Claude Common Use Case Guide: Work Order Assignment

В этом руководстве описывается, как использовать расширенные возможности понимания естественного языка Claude для классификации рабочих заказов службы поддержки клиентов в масштабах компании на основе намерений клиента, срочности, приоритета, профиля клиента и других факторов.

Определите, следует ли использовать Claude для назначения рабочих заданий.

Вот несколько ключевых показателей, которые указывают на то, что для задач классификации следует использовать LLM (большие языковые модели), такие как Claude, а не традиционные методы машинного обучения:

У вас ограниченное количество данных для обучения аннотациям

Традиционные процессы машинного обучения требуют больших аннотированных наборов данных. Предварительно обученная модель Claude позволяет значительно сократить время и затраты на подготовку данных, эффективно классифицируя рабочие заказы с помощью всего нескольких десятков аннотированных примеров.

Ваши классификационные категории могут меняться или развиваться с течением времени

После внедрения традиционного метода машинного обучения его модификация может занять много времени и потребовать больших объемов данных. В то время как Claude может легко адаптироваться к изменениям в определениях категорий или к новым категориям, не прибегая к обширной перемаркировке обучающих данных, по мере изменения продукта или потребностей клиентов.

Вам нужно обрабатывать сложные неструктурированные текстовые данные.

Традиционные модели машинного обучения часто не справляются с неструктурированными данными и требуют тщательной разработки признаков. Продвинутое понимание языка Claude позволяет точно классифицировать данные на основе содержания и контекста, не опираясь на строгие онтологические структуры.

Ваши правила классификации основаны на семантическом понимании

Традиционные методы машинного обучения часто опираются на модели "мешок слов" или простое сопоставление шаблонов. Когда категории определяются условиями, а не примерами, Claude отлично справляется с пониманием и применением этих основополагающих правил.

Вам нужны интерпретируемые рассуждения для категоричных решений

Многие традиционные модели машинного обучения практически не дают представления о процессе принятия решений. claude может предоставить человекочитаемые объяснения своих классификационных решений, что повышает доверие к автоматизированной системе и позволяет легко адаптировать ее в случае необходимости.

Вы хотите более эффективно справляться с нестандартными ситуациями и неоднозначными рабочими заданиями

Традиционные системы машинного обучения обычно плохо справляются с аномалиями и неоднозначными данными, часто неправильно классифицируя их или относя к "общей" категории. Возможности обработки естественного языка Claude позволяют ей лучше интерпретировать контекст и нюансы в рабочих заказах поддержки, что потенциально сокращает количество неправильных или неклассифицированных рабочих заказов, требующих вмешательства человека. Количество ошибочных или неклассифицированных рабочих заказов, требующих ручного вмешательства, может быть уменьшено.

Вам нужно обеспечить многоязычную поддержку без поддержки нескольких моделей

Традиционные подходы машинного обучения обычно требуют поддержания отдельных моделей или выполнения сложных процессов перевода для каждого поддерживаемого языка. Многоязычные возможности Claude позволяют классифицировать рабочие заказы на различных языках без необходимости создания отдельных моделей или выполнения сложных процессов перевода, что упрощает глобальную поддержку клиентов.

Построение и развертывание большой языковой модели для поддержки рабочих процессов

Знайте свои текущие методы поддержки

Прежде чем приступать к автоматизации, необходимо разобраться в существующей системе обработки заказов. Начните с изучения того, как ваша служба поддержки в настоящее время управляет маршрутизацией рабочих заказов.

Можно рассмотреть следующие вопросы:

• Какие критерии использовались для определения применимого SLA/плана обслуживания?
• Используется ли маршрутизация рабочих заказов для определения уровня поддержки или специалиста по продукту, к которому должен поступить рабочий заказ?
• Существуют ли автоматизированные правила или рабочие процессы? При каких обстоятельствах они не работают?
• Как обрабатываются нестандартные случаи или нечеткие рабочие задания?
• Как команды расставляют приоритеты в рабочих заданиях?

Чем больше вы знаете о том, как люди поступают в тех или иных ситуациях, тем лучше вы сможете общаться с Клод Сотрудничайте при выполнении заданий.

Определите категории пользовательских намерений

Четко определенный список категорий пользовательских намерений имеет решающее значение для точной категоризации рабочих заказов поддержки с помощью Claude. Способность Claude эффективно маршрутизировать рабочие заказы в вашей системе напрямую зависит от четкости определений категорий в вашей системе.

