Внедрение маршрутизатора обращений технической поддержки для промышленного холдинга
Разработали и внедрили интеллектуальный маршрутизатор обращений технической поддержки для крупного промышленного холдинга. Система на базе ИИ-модели Qwen в реальном времени принимает запросы из всех внутренних каналов (электронная почта, чаты, система Jira Service Management), автоматически определяет тип проблемы, критичность и исполнителя, создает и назначает тикет в Jira, отслеживает статус и эскалирует при необходимости. Точность определения темы запроса составила 70%, точность маршрутизации для данных запросов достигла 95%. Это позволило сократить время первичной обработки обращений, снизить нагрузку на операторов и операционные затраты на 1-ю линию техподдержки.
Клиент
Крупный промышленный холдинг.
Задача
Создать автоматический маршрутизатор внутренних обращений, поступающих по электронной почте, чатам и Jira Service Management на 1-ю линию техподдержки, чтобы сократить задержки и снизить расходы.
Бизнес-задачи
-
Минимизировать потери из-за долгого распределения тикетов на 1-м уровне.
-
Уменьшить операционные затраты на 1-ю линию техподдержки.
-
Повысить прозрачность и управляемость процессов обслуживания.
Технические задачи
-
Реализовать двустороннюю интеграцию с Jira для приёма тикетов и обратной передачи статусов.
-
Сбор требований и описание действующих процессов.
-
Разработка и обучение ИИ-модели на базе Qwen для классификации тематики и приоритета обращений.
-
Построение PoC, выпуск MVP, вывод системы в промышленную эксплуатацию.
Решение
Создан интеллектуальный маршрутизатор, который в режиме реального времени:
1. принимает обращения из всех согласованных с Заказчиком каналов;
2. автоматически создает и обновляет тикет в Jira и назначает его нужной команде;
3. отслеживает статус и при необходимости эскалирует запрос.
Этапы и инструменты
1. Интервью, формализация требований, схема бизнес-процесса (BPMN, Confluence).
2. PoC: Python, Jupyter, Qwen (LLM) для быстрой проверки качества классификации.
3. Подготовка датасета: очистка, разметка обращений; внедрение регулярного автоматического дополнительного сбора данных из Jira.
4. MVP: микросервис; очереди Kafka; хранение метаданных в PostgreSQL.
5. Интеграция: кастомный макрос в Jira, корпоративная шина данных.
6. Промышленный релиз: Docker, Kubernetes, GitLab CI/CD.
Результат
-
Сформирована и задокументирована сквозная схема обработки обращений.
-
В техподдержке ИТ-подразделения внедрен PoC, затем MVP, далее промышленный контур.
-
Достигнута точность автоматической маршрутизации на уровне ≈95 %.
-
Время первичной обработки обращений заметно сокращено, нагрузка на операторов 1-й линии снижена.
Бизнес-эффект
-
Сокращение задержек в решении инцидентов положительно сказалось на доступности критичных сервисов.
-
Оптимизирован штат первой линии: часть сотрудников перераспределена на задачи второй линии.
-
Повышен уровень удовлетворенности внутренних клиентов благодаря более быстрому получению помощи.
Трудности
Неполнота и разнородность исторических данных по заявкам — потребовалась очистка и ручная дополнительная разметка.
Разнообразие форматов входящих обращений (текст и письма) — решено через предварительную нормализацию и использование мультимодальных возможностей Qwen.
