemlerde seçilmiş meta verilere veya eklere göre önceden tanımlanmış etiketlerin otomatik olarak atanmasıdır. Bu etiketler yönlendirme kurallarını, öncelik kuyruklarını, raporlamayı veya önerilen sonraki adımları besleyebilir. Sınıflandırıcı, yalnızca kabul kriterlerinizi karşılayan tahminler için manuel ön inceleme yükünü azaltır. Belirsiz ticket’ları fark ettirmeden bir kuyruğa zorla yerleştirmemelidir.

Olası faydalar arasında daha hızlı ilk sıralama ve daha tutarlı etiketler bulunur, ancak iyileşmenin boyutu taksonominize, eğitim verilerinize, iş akışınıza ve trafik hacminize bağlıdır. Bir tedarikçinin öne çıkardığı doğruluk oranına güvenmek yerine sonuçları mevcut sürecinizle karşılaştırarak ölçün.

Yaygın kullanım alanları arasında BT taleplerini erişim, donanım ve yazılım kategorilerine ayırmak; e-ticaret sorularını faturalandırma, kargo ve iadeler olarak sıralamak ve ticket’ları dile göre atamak bulunur. Sınıflandırma, yanıt oluşturmadan da farklıdır. Örneğin bir yardım masası, yönlendirmeyi ayrı bir kural veya model gerçekleştirirken bilgi kaynaklarından bir yanıt taslağı hazırlayabilir.

Yapay Zekâ Destekli Bir Ticket Sistemi Bir Ticket’ı Nasıl İşler?

Tipik bir ticket sınıflandırıcı beş aşama kullanır. Ayrıntılar modele ve entegrasyona göre değişir, ancak bu aşamalar bir şeyler ters gittiğinde kullanabileceğiniz yararlı kontrol noktaları sağlar.

Aşamalarıyla işlem hattı:

  1. Veri alımı. Sistem, yardım masasından ticket metnini ve ilgili meta verileri alır.
  2. Ön işleme. İlgisiz biçimlendirmeleri veya imzaları kaldırır ve girdiyi normalleştirir. Bazı uygulamalar desteklenen eklerdeki metni de çıkarır.
  3. Özellik çıkarma. Klasik bir model TF-IDF vektörleri kullanabilirken sinir ağı tabanlı bir model gömme vektörleri veya token’lar kullanabilir.
  4. Model çıkarımı. Sınıflandırıcı bir veya daha fazla etiket ve mevcutsa bir güven puanı tahmin eder.
  5. Son işleme ve yönlendirme. Ticket güncellenmeden önce kurallar tahmini kabul eder, reddeder veya incelemeye gönderir.

Çok dilli ticket’lar sınıflandırmadan önce çevrilebilir veya çok dilli bir model tarafından işlenebilir. Çeviri önemli terimleri değiştirebileceğinden, her iki yaklaşımı da kendi dil karışımınız üzerinde test edin. Açık kaynaklı aiticketclassifier projesi; kategori tahminleri, güven puanları, gösterge paneli, öneriler ve Slack uyarıları içeren bir TF-IDF sınıflandırma işlem hattını gösterir. Gerçek zamanlı işleme, etiketin etkin bir kuyruğu etkilemesi gereken iş akışlarına uygundur. Toplu işleme ise geçmiş ticket’ların işlenmesi ve değerlendirme için yararlıdır.

Ticket Hacminize Hangi Model Yaklaşımı Uygun?

Dikkate alabileceğiniz üç genel seviye vardır. Doğru seçim etiketlerinizin belirsizliğine, verilerinizin miktarına ve kalitesine, gecikme gereksinimlerine ve işletme maliyetine bağlıdır.

Kural ve örüntü tabanlı sistemler anahtar kelimeleri, adresleri, alan adlarını veya düzenli ifadeleri eylemlerle eşleştirir. Hızlıdırlar ve açıklanmaları kolaydır, ancak büyüyen bir kural kümesinin bakımı zorlaşabilir. Bilinen fatura adresleri veya ürün kodları gibi dar kapsamlı ve yüksek hassasiyet gerektiren durumlarda iyi çalışırlar.

Yapay zekâ destekli ticket sınıflandırma modellerinin karşılaştırma grafiği

Klasik makine öğrenmesi yöntemleri, örneğin Logistic Regression, SVM ve XGBoost, etiketli örneklerle eğitilir. 2025 karşılaştırmalı çalışması, kamuya açık ve kurumsal veri kümelerinde sekiz algoritmayı değerlendirdi. Ticket başlığı ile açıklamasının birleştirilmesinin test edilen tüm senaryolarda performansı artırdığını ve klasik modellerin birçok durumda test edilen derin öğrenme modelleriyle eşleştiğini veya onları geride bıraktığını ortaya koydu.

