論文の概要: TickIt: Leveraging Large Language Models for Automated Ticket Escalation

• arxiv url: http://arxiv.org/abs/2504.08475v1
• Date: Fri, 11 Apr 2025 12:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:44.459950
• Title: TickIt: Leveraging Large Language Models for Automated Ticket Escalation
• Title（参考訳）: TickIt: 自動チケットエスカレーションのための大規模言語モデルを活用する
• Authors: Fengrui Liu, Xiao He, Tieying Zhang, Jianjun Chen, Yi Li, Lihua Yi, Haipeng Zhang, Gang Wu, Rui Shi,
• Abstract要約: 本稿では,大規模言語モデルを利用した革新的なオンラインチケットエスカレーションフレームワークであるTickItを紹介する。 ByteDanceのクラウドサービスプラットフォームであるVolcano EngineにTickItをデプロイすることで、その有効性と実用性を検証する。
• 参考スコア（独自算出の注目度）: 13.95803287903968
• License:
• Abstract: In large-scale cloud service systems, support tickets serve as a critical mechanism for resolving customer issues and maintaining service quality. However, traditional manual ticket escalation processes encounter significant challenges, including inefficiency, inaccuracy, and difficulty in handling the high volume and complexity of tickets. While previous research has proposed various machine learning models for ticket classification, these approaches often overlook the practical demands of real-world escalations, such as dynamic ticket updates, topic-specific routing, and the analysis of ticket relationships. To bridge this gap, this paper introduces TickIt, an innovative online ticket escalation framework powered by Large Language Models. TickIt enables topic-aware, dynamic, and relationship-driven ticket escalations by continuously updating ticket states, assigning tickets to the most appropriate support teams, exploring ticket correlations, and leveraging category-guided supervised fine-tuning to continuously improve its performance. By deploying TickIt in ByteDance's cloud service platform Volcano Engine, we validate its efficacy and practicality, marking a significant advancement in the field of automated ticket escalation for large-scale cloud service systems.
• Abstract（参考訳）: 大規模なクラウドサービスシステムでは、サポートチケットは顧客の問題を解決し、サービス品質を維持するための重要なメカニズムとして機能する。 しかし、従来の手動切符エスカレーションプロセスは、不効率、不正確さ、チケットの量と複雑さを扱うのが困難であるなど、重大な課題に直面している。 過去の研究では、チケット分類のためのさまざまな機械学習モデルが提案されているが、これらのアプローチは、動的チケット更新、トピック固有のルーティング、チケット関係の分析など、現実のエスカレーションの現実的な要求を無視することが多い。 このギャップを埋めるために,本稿では,大規模言語モデルを利用した革新的なオンラインチケットエスカレーションフレームワークであるTickItを紹介する。 TickItは、チケット状態を継続的に更新し、最も適切なサポートチームにチケットを割り当て、チケットの相関を探究し、カテゴリー誘導による微調整を活用してパフォーマンスを継続的に改善することで、トピック認識、ダイナミック、リレーション駆動のチケットエスカレーションを可能にする。 ByteDanceのクラウドサービスプラットフォームであるVolcano EngineにTickItをデプロイすることで、その有効性と実用性を検証し、大規模なクラウドサービスシステムにおける自動チケットエスカレーションの分野において、大きな進歩を見せています。

関連論文リスト

• Iris: Breaking GUI Complexity with Adaptive Focus and Self-Refining [67.87810796668981]
  インフォメーション・インフォメーション・インフォメーション・クロッピング(ISC)と自己精製デュアルラーニング(SRDL) Irisは850KのGUIアノテーションだけで、複数のベンチマークで最先端のパフォーマンスを実現している。 これらの改善は、WebとOSエージェントの両方の下流タスクで大幅に向上した。
  論文  参考訳（メタデータ） (2024-12-13T18:40:10Z)
• Towards Model-Driven Dashboard Generation for Systems-of-Systems [52.251635013691256]
  本稿では、単純なダッシュボードモデルのリストをダッシュボードモデルに自動変換する、モデル駆動技術に依存しないアプローチについて述べる。 ダッシュボードのカスタマイズは抽象モデル表現を単に修正するだけで効率的に実現できる。
  論文  参考訳（メタデータ） (2024-02-23T10:55:18Z)
• Ticket-BERT: Labeling Incident Management Tickets with Language Models [1.6556358263455926]
  Ticket-BERTは、提案されたチケットデータセットを使用してチケットをラベル付けするための単純だが堅牢な言語モデルを訓練する。 さらに、Ticket-BERTをアクティブな学習サイクルでカプセル化し、Microsoft IcMシステムにデプロイする。
  論文  参考訳（メタデータ） (2023-06-30T19:48:25Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• TMS: A Temporal Multi-scale Backbone Design for Speaker Embedding [60.292702363839716]
  話者埋め込みのための現在のSOTAバックボーンネットワークは、話者表現のためのマルチブランチネットワークアーキテクチャを用いた発話からマルチスケール特徴を集約するように設計されている。 本稿では, 話者埋め込みネットワークにおいて, 計算コストの増大を伴わずに, マルチスケール分岐を効率的に設計できる効果的な時間的マルチスケール(TMS)モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-17T05:49:35Z)
• Super Tickets in Pre-Trained Language Models: From Model Compression to Improving Generalization [65.23099004725461]
  非常に過度にパラメータ化されたモデルにおいて,このようなチケットのコレクションを「勝利チケット」と呼ぶ。 また, ある圧縮比において, 当選チケットの一般化性能は, 一致しただけでなく, フルモデルを上回ることが確認された。
  論文  参考訳（メタデータ） (2021-05-25T15:10:05Z)
• Classifying the Unstructured IT Service Desk Tickets Using Ensemble of Classifiers [0.0]
  ITサービスデスクのチケットを手動で分類することで、チケットを間違った解決グループにルーティングすることができる。 従来の機械学習アルゴリズムは、itサービスデスクチケットの自動分類に使用できる。 従来の分類器システムの性能は、様々な分類技法を用いてさらに向上することができる。
  論文  参考訳（メタデータ） (2021-03-30T04:35:51Z)
• 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)
• Winning Lottery Tickets in Deep Generative Models [64.79920299421255]
  本稿では,GANやVAEなどの深層生成モデルにおいて,入賞チケットの存在を示す。 また、異なる生成モデル間での当選チケットの転送可能性を示す。
  論文  参考訳（メタデータ） (2020-10-05T21:45:39Z)

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。