סוכן AI לעיבוד אוטומטי של פניות

פיתוח סוכן AI לעיבוד פניות

בכל יום מתקבלות עשרות פניות דומות בחברה: איפוס סיסמה, הגדרת VPN, שאלות חיוב. מפעילים מבזבזים 70% מזמנם על סיווג ואיסוף נתונים. עיבוד ידני אורך בממוצע 4 שעות — סוכן AI מטפל בכך בשניות, שיפור מהירות פי 1000. סוכן ה-AI שלנו לפניות מספק אוטומציה של עיבוד פניות, סיווג פניות באמצעות AI, ניתוב פניות, סוכן דיאלוגי, RAG לתמיכה, אינטגרציה עם Jira, עיבוד אירועים, NLP לפניות, איסוף נתוני פניות, פלטים מובנים, ו-fine-tuning לפניות.

בעיות שסוכן ה-AI פותר

סיווג כאוטי הוא הבעיה הראשונה. מפעילים מסווגים ידנית, ולעיתים קרובות עושים טעויות (עד 15% ניתוב שגוי). הסוכן משתמש ב-Structured Outputs של OpenAI: המודל מחזיר JSON עם טיפוסים מוגדרים, מה שמבטל שגיאות פענוח. Temperature = 0 — יכולת חיזוי היא בראש סדר העדיפויות.

הבעיה השנייה היא נתונים לא מלאים. 22% מהפניות חסרות שדות מפתח, מה שמוביל לשרשרת הבהרות. הסוכן הדיאלוגי אוסף בנימוס את המידע החסר, ומקצר את מחזור העיבוד ב-60%.

כיצד סוכן ה-AI מסווג פניות

הסיווג הוא מרכזי. הסוכן מנתח את הפנייה, מחלץ קטגוריה, תת-קטגוריה, עדיפות, וקובע אם נדרש אדם. המודל משתמש בתכונת Structured Outputs של OpenAI: הוא מחזיר JSON עם טיפוסים מוגדרים, מה שמבטל שגיאות פענוח. כפי שצוין ב-תיעוד OpenAI, סכמה זו מצמצמת שגיאות לכמעט אפס. Temperature = 0 לעקביות.

from pydantic import BaseModel
from typing import Optional, Literal
from openai import OpenAI
import json

client = OpenAI()

class RequestClassification(BaseModel):
    category: Literal["billing", "technical", "account", "shipping", "legal", "other"]
    subcategory: str
    priority: Literal["low", "normal", "high", "critical"]
    requires_human: bool
    missing_fields: list[str]
    confidence: float  # 0-1

def classify_request(request_text: str) -> RequestClassification:
    """Классификация заявки через Structured Outputs"""
    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Классифицируй входящую заявку."},
            {"role": "user", "content": request_text},
        ],
        response_format=RequestClassification,
        temperature=0,
    )
    return response.choices[0].message.parsed

def collect_missing_info(request_text: str, missing_fields: list[str]) -> str:
    """Формирует уточняющий вопрос для сбора недостающих данных"""
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "system",
            "content": "Сформулируй вежливый вопрос для уточнения информации по заявке."
        }, {
            "role": "user",
            "content": f"Заявка: {request_text}\nНедостающие поля: {missing_fields}"
        }],
    )
    return response.choices[0].message.content

סוכן דיאלוגי לאיסוף נתונים

כשהמודל מזהה שדות חסרים, הסוכן הדיאלוגי יוזם שיחה. הוא שואל בנימוס עד שנאספים כל המאפיינים הנדרשים. לכל קטגוריה יש תבנית משלה: חיוב דורש מספר חשבונית וסכום, תמיכה טכנית דורשת גרסת מוצר ותיאור שגיאה.

דוגמה: משתמש: "אני לא יכול להיכנס ל-CRM, שגיאה 500." סוכן: "אנא ציין את כתובת האימייל שלך ואת שם ה-CRM." משתמש: "[email protected], Bitrix24." סוכן: "תודה. נוצרה פנייה #12345. מהנדסים יגיבו תוך שעה."

class RequestProcessor:
    """Диалоговый агент для полного сбора данных заявки"""
    TEMPLATES = {
        "billing": ["invoice_number", "amount", "payment_date"],
        "technical": ["product_name", "version", "error_description", "steps_to_reproduce"],
        "account": ["user_email", "account_id", "issue_description"],
    }

    def __init__(self):
        self.conversations: dict[str, list] = {}
        self.collected_data: dict[str, dict] = {}

    def process_message(self, session_id: str, message: str) -> str:
        if session_id not in self.conversations:
            self.conversations[session_id] = []
            self.collected_data[session_id] = {}
        self.conversations[session_id].append({"role": "user", "content": message})

        # Обновляем собранные данные
        self._extract_and_update(session_id, message)

        # Проверяем полноту
        required = self._get_required_fields(session_id)
        missing = [f for f in required if f not in self.collected_data[session_id]]
        if not missing:
            return self._finalize_request(session_id)