Transformer ve LLM yaklaşımları ticket’ların belirsiz, çok dilli veya daha geniş bağlama bağlı olduğu durumlarda yararlı olabilir. Bununla birlikte maliyet, gecikme ve değerlendirme karmaşıklığı da ekleyebilirler. Daha büyük modelin daha iyi performans göstereceğini varsaymak yerine bu modelleri daha basit bir temel modelle karşılaştırın.

Uzman İpucu: Kabul kriterlerinizi karşılayan en az karmaşık yaklaşımla başlayın. 2025 çalışması, test edilen senaryolarda öncelik sınıflandırması için 0,95’in üzerinde accuracy ve F1 bildirirken, kurumsal verilerde kategori sınıflandırmasının daha zor olduğunu ortaya koydu.

Bir Sınıflandırıcıyı Ticket İş Akışınıza Nasıl Entegre Edersiniz?

Entegrasyon, her tahminin açık ve geri alınabilir bir eyleme sahip olmasıyla başarılı olur. Şu adımları sırayla uygulayın:

  1. Verilerinizi denetleyin. Temsili bir dönemi örnekleyin ve ticket’ların ne kadar tutarlı etiketlendiğini kontrol edin.
  2. Taksonominizi tasarlayın. İncelemeyi yapan kişilerin güvenilir biçimde ayırt edebileceği kategorilerle başlayın.
  3. Bir başlangıç veri kümesi etiketleyin. Kuyruğu anlayan destek uzmanlarını kullanın ve anlaşmazlıkları kaydedin.
  4. Bir temel model oluşturun. Basit bir kural kümesini veya klasik modeli mevcut manuel sürecinizle karşılaştırın.
  5. Tam entegrasyonu test edin. Tahminlerin, hataların, yeniden denemelerin ve alan güncellemelerinin korumalı test ortamında nasıl davrandığını doğrulayın.
  6. Aşamalı olarak kullanıma sunun. Tek bir kuyrukla veya küçük bir yüksek güvenli etiket grubuyla başlayın.

Harici bir sınıflandırıcı genellikle yardım masasının desteklenen entegrasyon yöntemi üzerinden yeni ticket’ları okur ve kabul edilen etiketi grup, öncelik veya etiketler gibi alanlara geri yazar. Yardım masasının dışa giden olayları destekleyip desteklemediğini veya yoklama gerektirip gerektirmediğini kontrol edin. Deskhero REST API’si ticket listeleme ve güncellemeyi destekler, ancak dışa giden webhook’lar sunmadığı için harici bir sınıflandırıcının API’yi yoklaması gerekir. Posta kutusu kurulumu ve ticket oluşturma için Deskhero’nun e-postadan ticket’a iş akışına bakın.

Sınıflandırıcınızın Hazır Olduğunu Hangi Metrikler Kanıtlar?

Dört ölçüm özellikle yararlıdır: precision (tahmin edilen etiketlerin kaçının doğru olduğu), recall (gerçek örneklerin kaçının bulunduğu), F1 (precision ve recall’un harmonik ortalaması) ve güven kalibrasyonu (tahmin edilen olasılıkların gözlemlenen sonuçlarla eşleşip eşleşmediği).

Çok sınıflı sorunlarda, her sınıfa eşit ağırlık veren makro ortalamalı F1 ile yüksek hacimli sınıfların etkisinin baskın olduğu mikro ortalamalı F1’i birlikte inceleyin. Ayrıca bir karışıklık matrisi ile sınıf başına precision ve recall değerlerini de kontrol edin. Tek bir toplu puan, nadir ancak önemli kategorilerdeki ciddi hataları gizleyebilir.

Üretim trafiğini yansıtan, ayrılmış gerçek ticket’lardan oluşan bir küme üzerinde değerlendirme yapın. Kabul kriterlerini her hatanın maliyetine göre tanımlayın. Yanlış bir acil etiketi kapasiteyi boşa harcarken, gözden kaçırılan acil bir ticket SLA ihlaline yol açabilir.

Uzman İpucu: Bir güven eşiği evrensel bir yüzde değil, bir karar kuralıdır. Bu eşiği doğrulama verilerinden seçin ve altındaki tahminleri insan incelemesine yönlendirin.

Lansmandan Sonra Sınıflandırıcının Doğruluğunu Nasıl Korursunuz?

Dağıtım sürecin sonu değildir. Kategori başına tahmin hacmini, sınıfa göre hataları, güven dağılımını, inceleme kuyruğu hacmini ve yanlış yönlendirilen ticket’ların operasyonel etkisini takip edin.

