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 ile ticket sınıflandırma, gelen destek ticket'larını okur ve kategori, öncelik veya yönlendirme gibi etiketleri tahmin eder. Tekrarlayan sıralama işlerini azaltabilir, ancak belirsiz tahminlerin yine de insan tarafından incelenmesi gerekir. Uygulanabilir bir pilot çalışma; temsili ticket metinleri, açıkça tanımlanmış bir etiket kümesi ve doğrulama sonuçlarına göre belirlenmiş güven eşikleri kullanır. 2025 tarihli karşılaştırmalı bir çalışma başlangıç modelini seçmenize yardımcı olabilir; bu doğruluk, kesinlik, duyarlılık ve F1 temel rehberi ise temel değerlendirme metriklerini açıklar.

Bir modele bütçe ayırmadan önce temel koşulları doğrulayın:

  • Kullanılabilir metne 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 gönderebilirsiniz
  • Lansmandan sonra izleme ve düzeltmelerden sorumlu bir ekip üyeniz var

Temel Çıkarımlar

Yapay zekâ ile ticket sınıflandırma; ilk günden tam otomasyon yerine etiketli örnekleri, ölçülebilir kabul kriterlerini, güven eşiklerini ve insan incelemesini bir araya getirdiğinde en iyi sonucu verir.

Nokta Ayrıntılar
Sınırlı bir pilotla başlayın Sınıflandırıcının kapsamını genişletmeden önce bir kuyruğu veya küçük bir kategori grubunu test edin.
Modeli göreve uygun seçin 2025 tarihli çalışma, çeşitli ticket sınıflandırma senaryolarında klasik makine öğreniminin test edilen derin öğrenme modelleriyle aynı veya daha iyi sonuç verdiğini 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 ile Ticket Sınıflandırma Nedir?

Yapay zekâ ile ticket sınıflandırma, destek ticket'larına metinlerine ve bazı sistemlerde seçili 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 tahminlerinizin kabul kriterlerini karşılaması durumunda manuel ön inceleme yükünü azaltır. Belirsiz ticket'ları sessizce bir kuyruğa zorla göndermemelidir.

Olası faydalar arasında daha hızlı ilk sıralama ve daha tutarlı etiketler bulunur; ancak iyileşmenin boyutu taksonominize, eğitim verilerinize, iş akışınıza ve trafiğinize bağlıdır. Bir sağlayıcının 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 şeklinde sıralamak ve ticket'ları dile göre atamak bulunur. Sınıflandırma, yanıt oluşturmadan da farklıdır. Örneğin bir yardım masası, yönlendirmeyi ayrı bir kural veya model yürütürken bilgi kaynaklarından yanıt taslağı oluşturabilir.

Yapay Zekâlı 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 sorun meydana geldiğinde size yararlı kontrol noktaları sağlar.

Aşamalarıyla işlem hattı:

  1. Veri alımı. Sistem, ticket metnini ve ilgili meta verileri yardım masasından alır.
  2. Ön işleme. İlgisiz işaretlemeleri veya imzaları kaldırır ve girdiyi normalleştirir. Bazı uygulamalar desteklenen eklerdeki metni de çıkarır.
  3. Özellik çıkarımı. Klasik bir model TF-IDF vektörleri kullanabilirken sinir ağı tabanlı bir model gömme gösterimleri veya token'lar kullanabilir.
  4. Model çıkarımı. Sınıflandırıcı, bir veya daha fazla etiketi ve mevcutsa bir güven puanını tahmin eder.
  5. İşlem sonrası ve yönlendirme. Kurallar, ticket güncellenmeden önce 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, kendi dil karışımınız üzerinde her iki yaklaşımı da test edin. Açık kaynaklı aiticketclassifier projesi; kategori tahminleri, güven puanları, bir kontrol 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 verilerin doldurulması ve değerlendirme için kullanışlıdır.

Ticket Hacminize Hangi Model Yaklaşımı Uygun?