Ниже приведены примеры категорий и подкатегорий пользовательских намерений.

Технические вопросы

• Проблемы с оборудованием
• уязвимость программного обеспечения
• проблема совместимости
• Проблемы с производительностью

управление счетами

• Сброс пароля
• Проблемы с доступом к учетной записи
• Запрос счетов
• Изменение подписки

Информация о продукте

• Функциональный запрос
• Проблемы совместимости продуктов
• Информация о цене
• Запросы о доступности

Руководства пользователя

• Руководство по эксплуатации
• Функциональная помощь
• Рекомендации по лучшей практике
• Руководство по устранению неполадок

отправить информацию

• Отчеты об уязвимостях
• Функциональный запрос
• Общие отзывы и предложения
• жаловаться

Заказ, связанный с

• Запрос статуса заказа
• Информация о логистике
• возврат товара в обмен на другой товар
• Изменение заказа

запрос услуги

• Помощь в установке
• запрос на эскалацию
• Программа технического обслуживания
• Отмена услуги

проблема безопасности

• Запрос о конфиденциальности данных
• Сообщения о подозрительной деятельности
• Особенности безопасности Помогите

Соблюдение нормативных и правовых требований

• Вопросы соблюдения нормативных требований
• Условия предоставления услуг Запрос
• Запросы на получение юридических документов

Экстренная поддержка

• Отказ критически важных систем
• Вопросы безопасности в чрезвычайных ситуациях
• Вопросы, чувствительные к времени

Обучение и образование

• Запросы на обучение по продуктам
• Поиск документов
• Информация о вебинаре или семинаре

Интеграция и API

• Помощь в интеграции
• Проблемы с использованием API
• Проверка совместимости со сторонними устройствами

Помимо намерений пользователя, на маршрутизацию и приоритетность рабочих заказов могут влиять и другие факторы, такие как срочность, тип клиента, SLA или язык. При создании автоматизированной системы маршрутизации обязательно учитывайте другие критерии маршрутизации.

Установление критериев успеха

Совместно с командой поддержки используйте измеримые контрольные показатели, пороговые значения и цели.Определите четкие критерии успеха.

Ниже приведены общие стандарты и контрольные показатели при использовании Большой языковой модели (LLM) для назначения рабочих заданий:

Согласованность классификации

Эта метрика оценивает согласованность классификации Клодом аналогичных заказов на работу с течением времени. Это очень важно для поддержания надежности распределения. Благодаря регулярному использованию стандартизированного набора входных тестовых моделей, цель состоит в том, чтобы обеспечить согласованность на уровне 95% или выше.

Скорость адаптации

Эта метрика измеряет, насколько быстро Claude адаптируется к новым категориям или изменяющимся шаблонам рабочих заказов. Для этого вводятся новые типы нарядов и измеряется время, необходимое модели для достижения удовлетворительной точности (например, >90%) в этих новых категориях. Цель - достичь адаптации в пределах 50-100 образцов рабочих заказов.

многоязычная обработка

Эта метрика оценивает способность Клода точно назначать многоязычные рабочие заказы. Измеряется точность назначения на разных языках, при этом цель - не снижать точность более чем на 5-10% на недоминирующих языках.

Обработка крайних случаев

Эта метрика оценивает производительность Claude при обработке нестандартных или сложных рабочих заказов. Создается набор тестовых примеров, цель которых - достичь точности назначения не менее 801 TP3T на этих сложных входных данных.

ослабление предвзятости

Эта метрика измеряет справедливость распределения Claude между различными группами клиентов. Решения о распределении регулярно проверяются на предмет потенциальной предвзятости, а целью является постоянная точность распределения (в пределах 2-3%) по всем группам клиентов.

Эффективность кия

Этот критерий оценивает работу Клода в условиях минимального контекста, когда требуется меньшее количество Token. Измеряет точность назначений при предоставлении различного количества контекста, с целью достижения точности 90% или более, когда предоставляется только название заказа и краткое описание.

Баллы за интерпретируемость

Этот показатель оценивает качество и релевантность объяснений Клода по поводу его решений о распределении средств. Человек может оценивать объяснения (например, 1-5), стремясь к тому, чтобы средняя оценка была 4 или выше.

