Исследователи разработали интеллектуальную систему для автоматической маршрутизации обращений и прогнозирования сбоев в SLA в рамках работы с Jira. Новая модель сочетает возможности машинного обучения и обработки естественного языка для повышения эффективности службы технической поддержки.
Система анализирует входящие тикеты и на основе исторических данных предсказывает, в какой отдел их следует направить, а также оценивает вероятность нарушения SLA (Service Level Agreement — соглашения об уровне обслуживания). Разработка ориентирована на крупные организации, где вручную обрабатывать обращения становится всё сложнее из-за их объёма и срочности.
Ключевым элементом модели является интеграция методов обработки естественного языка (NLP) с алгоритмами классификации. Для обучения использовались реальные данные Jira, включая текст тикетов, метки, категории и временные характеристики. На выходе система способна не только предсказать отдел назначения, но и заранее указать, насколько высок риск того, что тикет не будет обработан в срок.
По словам авторов проекта, точность модели составляет более 85% при маршрутизации и около 80% при прогнозировании SLA-сбоев. Такой уровень позволяет значительно ускорить обработку запросов и снизить нагрузку на операторов.
В будущем планируется адаптация решения под другие платформы, а также внедрение элементов адаптивного обучения — чтобы модель могла подстраиваться под новые типы тикетов и изменения в рабочих процессах компаний.
Эксперты отмечают, что подобные системы становятся всё более актуальными в эпоху цифровизации, когда скорость и точность обработки обращений напрямую влияют на лояльность клиентов и репутацию компаний.