  • Düzeltmeleri etiketli geri bildirim olarak toplayın ve tutarlılık açısından inceleyin
  • Yeni model sürümlerini ticket’ları değiştirmeden önce gölge modunda çalıştırın
  • Güncellemeleri kuyruk kuyruk kullanıma sunun ve geri alma seçeneğini koruyun
  • Seçilen eşik değerinin altındaki tahminler için insan incelemesini sürdürün

Yeniden eğitim sıklığı, keyfi bir takvim yerine gözlemlenen kaymayı takip etmelidir. Bir ürün lansmanı, taksonomi değişikliği veya yeni bir müşteri segmenti daha erken yeniden eğitimi gerektirebilir. Deskhero’nun müşteri desteği gösterge panoları rehberi, destek metriklerini seçmek için daha geniş bir çerçeve sunar; ancak sınıflandırıcıya özgü ölçümlerin yine de kendi izleme süreçleri olmalıdır.

Ne Yanlış Gidebilir ve Bunu Nasıl Düzeltirsiniz?

Tutarsız etiketler yaygın bir arıza nedenidir. Destek uzmanları benzer ticket’lara farklı kategoriler atıyorsa model bu anlaşmazlığı öğrenir. Etiketleme yönergeleri yazın, anlaşmazlık yaşanan örnekleri inceleyin ve ölçeklendirmeden önce uyumu ölçün. Sınıf dengesizliği başka bir risk oluşturur; çünkü toplu bir puan güçlü görünürken düşük hacimli bir kategori kötü performans gösterebilir. Sınıf başına metrikleri kullanın ve gerektiğinde daha temsili örnekler toplayın.

Yönerge kitapçığı ve dizüstü bilgisayar tutan eller

Belirsiz ticket’lar için açık bir geri dönüş süreci gerekir. Belirsiz tahminleri bir inceleme kuyruğuna gönderin, analiz için orijinal model çıktısını saklayın ve düzeltmelerin bir sonraki değerlendirme kümesine aktarılmasını sağlayın. LLM tabanlı sistemlerde, herhangi bir iş akışı eylemi çalışmadan önce çıktının izin verilen etiketlerden biri olduğunu doğrulayın.

Gizlilik ayrı bir başlık olarak ele alınmalıdır. Yasal ve güvenlik gereksinimleriniz, gerektiğinde uygun bir veri işleme sözleşmesi de dâhil olmak üzere karşılanmadığı sürece kişisel veri içeren ticket’ları üçüncü taraf bir modele göndermeyin.

Uzman İpucu: Sınıflandırıcıya gönderilen alanları en aza indirin. Model yalnızca konuya ve mesaja ihtiyaç duyuyorsa ilgisiz müşteri verilerini dahil etmeyin.

4 Haftalık Yapay Zekâ Sınıflandırma Pilotu Nasıl Görünür?

Dört haftalık bir program planlama şablonu olarak işe yarayabilir; ancak gerçek tempoyu veri miktarı ve inceleme süresi belirlemelidir:

  1. 0. hafta, kapsam belirleme. Bir kuyruk seçin, taksonomiyi tanımlayın, temel metrikleri belirleyin ve kabul edilemez hataları belgeleyin.
  2. 1. hafta, etiketleme ve temel model. Temsili bir örneği etiketleyin, anlaşmazlıkları çözün ve uygulanabilir en basit temel modeli eğitin veya yapılandırın.
  3. 2. hafta, entegrasyon ve gölge testi. Canlı ticket’larda, alanlarını değiştirmeden tahminleri çalıştırın.
  4. 3. ve 4. haftalar, sınırlı kullanıma sunma ve değerlendirme. Eylemleri yalnızca doğrulanmış yüksek güvenli durumlar için etkinleştirin; ardından model kalitesini, inceleme yükünü, yönlendirme düzeltmelerini ve destek sonuçlarını ölçün.

Dört haftayı bir garanti olarak görmeyin. Nadir kategoriler eksikse, etiket kalitesi tutarsızsa veya entegrasyon güvenli şekilde başarısız olamıyorsa gölge testini uzatın.

Deskhero, Yapay Zekâ Sınıflandırmasını Pilot Olarak Deneyen Ekiplere Neden Uygun?

Deskhero, müşterilerin kullandığı e-posta adresini değiştirmeden bir Gmail, Google Workspace veya Microsoft 365 posta kutusunu yardım masasına dönüştürür. Yeni ticket’lar gömülü formlar ve yapay zekâ sohbet botu üzerinden de gelebilir. Bu, Kullanıcılar paylaşılan gelen kutusunda çalışmaya devam ederken pilota tutarlı bir ticket kaydı sağlar.