Вот несколько общих критериев успеха, которые встречаются независимо от того, используете вы большую языковую модель или нет:

Точность распределения

Точность назначения измеряется тем, насколько правильно был назначен рабочий заказ нужной команде или человеку с первого раза. Обычно она измеряется в процентах от общего числа правильно назначенных рабочих заказов. Отраслевые эталоны обычно ориентируются на показатель точности 90-95%, но это зависит от сложности структуры поддержки.

слот

Эта метрика показывает, как быстро назначается заказ на выполнение работ после его подачи. Более быстрое распределение обычно приводит к более быстрому решению проблемы и повышению удовлетворенности клиентов. Среднее время распределения для оптимальных систем обычно составляет менее 5 минут, при этом многие системы стремятся к практически мгновенному распределению (что возможно при использовании LLM).

коэффициент перераспределения

Коэффициент перераспределения показывает, как часто необходимо перераспределять рабочий заказ после первоначального распределения. Более низкий показатель перераспределения указывает на более точное первоначальное распределение. Цель состоит в том, чтобы частота перераспределения не превышала 101 TP3T, а наиболее эффективные системы достигали 51 TP3T или меньше.

Уровень разрешения первого контакта

Эта метрика измеряет процент рабочих заказов, которые были решены при первом взаимодействии с клиентом. Более высокие показатели первого решения указывают на эффективность заданий и хорошую подготовку команд поддержки. Отраслевые контрольные показатели обычно составляют 70-751 TP3T, а команды с высокими показателями достигают уровня 801 TP3T и выше.

Среднее время обработки

Среднее время обработки измеряет время, необходимое для выполнения рабочего заказа от начала до конца. Эффективное распределение ресурсов может значительно сократить это время. Контрольные показатели зависят от отрасли и сложности, но многие организации стремятся к тому, чтобы среднее время обработки несрочных заказов не превышало 24 часов.

Рейтинг удовлетворенности клиентов

Как правило, эти оценки измеряются с помощью опросов, проводимых после взаимодействия, и отражают общую удовлетворенность клиента процессом поддержки. Эффективное распространение способствует повышению удовлетворенности. Цель - добиться рейтинга удовлетворенности клиентов (CSAT) на уровне 90% или выше, а наиболее эффективные команды - на уровне 95% или выше.

уровень продвижения

Этот показатель измеряет частоту эскалации рабочих заказов на более высокий уровень поддержки. Более низкий показатель эскалации обычно свидетельствует о более точном первоначальном назначении. Цель состоит в том, чтобы показатель эскалации не превышал 201 TP3T, а оптимальная система достигает показателя эскалации 101 TP3T или меньше.

Производительность труда

Эта метрика измеряет количество рабочих заказов, которые могут быть эффективно обработаны сотрудниками службы поддержки после внедрения решения по распределению. Улучшение распределения должно привести к повышению производительности. Измеряется путем отслеживания количества обработанных рабочих заказов на одного сотрудника в день или час, цель - повысить производительность на 10-20% после внедрения новой системы распределения.

Уровень самостоятельной сортировки

Эта метрика измеряет процент потенциальных рабочих заказов, которые были решены с помощью вариантов самообслуживания до поступления в систему распределения. Более высокие показатели сортировки указывают на эффективность предварительной сортировки. Цель - достичь показателя сортировки 20-301 TP3T, при этом команды с наилучшими показателями должны достичь 401 TP3T и более.

Стоимость одного рабочего заказа

Эта метрика рассчитывает среднюю стоимость решения каждой заявки на поддержку. Эффективное распределение должно помочь снизить затраты с течением времени. Хотя контрольные показатели сильно варьируются, многие организации стремятся сократить стоимость одного заказа на 10-151 TP3T после внедрения улучшенной системы распределения.

Выбор подходящей модели Claude

Выбор модели зависит от компромисса между стоимостью, точностью и временем отклика.

Многие клиенты находят claude-3-haiku-20240307 Идеально подходит для маршрутизации рабочих заказов, поскольку является самой быстрой и экономичной моделью в семействе Claude 3, но при этом обеспечивает отличные результаты. Если для решения задачи классификации требуется глубокий опыт или множество сложных преднамеренных рассуждений о категориях, вы можете выбрать модель Большая модель сонета.

Создание мощного совета

Claude анализирует содержимое рабочих заказов и распределяет их по заранее определенным категориям в зависимости от типа проблемы, срочности, требуемой квалификации и других факторов.