Dikkate alınabilecek üç genel seviye vardır. Doğru seçim, etiketlerinizdeki belirsizliğe, 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, yüksek kesinlik gerektiren durumlarda iyi çalışırlar.

Yapay zekâ ile ticket sınıflandırma modellerinin karşılaştırma grafiği

Klasik makine öğrenimi yöntemleri; örneğin Logistic Regression, SVM ve XGBoost, etiketli örneklerle eğitilir. 2025 tarihli karşılaştırmalı çalışma, herkese açık ve kurumsal veri kümelerinde sekiz algoritmayı değerlendirdi. Ticket başlığı ile açıklamasının birleştirilmesinin test edilen tüm senaryolarda performansı artırdığını ve klasik modellerin çeşitli durumlarda test edilen derin öğrenme modelleriyle aynı veya daha iyi sonuç verdiğini 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 bunları daha basit bir başlangıç modeliyle karşılaştırın.

Uzman İpucu: Kabul kriterlerinizi karşılayan en az karmaşık yaklaşımla başlayın. 2025 tarihli çalışma, test edilen senaryolarda öncelik sınıflandırması için 0,95'in üzerinde doğruluk ve F1 bildirdi; kategori sınıflandırması ise kurumsal verilerde daha zordu.

Bir Sınıflandırıcıyı Ticket İş Akışınıza Nasıl Entegre Edersiniz?

Her tahminin açık ve geri alınabilir bir eylemi olduğunda entegrasyon başarılı olur. Bu adımları sırayla uygulayın:

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

Harici bir sınıflandırıcı, yeni ticket'ları genellikle yardım masasının desteklediği entegrasyon yöntemi üzerinden okur ve kabul edilen etiketi grup, öncelik veya etiketler gibi alanlara geri yazar. Yardım masasının dışa dönük olayları destekleyip desteklemediğini veya yoklama gerektirip gerektirmediğini kontrol edin. Deskhero'nun REST API'si ticket listelemeyi ve güncellemeyi destekler, ancak dışa dönük webhook'lar sunmaz; bu nedenle harici bir sınıflandırıcı API'yi yoklamalıdır. Posta kutusu kurulumu ve ticket oluşturma hakkında bilgi için Deskhero'nun e-postadan ticket'a iş akışına bakın.

Sınıflandırıcınızın Hazır Olduğunu Hangi Metrikler Kanıtlar?

Dört ölçüm özellikle yararlıdır: kesinlik (tahmin edilen etiketlerin kaçının doğru olduğu), duyarlılık (gerçek örneklerin kaçının bulunduğu), F1 (kesinlik ve duyarlılığın 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 baskın olduğu mikro ortalamalı F1 değerlerini birlikte inceleyin. Ayrıca bir karmaşıklık matrisi ile sınıf başına kesinlik ve duyarlılığı da değerlendirin. 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 kaçan 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 Bir Sınıflandırıcının Doğruluğunu Nasıl Korursunuz?

Devreye alma son durak 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 değiştirmelerine izin vermeden önce gölge modunda çalıştırın
  • Güncellemeleri kuyruk kuyruk kullanıma sunun ve geri alma yolunu koruyun
  • Seçilen eşik değerinin altındaki tahminler için insan incelemesini sürdürün

Yeniden eğitim sıklığı, keyfi bir takvime değil gözlemlenen kaymaya göre belirlenmelidir. Bir ürün lansmanı, taksonomi değişikliği veya yeni müşteri segmenti daha erken yeniden eğitimi gerekli kılabilir. Deskhero'nun müşteri destek panoları rehberi, destek metriklerini seçmek için daha geniş bir çerçeve sunar; ancak sınıflandırıcıya özgü ölçümlerin yine de ayrıca izlenmesi gerekir.

Ne Yanlış Gidebilir ve Bunu Nasıl Düzeltirsiniz?

