論文の概要: TaDaa: real time Ticket Assignment Deep learning Auto Advisor for customer support, help desk, and issue ticketing systems

• arxiv url: http://arxiv.org/abs/2207.11187v2
• Date: Mon, 20 Mar 2023 19:15:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 03:38:29.189652
• Title: TaDaa: real time Ticket Assignment Deep learning Auto Advisor for customer support, help desk, and issue ticketing systems
• Title（参考訳）: TaDaa: カスタマーサポート、ヘルプデスク、チケット発行システムのためのリアルタイムTicket Assignment Deep Learning Auto Advisor
• Authors: Leon Feng, Jnana Senapati, Bill Liu
• Abstract要約: プロジェクトには,1) 問題を適切なグループに割り当てる,2) 問題をベストリゾルバに割り当てる,3) 関連性の高いチケットをリゾルバに割り当てる,といった機能がある。 我々は3k以上のグループと10k以上のリゾルバを持つチケットシステムサンプルデータセットを1つ利用し、グループ提案で95.2%、リゾルバ提案で79.0%、トップ3で9.0%の精度を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes TaDaa: Ticket Assignment Deep learning Auto Advisor, which leverages the latest Transformers models and machine learning techniques quickly assign issues within an organization, like customer support, help desk and alike issue ticketing systems. The project provides functionality to 1) assign an issue to the correct group, 2) assign an issue to the best resolver, and 3) provide the most relevant previously solved tickets to resolvers. We leverage one ticketing system sample dataset, with over 3k+ groups and over 10k+ resolvers to obtain a 95.2% top 3 accuracy on group suggestions and a 79.0% top 5 accuracy on resolver suggestions. We hope this research will greatly improve average issue resolution time on customer support, help desk, and issue ticketing systems.
• Abstract（参考訳）: 本稿では、最新のトランスフォーマーモデルと機械学習技術を活用して、顧客サポートやヘルプデスク、それに類する発行チケットシステムなどの組織内の問題を迅速に割り当てる、TaDaa: Ticket Assignment Deep Learning Auto Advisorを提案する。 プロジェクトは機能を提供します 1) 適切なグループに課題を割り当てる。 2) 問題をベストリゾルバに割り当て, 3) リゾルバに最も関連性の高いチケットを提供する。 3k以上のグループと10k以上のリゾルバを持つ1つのチケットシステムサンプルデータセットを利用して,グループ提案における95.2%のtop3精度と,リゾルバ提案における79.0%のtop5精度を得る。 この研究により、カスタマーサポート、ヘルプデスク、チケット発行システムの平均問題解決時間が大幅に改善されることを願っている。