Давайте напишем подсказку для классификации заказов на выполнение работ. Первоначальная подсказка должна содержать содержание запроса пользователя и возвращать процесс рассуждения и намерения.

Вы можете попробовать Антропная консоль загрузка Генератор советов Позвольте Клоду написать для вас первую версию подсказки.

Ниже приведен пример запроса классификации маршрутизации рабочих заданий:

def classify_support_request(ticket_contents):
    # 为分类任务定义提示
    classification_prompt = f"""你将作为客户支持工单分类系统。你的任务是分析客户支持请求，并输出每个请求的适当分类意图，同时给出你的推理过程。

        这是你需要分类的客户支持请求：

        <request>{ticket_contents}</request>

        请仔细分析上述请求，以确定客户的核心意图和需求。考虑客户询问的内容和关注点。

        首先，在 <reasoning> 标签内写出你对如何分类该请求的推理和分析。

        然后，在 <intent> 标签内输出该请求的适当分类标签。有效的意图包括：
        <intents>
        <intent>支持、反馈、投诉</intent>
        <intent>订单追踪</intent>
        <intent>退款/换货</intent>
        </intents>

        一个请求只能有一个适用的意图。只包括最适合该请求的意图。

        例如，考虑以下请求：
        <request>您好！我在周六安装了高速光纤网络，安装人员 Kevin 的服务非常棒！我在哪里可以提交我的正面评价？谢谢您的帮助！</request>

        这是你的输出应该如何格式化的示例（针对上述请求）：
        <reasoning>用户希望留下正面反馈。</reasoning>
        <intent>支持、反馈、投诉</intent>

        这里有几个更多的示例：
        <examples>
        <example 2>
        示例 2 输入：
        <request>我想写信感谢你们在上周末我父亲的葬礼上对我家人的关怀。你们的员工非常体贴和乐于助人，这让我们肩上的负担减轻了不少。悼念手册非常漂亮。我们永远不会忘记你们对我们的关爱，我们非常感激整个过程的顺利进行。再次感谢你们，Amarantha Hill 代表 Hill 家庭。</request>

        示例 2 输出：
        <reasoning>用户留下了他们对体验的正面评价。</reasoning>
        <intent>支持、反馈、投诉</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        示例 9 输入：
        <request>你们的网站一直弹出广告窗口，挡住了整个屏幕。我花了二十分钟才找到电话投诉的号码。我怎么可能在这些弹出窗口的干扰下访问我的账户信息？你能帮我访问我的账户吗，因为你们的网站有问题？我需要知道在档的地址。</request>

        示例 9 输出：
        <reasoning>用户请求帮助以访问其网络账户信息。</reasoning>
        <intent>支持、反馈、投诉</intent>
        </example 9>

        请记住，始终在实际意图输出之前包括分类推理。推理应包含在 <reasoning> 标签内，意图应包含在 <intent> 标签内。仅返回推理和意图。
        """

Давайте разберем ключевые моменты этого совета:

• Мы используем f-строку Python для создания шаблонов подсказок, которые позволяют включать ticket_contents вставить в <request> Tagged in.
• Мы четко определили роль Claude как системы классификации, которая тщательно анализирует содержание рабочих заказов, чтобы определить основные намерения и потребности клиента.
• Мы проинструктировали Клода о правильном формате вывода в <reasoning> Выводы и анализ содержатся в тегах и затем в <intent> Выведите соответствующие теги категорий внутри тегов.
• Мы определили категории действительных намерений: "Поддержка, отзывы, жалобы", "Отслеживание заказа" и "Возврат/обмен".
• Некоторые примеры (т. е. несколько советов) иллюстрируют, как следует оформлять выходные данные, что поможет повысить точность и согласованность.

Мы хотим, чтобы Claude разделил ответ на отдельные секции XML-тегов, чтобы мы могли использовать регулярные выражения для извлечения рассуждений и намерений по отдельности. Это позволит нам создавать целенаправленные последующие шаги в рабочем процессе маршрутизации заказов, например, используя только намерение, чтобы решить, кому направить заказ.

Развертывание слов-подсказок

Если он не развернут в тестовой производственной среде и Оперативная оценкаСложно определить, насколько эффективны ваши слова-подсказки.

