Generierung synthetischer Daten für Support-Tickets

Erstellen Sie hochwertige, mehrsprachige Datensätze für Support-Tickets zur Klassifizierung, Weiterleitung und automatisierten Beantwortung. Diese Seite beschreibt unseren Python-basierten Synthetic Data Generator und den öffentlichen Datensatz, den wir damit erstellt haben. Sie erklärt auch, wie der Generator den Trainings-Workflow von Open Ticket AI und unsere kommerziellen Dienstleistungen zur Datengenerierung unterstützt.

INFO

• Zweck: Generierung realistischer Tickets (Betreff, Inhalt, Warteschlange, Priorität, Typ, Tags, Sprache und eine erste Antwort eines KI-Agenten).
• Sprachen: DE, EN, FR, ES, PT.
• Pipeline: Graph aus konfigurierbaren KI-„Knoten“ (Thema → E-Mail → Tags → Paraphrase → Übersetzung → Antwort).
• Modelle: Funktioniert mit OpenAI, OpenRouter, Together… (GPT-4, Qwen, LLaMA, etc.).
• Steuerung: Integriertes CLI, Dev/Prod-Modi, Kosten- & Token-Tracking mit Währungsübersichten.
• Lizenz: Geplante LGPL-Veröffentlichung.
• Benötigen Sie das Tool oder Anpassungen? → sales@softoft.de

Was generiert wird

• Kernfelder: ticket_id, subject, body
• Klassifizierungslabels: type (Incident/Request/Problem/Change), queue (z. B. Technischer Support, Abrechnung, Personal), priority (Niedrig/Mittel/Hoch)
• Sprache: language (DE/EN/FR/ES/PT)
• Tags: 4–8 Domänen-/Themen-Tags pro Ticket
• Agenten-Antwort: eine Erstantwort, die von einem KI-Assistenten verfasst wurde

Ein Beispieldatensatz (CSV):

ticket_id,subject,body,language,type,queue,priority,tags,first_response
8934012332184,"VPN verbindet nicht","Seit dem Update keine Verbindung…","DE","Incident","IT / Security","High","vpn,update,remote-access,windows","Hallo! Bitte öffnen Sie die VPN-App…"

IDs sind garantiert eindeutig in einem 12–13-stelligen Bereich, was Joins und Merges über verschiedene Durchläufe hinweg vereinfacht.

Wie es funktioniert (kurz erklärt)

Der Generator verwendet eine graph-basierte Pipeline aus kleinen, testbaren „Knoten“. Ein typischer Pfad ist:

Thema → Betreff entwerfen → E-Mail-Text entwerfen → Tagging → Paraphrasieren → Übersetzen → Erste Antwort

Sie können Knoten neu anordnen, Schritte entfernen oder eigene hinzufügen. Jeder „Assistent“ ist konfigurierbar (System-/Benutzer-Prompts, Modell/Anbieter, Limits). Das bedeutet, dass Sie schnell domänenspezifische Tickets (z. B. für Personalwesen, Gesundheitswesen, Einzelhandel, öffentlichen Sektor) erstellen können, ohne Code umschreiben zu müssen.

Flexibilität bei Modellen & Anbietern

Verwenden Sie Ihre bevorzugten LLMs:

• Anbieter: OpenAI, OpenRouter, Together (und andere über Adapter)
• Modelle: GPT-4-Klasse, Qwen, LLaMA, etc.
• Tauschen Sie Prompts pro Knoten aus, um die Vielfalt zu erhöhen und Tonalität, Terminologie und Struktur zu steuern.

Kosten- & Nutzungsverfolgung (integriert)

• Token- und Kostenabrechnung pro Durchlauf (Input vs. Output) für jedes Modell
• Konfigurierbare Schwellenwerte, die warnen/einen Fehler auslösen, wenn ein einzelner Durchlauf ein Kostenlimit überschreitet
• Währungsübersichten (z. B. USD, EUR) für eine klare Budgetierung
• Dev- vs. Prod-Modi zum Wechseln zwischen kleinen Testläufen und der Erstellung vollständiger Datensätze

Schnellstart

Starten Sie einen Job zur Datensatzerzeugung mit dem integrierten CLI:

python -m ticket_generator

Minimale Konfigurationsideen (Pseudocode):

# config/config.py (example)
RUN = {
    "rows": 10_000,  # total examples
    "batch_size": 50,  # lower for cheap dev runs
    "languages": ["DE", "EN", "FR", "ES", "PT"],
    "timezone": "Europe/Berlin",
    "pipeline": [
        "topic_node",
        "email_draft_node",
        "tagging_node",
        "paraphrase_node",
        "translate_node",
        "first_response_node"
    ],
    "models": {
        "default": {
            "provider": "openai",
            "name": "gpt-4o-mini",
            "max_tokens": 800
        }
    },
    "cost_limits": {
        "warn": 0.001,  # USD per single assistant run
        "error": 0.01
    }
}

In der Praxis werden Sie Prompts anpassen, verschiedene Modelle pro Knoten auswählen und domänenspezifische Zufallstabellen (Warteschlangen, Prioritäten, Geschäftstypen usw.) hinzufügen.