Tutarsız etiketler yaygın bir hata türüdür. Destek uzmanları benzer ticket'lara farklı kategoriler atıyorsa model bu anlaşmazlığı öğrenir. Etiketleme yönergeleri yazın, tartışmalı örnekleri inceleyin ve ölçeklendirmeden önce uyumu ölçün. Sınıf dengesizliği başka bir risk oluşturur; çünkü düşük hacimli bir kategori kötü performans gösterirken toplu puan güçlü görünebilir. Sınıf başına metrikleri kullanın ve gerektiğinde daha temsili örnekler toplayın.

Kılavuz kitapçığı ve dizüstü bilgisayar tutan eller

Belirsiz ticket'lar için açık bir geri dönüş yöntemi gerekir. Belirsiz tahminleri bir inceleme kuyruğuna gönderin, analiz için orijinal model çıktısını koruyun 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 kendi başına ele alınması gereken bir konudur. Yasal ve güvenlik gereksinimleriniz karşılanmadığı sürece, kişisel veri içeren ticket'ları üçüncü taraf bir modele göndermeyin; gerektiğinde uygun bir veri işleme sözleşmesi de buna dahildir.

Uzman İpucu: Sınıflandırıcıya gönderilen alanları en aza indirin. Modelin yalnızca bir konuya ve mesaja ihtiyacı varsa ilgisiz müşteri verilerini dahil etmeyin.

4 Haftalık Bir 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, başlangıç metriklerini belirleyin ve kabul edilemez hataları belgeleyin.
  2. 1. hafta, etiketleme ve başlangıç modeli. Temsili bir örneklemi etiketleyin, anlaşmazlıkları çözün ve uygulanabilir en basit başlangıç modelini 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 garanti olarak değerlendirmeyin. Nadir kategoriler eksikse, etiket kalitesi tutarsızsa veya entegrasyon güvenli biçimde başarısız olamıyorsa gölge testini uzatın.

Deskhero, Yapay Zekâ ile Sınıflandırmayı Pilot Olarak Deneyen Ekipler İçin 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 zekâlı sohbet botu üzerinden de gelebilir. Bu sayede Kullanıcılar paylaşılan gelen kutusunda çalışmaya devam ederken pilot çalışma tutarlı bir ticket kaydına sahip olur.

Yapay zekâlı ticket sistemi

Deskhero'nun yeni ticket otomasyonları, doğal dille yazılmış yapay zekâ koşullarını değerlendirebilir ve atanan kişiyi, grubu, durumu, önceliği, etiketleri veya açılır menü alanlarını belirleyebilir. Bu, özel bir model oluşturmadan uygulanabilir yapay zekâ destekli ön incelemeyi mümkün kılar. Ayrı bir sınıflandırıcı için REST API ticket'ları listeleyebilir ve güncelleyebilir; ancak Deskhero'da dışa dönük webhook bulunmadığından entegrasyonun yoklama yapması gerekir. Yapay zekâ tarafından önerilen yanıtlar, çalışma alanı bilgileriyle temellendirilen ayrı bir özelliktir; müşteriye yönelik yapay zekâ otomatik yanıtları ve sohbet botu ise yalnızca onaylanmış herkese açık SSS içeriğinden yanıt verir. Deskhero ayrıca çok dilli ticket'ları destekler.

Uygulama Notları

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

Taşıma İşlemini Beklemeden Pilot Başlatın

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 bunları kabul etmesine, düzenlemesine veya reddetmesine olanak tanır. 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 metriklerinin tanımlarını sunar:

SSS

Yapay Zekâlı Ticket Sistemi Nedir?

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

Yapay Zekâdaki Sınıflandırma Modelleri Nelerdir?

Sınıflandırma modelleri, etiketli örneklerden öğrenilen kurallara veya örüntülere dayanarak yeni girdilere bir veya daha fazla önceden tanımlanmış etiket atar. Ticket sistemlerinde bu etiket 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 Nasıl Doğru Sınıflandırır?

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

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

Deskhero, doğal dille yazılmış yapay zekâ koşullarına sahip otomasyon kuralları aracılığıyla 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.