Давайте создадим структуру развертывания. Начнем с определения сигнатуры метода, которая будет обертывать наши вызовы к Claude. Мы будем использовать метод, который мы уже начали писать и который начинается с ticket_contents в качестве входных данных, теперь верните reasoning ответить пением intent кортежей в качестве выходных данных. Если у вас уже есть автоматизированный метод, использующий традиционное машинное обучение, рекомендуется следовать сигнатуре этого метода.

import anthropic
import re

# 创建一个 Anthropic API 客户端实例
client = anthropic.Anthropic()

# 设置默认模型
DEFAULT_MODEL="claude-3-haiku-20240307"

def classify_support_request(ticket_contents):
    # 为分类任务定义提示词
    classification_prompt = f"""你将作为客户支持工单的分类系统。
        ...
        ... 推理结果应包含在 <reasoning> 标签中，意图应包含在 <intent> 标签中。仅返回推理和意图。
        """
    # 将提示词发送到 API 以对支持请求进行分类
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # 使用 Python 的正则表达式库提取 `reasoning`
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # 同样提取 `intent`
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

Этот код:

• Импортируйте библиотеку Anthropic и создайте экземпляр клиента, используя ваш ключ API.
• Определяет classify_support_request функция, которая принимает ticket_contents Струна.
• пользоваться classification_prompt главнокомандующий (военный) ticket_contents Отправьте его Клоду для сортировки.
• Возвращает модель, извлеченную из ответа reasoning ответить пением intent.

Поскольку перед разбором нам нужно дождаться полного вывода и генерации текста намерения, это будет stream=False Установите значение по умолчанию.

Оцените свои советы

Использование слов-подсказок обычно требует тестирования и оптимизации для достижения статуса готовности к производству. Чтобы определить, готово ли ваше решение, оцените его эффективность на основе ранее установленных критериев успеха и пороговых значений.

Чтобы запустить оценку, необходимо иметь тестовые примеры для ее выполнения. В этой статье предполагается, что у вас естьРазработка тестовых примеров.

Построение оценочной функции

Примеры оценок, приведенные в этом руководстве, позволяют оценить работу Клода по трем ключевым параметрам:

• точность
• Стоимость одной классификации

В зависимости от того, что для вас важно, может потребоваться оценить Клода в других измерениях.

Чтобы провести оценку, сначала нужно изменить предыдущий сценарий, добавив функцию, которая сравнивает предсказанное намерение с фактическим и вычисляет процент правильных предсказаний. Также необходимо добавить функции расчета стоимости и измерения времени.

import anthropic
import re

# 创建 Anthropic API 客户端的实例
client = anthropic.Anthropic()

# 设置默认模型
DEFAULT_MODEL="claude-3-haiku-20240307"

def classify_support_request(request, actual_intent):
    # 定义分类任务的提示
    classification_prompt = f"""You will be acting as a customer support ticket classification system. 
        ...
        ...The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # 获取 API 调用的使用统计信息，包括输入和输出 Token 数量。
    reasoning_and_intent = message.content[0].text

    # 使用 Python 的正则表达式库提取 `reasoning`。
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # 同样，提取 `intent`。
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    # 检查模型的预测是否正确。
    correct = actual_intent.strip() == intent.strip()

    # 返回推理结果、意图、正确性和使用情况。
    return reasoning, intent, correct, usage

Мы внесли в код следующие изменения:

• мы будем actual_intent Добавьте из тестового случая в classify_support_request методологии, и был создан механизм сравнения для оценки соответствия категоризации намерений Клода с нашей категоризацией золотых намерений.
• Мы собрали статистику использования вызовов API, чтобы рассчитать затраты на основе использования входных и выходных токенов.

Проведите оценку

Хорошо разработанная оценка требует четких пороговых значений и эталонов для определения того, что является хорошим результатом. Сценарий выше предоставит нам значения точности, времени отклика и стоимости классификации, но нам все равно нужны четко установленные пороговые значения. Пример:

• Точность: 95% (100 тестов)
• Стоимость одной классификации: Среднее снижение на 50% (100 тестов) по сравнению с текущими методами маршрутизации

Установив эти пороговые значения, вы сможете быстро и легко определить, какой подход лучше всего подходит для вас, и, опираясь на непредвзятые эмпирические данные, понять, какие улучшения необходимо внести, чтобы лучше соответствовать вашим требованиям.

