ניתוב כרטיסים מבוסס בינה מלאכותית באפליקציות מובייל

תארו לעצמכם: אפליקציית המובייל שלכם מטפלת במאות פניות ביום. כל אחת מהן חייבת להיות מנותבת מיידית למחלקה הנכונה — תמיכה טכנית, חשבונאות, ניהול חשבונות. ללא ניתוב חכם, נציגים טובעים בכאוס ומשתמשים ממתינים שעות. אנו מתכננים ומיישמים פתרונות AI מוכחים שמנתחים מטא-דאטה של פניות ומשייכים את הנציג הטוב ביותר בשבריר שנייה, ומבטיחים דיוק ניתוב של 99.5%.

סיווג אומר "מה זה", ניתוב מחליט "מי מקבל את זה". ההבדל הוא מהותי. פנייה המסומנת כ"תקלה טכנית" — אבל לאיזה נציג או תור ספציפי היא צריכה להגיע? עובד בכיר, נציג עם התמחות מתאימה, נציג זמין באזור זמן נכון. ללא AI, כללים ידניים ב-Zendesk קורסים תחת עומס.

איך לאסוף הקשר על הלקוח הנייד?

אפליקציית המובייל היא נקודת הכניסה לפניות. הניתוב מתרחש בצד השרת; הלקוח שולח רק את הבקשה עם מטא-דאטה. אבל איכות הניתוב תלויה לחלוטין במטא-דאטה שהלקוח אוסף ומשדר. איסוף הקשר נכון הוא חצי מהקרב.

מטא-דאטה מינימלי לניתוב יעיל:

• user_id + היסטוריית פניות קודמות (נטען מהמטמון)
• platform (iOS/Android), app_version, os_version
• last_screen — המסך שבו המשתמש היה לפני שליחת הפנייה
• session_events — 20 הפעולות האחרונות מאנליטיקס (Firebase Analytics logEvent)
• קטגוריה מהמסווג (אם מיושם)
• device_locale — שפת המכשיר

ב-iOS (בנוי עם Swift SwiftUI) אנו אוספים:

struct TicketContext: Encodable {
    let userId: String
    let platform = "ios"
    let appVersion: String = Bundle.main.infoDictionary?["CFBundleShortVersionString"] as? String ?? ""
    let osVersion: String = UIDevice.current.systemVersion
    let lastScreen: String
    let sessionEvents: [String]
    let locale: String = Locale.current.identifier
    let previousTicketsCount: Int
}

ב-Android — מחלקה דומה עם struct TicketContext: Encodable { let userId: String let platform = "ios" let appVersion: String = Bundle.main.infoDictionary?["CFBundleShortVersionString"] as? String ?? "" let osVersion: String = UIDevice.current.systemVersion let lastScreen: String let sessionEvents: [String] let locale: String = Locale.current.identifier let previousTicketsCount: Int } ו-BuildConfig:

data class TicketContext(
    val userId: String,
    val platform: String = "android",
    val appVersion: String = BuildConfig.VERSION_NAME,
    val osVersion: String = Build.VERSION.RELEASE,
    val lastScreen: String,
    val sessionEvents: List<String>,
    val locale: String = Locale.getDefault().toLanguageTag(),
    val previousTicketsCount: Int
)

מבנים אלה מקודדים ל-JSON ונשלחים לשרת יחד עם טקסט הפנייה. Apple Developer Documentation ממליצה להשתמש ב-Build.VERSION לסריאליזציה.

לוגיקת שרת: כללים, ML, או LLM?

השרת מקבל את הפנייה עם ההקשר ומריץ אותה דרך מנוע הניתוב. ישנן שלוש גישות, לכל אחת יש פשרות.

כללים מתאימים ביותר לתרחישים קריטיים, ML לזרמים בנפח גבוה, LLM לאב-טיפוס מהיר. בפועל, אנו משתמשים בגישה היברידית: תחילה סינון עם כללים קשיחים (למשל, data class TicketContext( val userId: String, val platform: String = "android", val appVersion: String = BuildConfig.VERSION_NAME, val osVersion: String = Build.VERSION.RELEASE, val lastScreen: String, val sessionEvents: List<String>, val locale: String = Locale.getDefault().toLanguageTag(), val previousTicketsCount: Int ) + קטגוריה JSONEncoder → תור legacy), ולאחר מכן דירוג ML על פני נציגים זמינים. ניתוב היברידי זה משיג דיוק של 95% — מדויק פי 3 מכללים סטטיים — ומעבד פניות פי 2 מהר יותר.

