Langtitel: Ein qualitätsbewusstes, erklärbares Framework zur Unterstützung der Ticketbearbeitung für den industriellen Kundensupport

Kurzfassung: 

In modernen industriellen Umgebungen kommen stark vernetzte cyber-physische Systeme zum Einsatz, die aus mechanischen Komponenten, Sensorik und komplexer Software bestehen. In solchen Systemlandschaften werden Service-Tickets als zentrales Kommunikationsmittel zwischen Kund*innen und Support genutzt. Die Bearbeitung dieser Tickets erfolgt traditionell manuell durch Expert*innen und ist dadurch zeit- und kostenintensiv. Zwar existieren automatisierte Empfehlungssysteme, jedoch fehlen Mechanismen zur Bewertung der Ticketqualität sowie transparente und nachvollziehbare Handlungsempfehlungen. Das führt zu geringer Modellzuverlässigkeit, eingeschränktem Vertrauen der Nutzenden und ineffizienten Supportprozessen.

Das Projekt Q-EXTRA (Quality-aware EXplainable Ticket Resolution Assistance) verfolgt daher das Ziel, ein datengetriebenes Framework zu entwickeln und zu evaluieren, das die automatisierte Bewertung der Qualität eingehender Tickets mit erklärbaren Lösungsempfehlungen kombiniert. Dabei werden insbesondere die Qualitätsdimensionen Vollständigkeit und Konsistenz analysiert. Zudem werden Anweisungen zur Vervollständigung fehlender Informationen ausgegeben sowie transparente Handlungsvorschläge mit einer nachvollziehbaren Begründung generiert. Die Konfidenz des Ergebnisses basiert dabei auf ähnlichen, bereits gelösten Fällen.

Das System wird anhand industrieller Daten getestet und hinsichtlich Genauigkeit und Interpretierbarkeit bewertet. Neben wissenschaftlichen Beiträgen an der Schnittstelle von Explainable AI und Datenqualitätsmanagement soll die Lösung schnellere, zuverlässigere und transparentere Supportprozesse ermöglichen und dadurch Stillstandszeiten und Kosten reduzieren.

Resultate:

Die Projektergebnisse sind entlang der beiden Arbeitspakete strukturiert: WP1 – Data-Driven Ticket Quality Assessment and Enrichment und WP2 – Explainable Resolution Recommendation Framework.

In WP1 entsteht ein Modell zur automatischen Bewertung der Ticketqualität. Zusätzlich wird ein Prototyp implementiert, der fehlende Informationen in neuen Tickets vorhersagt und Kund*innen gezieltes Feedback zur Verbesserung ihrer Problembeschreibung liefert.

In WP2 wird eine strukturierte Zuordnung von Empfehlungstechniken und Explainable-AI-Methoden erstellt und daraus eine Architektur für das Q-EXTRA-Framework abgeleitet. Anschließend wird eine integrierte Proof-of-Concept-Pipeline umgesetzt, die Ticketqualitätsbewertung und erklärbare Lösungsempfehlungen kombiniert.