улучшать производительность

В сложных сценариях рассмотрите возможность выхода за рамки стандартного оперативные инженерные технологии ответить пением стратегии внедрения ограждений Дополнительные стратегии могут оказаться полезными. Вот несколько распространенных сценариев:

В случае 20+ категорий намерений используйте иерархию классификации

С увеличением количества категорий растет и количество необходимых примеров, что может сделать подсказку громоздкой. В качестве альтернативы можно рассмотреть возможность реализации иерархической системы классификации с использованием гибридных классификаторов.

1. Организуйте свои намерения в виде дерева классификации.
2. Создайте серию классификаторов на каждом уровне дерева, включив метод каскадной маршрутизации.

Например, у вас может быть классификатор верхнего уровня, который в целом классифицирует рабочие заказы на "Технические проблемы", "Проблемы с выставлением счетов" и "Общие вопросы". Каждая из этих категорий может иметь свой собственный подклассификатор для дальнейшего уточнения классификации.

• Преимущества - Больше нюансов и точности: Вы можете создавать различные подсказки для каждого родительского пути, обеспечивая более целенаправленную и контекстно-зависимую категоризацию. Это повышает точность и позволяет более детально обрабатывать запросы клиентов.
• Недостатки - повышенная задержка: Обратите внимание, что использование нескольких классификаторов может привести к увеличению задержки, поэтому мы рекомендуем применять этот метод при использовании нашей самой быстрой модели, Haiku.

Использование векторных баз данных и поиска по сходству для обработки сильно различающихся рабочих заказов

Хотя приведение примеров является наиболее эффективным способом повышения производительности, может быть трудно включить достаточное количество примеров в одну подсказку, если запросы на поддержку очень разнообразны.

В этом случае вы можете использовать векторную базу данных для поиска сходства в наборе примеров и извлечения наиболее релевантных примеров по заданному запросу.

Эта методология используется в наших рецепт классификации которая подробно описана, позволила повысить производительность с точности 71% до точности 93%.

Особое внимание к предполагаемым крайним случаям

Вот несколько сценариев, в которых Клод может неправильно классифицировать заказ на работу (могут быть и другие ситуации, характерные только для вашей ситуации). В этих сценариях рассмотрите возможность предоставления четких инструкций или примеров в подсказках о том, как Клод должен действовать в крайних случаях:

Клиенты делают неявные запросы

Клиенты часто выражают свои потребности косвенно. Например, фраза "Я жду свою посылку уже более двух недель" может быть косвенным запросом о состоянии заказа.

• Решение: Предоставьте Клоду несколько реальных примеров таких запросов и их основной замысел. Если вы включите в них особенно тонкое обоснование категоризации, связанное с намерениями заказчика, вы сможете получить лучшие результаты, чтобы Клод смог лучше обобщить логику на другие заказы.

Клод отдает предпочтение эмоциям, а не намерениям

Когда клиент выражает недовольство, Клод может отдать предпочтение устранению эмоций, а не решению основной проблемы.

• Решение: Предоставьте Клоду указание на то, когда следует уделять приоритетное внимание настроениям клиентов. Это может быть что-то простое: "Игнорируйте все настроения клиентов. Сосредоточьтесь только на анализе намерений клиента и информации, которую он может запрашивать".

Множество вопросов приводит к путанице в определении приоритетов

Клод может испытывать трудности с определением основных проблем, когда клиент задает несколько вопросов в ходе одного взаимодействия.

• Решение: Уточнить приоритетность намерений, чтобы Клод мог лучше определить приоритетность извлеченных намерений и выявить основные проблемы.

Интеграция Claude в общий рабочий процесс поддержки

Правильная интеграция требует принятия некоторых решений о том, как сценарии маршрутизации рабочих заказов на основе Claude вписываются в общую архитектуру системы маршрутизации рабочих заказов. Это можно сделать одним из двух способов:

• На основе пуша: Используемая вами система обработки заявок (например, Zendesk) запускает ваш код, отправляя событие webhook в вашу службу маршрутизации, которая классифицирует и направляет намерение.
  • Этот подход более масштабируем для сети, но требует от вас раскрытия конечной точки.
• На основе пула: Ваш код извлекает последний рабочий заказ на основе заданного расписания и направляет его по мере выполнения.
  • Такой подход проще реализовать, но при слишком частом обращении к системе заказов на выполнение работ могут возникнуть ненужные обращения к ней, а при слишком редком обращении - слишком медленные.

В обоих случаях вам нужно обернуть свои скрипты в сервис. Выбор метода зависит от того, какие API предоставляет ваша система заказа работы службы поддержки.