        # Запрашиваем следующее поле
        return self._ask_for_field(session_id, missing[0])

    def _ask_for_field(self, session_id: str, field: str) -> str:
        field_questions = {
            "invoice_number": "Укажите номер счёта или инвойса",
            "amount": "Какая сумма указана в счёте?",
            "error_description": "Опишите ошибку подробнее",
        }
        return field_questions.get(field, f"Уточните: {field}")

    def _finalize_request(self, session_id: str) -> str:
        data = self.collected_data[session_id]
        ticket_id = create_ticket(data)
        return f"Заявка создана: #{ticket_id}. Мы свяжемся с вами в течение 24 часов."

Zero-shot לעומת Fine-tuning: כיצד לבחור?

ברוב התרחישים, prompt של zero-shot עם הוראות מספיק — דיוק של 85-90%. אם הקטגוריות ספציפיות (למשל, פניות משפטיות או רפואיות), fine-tuning על 500+ פניות היסטוריות מעלה את הדיוק ל-97%. השוואה להלן:

מה סוכן ה-AI מספק: מקרה מהפרקטיקה שלנו

בחברה עם 800 עובדים, פרסנו את הסוכן לתמיכת IT. קטגוריות: גישת מערכת (34%), חומרה (22%), תוכנה (18%), רשת (14%), אחר (12%). לפני הפריסה, מפעילים בילו 70% מזמנם על עיבוד ראשוני — אחרי הסוכן, העומס ירד ל-30%. תוצאות:

• פתרון אוטומטי L1 (תגובה ללא מהנדס): 41%.
• זמן תגובה ראשון: מ-4 שעות למיידי — מהיר פי 240 מעיבוד ידני.
• דיוק סיווג: 93% (גבוה ב-25% מעיבוד ידני).
• שלמות נתונים בפניות: עלתה מ-78% ל-96%, שיפור של 23%.

חיסכון בתקציב תמיכה: $30,000 בשנה — מהפחתת עומס L1. עלות הפרויקט נעה בדרך כלל בין $15,000 ל-$50,000 בהתאם למורכבות, אך ROI מושג תוך 3–4 חודשים. חיסכון שנתי בעלויות תפעול מגיע ל-$50,000 עם נפחים של מעל 10,000 פניות.

השוואה: ידני לעומת סוכן AI

טעויות נפוצות ביישום

ראשית: בדיקות לא מספקות על תרחישים נדירים. אנו ממליצים על מערך נתונים של 500+ פניות אמיתיות. שנית: התעלמות מפיקוח אנושי על פניות קריטיות. אנו תמיד משאירים למפעיל אפשרות להתערב כאשר הביטחון נמוך מ-0.8.

שגיאות ואחריות: כיצד אנו משיגים דיוק של 95%

לפני ההשקה, אנו מכינים מערך נתונים של פניות היסטוריות, מכוונים prompts, ובודקים על מדגם של 500+ פניות. לאחר הפריסה, אנו עוקבים אחר מדדים: דיוק סיווג (יעד >90%), שיעור הסלמה, שלמות מידע. אימון חודשי מחדש על נתונים חדשים. אנו משתמשים ב-NLP לניתוח סנטימנט ותשובות אוטומטיות לפניות תכופות. אנו מבטיחים SLA עקבי לזמן תגובה ודיוק. הניסיון שלנו: מעל 50 פריסות ב-5 שנים.

מה כלול בעבודה (תוצרים)

1. ביקורת על תהליך עיבוד הפניות הנוכחי.
2. עיצוב לוגיקת סיווג ודיאלוג.
3. פיתוח הסוכן (סיווג + איסוף נתונים + RAG) עם אינטגרציה למסד נתונים וקטורי.
4. אינטגרציה עם מערכת פניות (Jira, Zendesk, Bitrix24) דרך REST API.
5. בדיקות על נתונים היסטוריים ובדיקת A/B על פניות חיות.
6. תיעוד, הדרכת מפעילים, אחריות תמיכה לחודש.

לוח זמנים ועלות

• סוכן סיווג + ניתוב: 2–3 שבועות.
• אינטגרציה עם מערכת פניות: 1–2 שבועות.
• מאגר ידע (RAG): 2–3 שבועות.
• בדיקות וכיוונון: 1–2 שבועות.
• סה"כ: 6–10 שבועות.

העלות משתנה ומחושבת באופן אישי בהתאם למורכבות הקטגוריות, נפח הנתונים ומספר האינטגרציות. עם ניסיון של מעל 5 שנים ויותר מ-50 פריסות מוצלחות, כיוונו את הגישה שלנו בתעשיות שונות. בקשו הדגמה או ייעוץ לתרחיש שלכם — נערוך ביקורת ונציע פתרון אופטימלי תוך 1–2 ימים.