関連論文リスト

• Learning Task Decomposition to Assist Humans in Competitive Programming [90.4846613669734]
  タスク分解学習のための新しい目的,いわゆる値(AssistV)を導入する。 我々は、さまざまな分解されたソリューションに対して、人間の修理経験のデータセットを収集する。 人間の177時間以内の研究では、非専門家が33.3%の問題を解き、それらを3.3倍スピードアップさせ、無支援の専門家にマッチさせる権限を与える。
  論文  参考訳（メタデータ） (2024-06-07T03:27:51Z)
• Solving the Team Orienteering Problem with Transformers [46.93254771681026]
  車両群のためのルートプランニングは、荷物の配送、監視、輸送といった応用において重要な課題である。 本稿では,チームオリエンテーリング問題を高速かつ高精度に解決できる多エージェント経路計画システムを提案する。
  論文  参考訳（メタデータ） (2023-11-30T16:10:35Z)
• Learning Personalized Decision Support Policies [56.949897454209186]
  $texttModiste$は、パーソナライズされた意思決定支援ポリシーを学ぶためのインタラクティブツールである。 パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。
  論文  参考訳（メタデータ） (2023-04-13T17:53:34Z)
• Problem Classification for Tailored Helpdesk Auto-Replies [0.0]
  自動返信には、その日の一般的な問題に対処する一般的なボイラープレートのテキストが含まれる。 問題分類は、ITヘルプデスク電子メールデータの適切なコーパスでニューラルネットワークをトレーニングすることで達成される。
  論文  参考訳（メタデータ） (2022-09-11T20:03:57Z)
• Impact of Critical and Auto Ticket: Analysis for Management and Workers Productivity in using a Ticketing System [0.0]
  この研究は、私たちがどのようにして予防し、トラブルシュートし、ビジネスへの影響の可能性についての洞察を与えるか、という解決策を思いつくことを目的としています。 資源のメンタルヘルスと企業への直接的な影響について、重要かつ自動チケットがいかに影響するかについて、さらなる研究を行うことが推奨されている。
  論文  参考訳（メタデータ） (2022-02-13T05:06:47Z)
• Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
  本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。 AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-01-16T06:20:07Z)
• TWEAC: Transformer with Extendable QA Agent Classifiers [46.53093713855772]
  文献には多岐にわたる専門的なQAエージェントが存在すると論じる。 したがって、特定の質問に適したQAエージェントを効率的かつ効率的に特定する方法に関する中央研究の質問に対処します。 TWEACが94%の精度で総合的に最高のパフォーマンスを達成できることを実証し、この課題に対処するための監督されたアプローチと監督されていないアプローチの両方を研究します。
  論文  参考訳（メタデータ） (2021-04-14T19:06:11Z)
• Escalation Prediction using Feature Engineering: Addressing Support Ticket Escalations within IBM's Ecosystem [0.0]
  この論文は、特にサポートチケットをエスカレートするリスクを予測する上で、サポートアナリストやマネージャの仕事を単純化するためのステップを提供する。 サポートアナリストの顧客に関する専門知識は、サポートチケットエスカレーションを予測するために機械学習モデルに実装されるサポートチケットモデルの特徴に翻訳された。 機械学習モデルは250万以上のサポートチケットと10,000エスカレーションでトレーニングされ、エスカレーションのリスクがあるサポートアナリストに対して79.9%のリコールと80.8%のワークロード削減を実現した。
  論文  参考訳（メタデータ） (2020-10-12T07:06:52Z)
• Customer Support Ticket Escalation Prediction using Feature Engineering [0.0]
  我々は,エスカレーション管理においてIBMアナリストが利用可能なサポートプロセスとデータを特徴付けるために,デザインサイエンス研究方法論を使用している。 次に、これらの機能を機械学習モデルに実装し、サポートチケットエスカレーションを予測する。 私たちは、250万以上のサポートチケットと10,000エスカレーションで機械学習モデルをトレーニングし、評価し、87.36%のリコールと88.23%のワークロード削減を実現しました。
  論文  参考訳（メタデータ） (2020-10-10T15:49:43Z)
• UFTR: A Unified Framework for Ticket Routing [27.361225596898045]
  今日、企業は顧客サービスのタイムリーかつ効果的なデリバリに対する需要が増えている。 このタスクは、未解決のサービスインシデント、あるいは"チケット"を適切なサービス専門家のグループにマッチさせることです。 本研究は,エンド・ツー・エンド・モデリング手法を用いて,両サブプロブレムを共同で扱う。
  論文  参考訳（メタデータ） (2020-03-02T08:01:14Z)
• Conversations with Documents. An Exploration of Document-Centered Assistance [55.60379539074692]
  例えば、個人が文書をすばやくレビューするのを助けるドキュメント中心の支援は、あまり進歩していない。 我々は,文書中心の支援の空間と,人々がこのシナリオで期待する能力を理解するための調査を行う。 a) 文書中心の質問を正確に検出でき、(b) そうした質問に答えるために合理的に正確なモデルを構築することができることを示す。
  論文  参考訳（メタデータ） (2020-01-27T17:10:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。