Deskhero’nun yeni ticket otomasyonları, doğal dilde yazılmış yapay zekâ koşullarını değerlendirebilir ve atanan kişiyi, grubu, durumu, önceliği, etiketleri veya açılır menü alanlarını belirleyebilir. Bu, özel bir model oluşturmadan pratik yapay zekâ destekli ön incelemeyi mümkün kılar. Ayrı bir sınıflandırıcı için REST API ticket’ları listeleyip güncelleyebilir, ancak Deskhero dışa giden webhook’lara sahip olmadığından entegrasyonun yoklama yapması gerekir. Yapay zekâ önerili yanıtlar, çalışma alanı bilgisine dayanan ayrı bir özelliktir; müşteriye gönderilen yapay zekâ otomatik yanıtları ve sohbet botu yalnızca onaylanmış herkese açık SSS içeriklerinden yanıt verir. Deskhero ayrıca çok dilli ticket’ları destekler.

Uygulama Notları

İlk taksonomiyi dar tutun, her düzeltmeyi kaydedin ve model değerlendirmesini iş akışı değerlendirmesinden ayırın. Bir sınıflandırıcı güçlü bir F1 puanına sahip olsa bile yanlış grubu atar veya Kullanıcıların ihtiyaç duyduğu bir alanın üzerine yazarsa operasyonel sorunlar oluşturabilir. Gölge tahminlerle başlayın, ardından en net durumlar için geri alınabilir eylemleri etkinleştirin.

Taşıma İşlemini Beklemeden Pilota Başlayın

Deskhero, Microsoft paylaşılan posta kutuları da dahil olmak üzere mevcut bir Gmail, Google Workspace veya Microsoft 365 posta kutusuna bağlanabilir. Öncelikle açık koşullardan veya yapay zekâ tarafından değerlendirilen bir koşuldan yönlendirme alanlarını belirleyen yerleşik yeni ticket otomasyonlarını test edebilirsiniz. Ayrı olarak eğitilmiş bir sınıflandırıcıya ihtiyacınız varsa ticket’ları yoklamak ve kabul edilen etiketleri güncellemek için REST API’yi kullanın.

Deskhero

Sınıflandırma, yönlendirme ve yanıt oluşturmayı ayrı kontroller olarak tutun. Deskhero’nun önerilen yanıtları çalışma alanı bilgilerini kullanır ve bir Kullanıcının kabul etmesi, düzenlemesi veya reddetmesi için sunulur. Yapay zekâ otomatik yanıtları ve sohbet botu yalnızca onaylanmış herkese açık SSS öğelerini kullanır; sohbet botunun etkinleştirilebilmesi için en az 100 onaylanmış SSS girdisi gerekir. Deskhero, kredi kartı gerektirmeyen 30 günlük ücretsiz deneme sunar.

Kaynaklar

Aşağıdaki kaynaklar bir araştırma karşılaştırması, çalışan bir referans uygulaması ve temel değerlendirme metrikleri için tanımlar sunar:

SSS

Yapay Zekâ Destekli Ticket Sistemi Nedir?

Yapay zekâ destekli ticket sistemi; sınıflandırma, önceliklendirme, yönlendirme, yanıt taslağı oluşturma veya otomatik yanıtlar gibi görevler için makine öğrenmesi ya da dil modelleri kullanan bir yardım masası veya bağlı hizmettir. Kesin özellikler ürüne göre değişir.

Yapay Zekâdaki Sınıflandırma Modelleri Nelerdir?

Sınıflandırma modelleri, etiketli örneklerden öğrenilen kurallara veya örüntülere dayanarak yeni girdilere önceden tanımlanmış bir veya daha fazla etiket atar. Ticket sistemlerinde etiket bir kategori, öncelik, dil veya hedef grup olabilir.

Yapay Zekâ Ticket Yöntemi Nedir?

Standartlaştırılmış bir “yapay zekâ ticket yöntemi” yoktur. Tipik bir işlem hattı ticket metnini alır, girdiyi hazırlar, bir etiket tahmin eder, sonucu kurallara ve güven kriterlerine göre doğrular ve ardından ticket’ı günceller veya kuyruğa alır.

Yapay Zekâ Destek Ticket’larını Doğru Şekilde Nasıl Sınıflandırır?

Doğruluk; tutarlı etiketlere, temsili örneklere, uygun girdi alanlarına ve ayrılmış ticket’larla yapılan testlere bağlıdır. 2025 karşılaştırmalı çalışması, başlık ile açıklamanın birleştirilmesinin test edilen tüm senaryolarda sonuçları iyileştirdiğini ortaya koydu.

Deskhero Gibi Bir Yardım Masası, Veri Bilimi Ekibi Olmadan Ticket Sınıflandırmasını Gerçekleştirebilir mi?

Deskhero, doğal dilde yazılmış yapay zekâ koşullarına sahip otomasyon kuralları üzerinden yapay zekâ destekli yeni ticket ön incelemesi gerçekleştirebilir. Bu kurallar grup, öncelik, atanan kişi, durum ve etiketler gibi alanları belirleyebilir. Ayrı olarak eğitilmiş istatistiksel bir sınıflandırıcı, Deskhero’nun REST API’sini yoklayan harici bir entegrasyon gerektirir.