אם הנפח שלכם קטן ואין לכם מדען נתונים, קריאת פונקציות של OpenAI עובדת כמסווג zero-shot:

# Backend (Python)
routing_response = openai.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{
        "role": "system",
        "content": f"Available queues: {json.dumps(queue_descriptions)}. Route the ticket."
    }, {
        "role": "user",
        "content": ticket_text
    }],
    tools=[route_ticket_tool],
    tool_choice={"type": "function", "function": {"name": "route_ticket"}}
)

עלות לכל קריאה של app_version < 3.0 היא כ-$0.0001. ב-1000 פניות ביום, זה $3 לחודש. אפשרי לסטארטאפים. חיסכון שנתי של עד $60,000 לצוות של 10 נציגים בעת מעבר מניתוב ידני.

הצגת סטטוס ניתוב בזמן אמת

לאחר השליחה, משתמשים רוצים לדעת מה קורה. יישמו WebSocket או SSE לעדכוני סטטוס בזמן אמת.

// Android - обновление статуса через StateFlow
class TicketStatusViewModel : ViewModel() {
    private val _status = MutableStateFlow<TicketStatus>(TicketStatus.Sent)
    val status = _status.asStateFlow()

    fun observeTicket(ticketId: String) {
        webSocketManager.observe(ticketId)
            .onEach { event ->
                when (event) {
                    is TicketEvent.Routed -> _status.value = TicketStatus.Routed(event.agentName, event.estimatedTime)
                    is TicketEvent.AgentAssigned -> _status.value = TicketStatus.InProgress(event.agentName)
                    is TicketEvent.Resolved -> _status.value = TicketStatus.Resolved
                }
            }
            .launchIn(viewModelScope)
    }
}

ב-iOS — באופן דומה דרך billing + # Backend (Python) routing_response = openai.chat.completions.create( model="gpt-4o-mini", messages=[{ "role": "system", "content": f"Available queues: {json.dumps(queue_descriptions)}. Route the ticket." }, { "role": "user", "content": ticket_text }], tools=[route_ticket_tool], tool_choice={"type": "function", "function": {"name": "route_ticket"}} ) . ממשק המשתמש מתעדכן אוטומטית; המשתמש רואה את שם הנציג וזמן תגובה משוער.

טיפול בשגיאות ניתוב

נתבים עושים טעויות. חיוני לאפשר לנציגים להקצות מחדש פניות ולדחוף את האירוע חזרה למערכת — זהו אות אימון למודל. הלקוח הנייד חייב לשקף הקצאה מחדש ללא צורך בטעינה מחדש. טעות אופיינית היא אחסון רק של gpt-4o-mini בצד השרת ואי דחיפת עדכונים דרך התראות push. פתרון: השתמשו ב-WebSocket לדחיפת אירועי הקצאה מחדש.

התהליך שלנו

1. ביקורת על כללי הניתוב הנוכחיים ותיאור תורים וקריטריונים.
2. יישום איסוף הקשר בלקוח (ספריות iOS ו-Android).
3. אינטגרציה עם מנוע הניתוב בצד השרת (כללים, ML, או LLM).
4. הוספת עדכוני סטטוס בזמן אמת דרך WebSocket/SSE בממשק המשתמש.
5. רישום הקצאות מחדש לשיפור המודל ובדיקות A/B לדיוק.

ספריית איסוף ההקשר ב-iOS היא בגודל של כ-50KB, והמקבילה ב-Android מוסיפה עומס זניח.

מה כלול

הערכות זמנים

ניתוב בסיסי מבוסס כללים עם הקשר לקוח — מ-5 ימים. תוכנית היברידית עם דירוג ML — מ-3 שבועות. סטטוס WebSocket בזמן אמת — מ-3 ימים בנפרד. מחזור יישום מלא — מ-2 חודשים.

לצוות שלנו יש ניסיון של 5+ שנים באוטומציה של תמיכה, עם למעלה מ-40 פרויקטים שיישמו ניתוב AI לאפליקציות מובייל. כדי לגלות כיצד טכנולוגיה זו יכולה לשפר את האפליקציה שלכם, צרו קשר — אנו נערוך ביקורת של המערכת הנוכחית שלכם ונציע את הפתרון האופטימלי.