Ausgabeschema

Häufige Spalten, die Sie in unseren generierten CSV/Parquet-Exporten finden werden:

• ticket_id (12–13-stellige Zeichenkette)
• subject, body
• language (DE/EN/FR/ES/PT)
• type ∈ (Incident, Request, Problem, Change)
• queue (domänenspezifisch, z. B. Technischer Support, Abrechnung, Personal)
• priority ∈ (Niedrig, Mittel, Hoch)
• tags (Array/Liste von 4–8)
• first_response (Agenten-Antwort)

Beispieldatensatz auf Kaggle

Wir haben diesen Generator verwendet, um den öffentlichen Datensatz Multilingual Customer Support Tickets zu erstellen, der Prioritäten, Warteschlangen, Typen, Tags und Geschäftstypen enthält und sich ideal für das Training von Modellen zur Ticket-Klassifizierung und -Priorisierung eignet. ➡️ Kaggle: Multilingual Customer Support Tickets

• Enthält mehrere Sprachen und alle oben aufgeführten Labels
• Community-Notebooks demonstrieren Anwendungsfälle für Klassifizierung und Routing

Wie dies Open Ticket AI unterstützt

Open Ticket AI klassifiziert die Warteschlange und Priorität bei eingehenden Tickets. Synthetische Daten sind von unschätzbarem Wert, wenn Sie:

• Keine oder nur begrenzte gelabelte Verlaufsdaten haben
• Sensible Daten haben, die Ihre Infrastruktur nicht verlassen dürfen
• Ausgeglichene Klassen benötigen (z. B. für seltene Warteschlangen/Prioritäten)
• Mehrsprachige Abdeckung vom ersten Tag an benötigen

Wir verwenden den Generator routinemäßig, um:

1. das Modelltraining zu bootstrappen,
2. Long-Tail-Klassen auszugleichen, und
3. mehrsprachige Abläufe zu simulieren. Wenn Sie möchten, dass wir maßgeschneiderte Datensätze für Sie generieren (Ihre Domäne/Warteschlangen/Prioritäten/Tags, Ihre Sprachen), bieten wir dies als Dienstleistung an.

::: tip Dienstleistungen Benötigen Sie domänenspezifische synthetische Daten für Ihren Helpdesk? Wir entwerfen Prompts, Knoten und Zufallstabellen für Ihre Branche, integrieren sie in Ihre Datenpipeline und liefern CSV/Parquet-Dateien, die für Training und Evaluierung bereit sind. Kontakt: sales@softoft.de :::

Lizenzierung & Verfügbarkeit

• Der Synthetic Data Generator wird voraussichtlich unter der LGPL veröffentlicht.
• Wenn Sie frühzeitigen Zugriff, eine private Lizenz oder benutzerdefinierte Änderungen/Erweiterungen wünschen, senden Sie eine E-Mail an sales@softoft.de, und wir richten es für Sie ein.

---

FAQ

Ist der Datensatz „echt“ oder „synthetisch“? Vollständig synthetisch, erzeugt durch eine konfigurierbare LLM-Pipeline.

Kann ich eigene Felder hinzufügen (z. B. Geschäftsbereich, Auswirkung, Dringlichkeit)? Ja – erweitern Sie die Zufallstabellen und fügen Sie einen Knoten hinzu, um die Felder auszugeben.

Kann ich Stil und Tonalität steuern? Absolut. Prompts sind pro Knoten definiert, sodass Sie Tonalität, Formalität, Regionalismen und Terminologie erzwingen können.

Wie halte ich die Kosten unter Kontrolle? Verwenden Sie den Dev-Modus (kleine rows-Anzahl, niedrigere max_tokens), Kostenschwellenwerte und günstigere Modelle für frühe Iterationen. Wechseln Sie zu Ihrer bevorzugten Modellmischung, sobald die Ergebnisse zufriedenstellend sind.