Generación de Datos Sintéticos para Tickets de Soporte

Cree conjuntos de datos de tickets de soporte multilingües y de alta calidad para clasificación, enrutamiento y automatización de respuestas. Esta página describe nuestro Generador de Datos Sintéticos basado en Python y el conjunto de datos público que creamos con él. También explica cómo el generador apoya el flujo de trabajo de entrenamiento de Open Ticket AI y nuestros servicios comerciales de generación de datos.

INFO

• Propósito: Generar tickets realistas (asunto, cuerpo, cola, prioridad, tipo, etiquetas, idioma y una primera respuesta de un agente de IA).
• Idiomas: DE, EN, FR, ES, PT.
• Pipeline: Grafo de “nodos” de IA configurables (tema → correo electrónico → etiquetas → parafraseo → traducción → respuesta).
• Modelos: Funciona con OpenAI, OpenRouter, Together… (GPT-4, Qwen, LLaMA, etc.).
• Controles: CLI integrada, modos dev/prod, seguimiento de costos y tokens con resúmenes de divisas.
• Licencia: Lanzamiento planeado bajo LGPL.
• ¿Necesita la herramienta o modificaciones personalizadas? → sales@softoft.de

Qué genera

• Campos principales: ticket_id, subject, body
• Etiquetas de clasificación: type (Incidente/Solicitud/Problema/Cambio), queue (p. ej., Soporte Técnico, Facturación, RRHH), priority (Baja/Media/Alta)
• Idioma: language (DE/EN/FR/ES/PT)
• Etiquetas: 4–8 etiquetas de dominio/tema por ticket
• Respuesta del agente: un mensaje de primera respuesta redactado por un asistente de IA

Un registro de ejemplo (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…"

Se garantiza que los ID son únicos en un rango de 12 a 13 dígitos, lo que simplifica las uniones (joins) y fusiones (merges) entre ejecuciones.

Cómo funciona (en resumen)

El generador utiliza un pipeline basado en grafos de “nodos” pequeños y comprobables. Ruta típica:

Tema → Borrador de asunto → Borrador de cuerpo de correo → Etiquetado → Parafraseo → Traducción → Primera respuesta

Puede reordenar los nodos, eliminar pasos o añadir los suyos propios. Cada “asistente” es configurable (prompts de sistema/usuario, modelo/proveedor, límites). Esto significa que puede producir rápidamente tickets específicos de un dominio (p. ej., RRHH, sanidad, retail, sector público) sin reescribir código.

Flexibilidad de modelos y proveedores

Utilice sus LLMs preferidos:

• Proveedores: OpenAI, OpenRouter, Together (y otros a través de adaptadores)
• Modelos: clase GPT-4, Qwen, LLaMA, etc.
• Intercambie los prompts por nodo para aumentar la diversidad y controlar el tono, la terminología y la estructura.

Seguimiento de costos y uso (integrado)

• Contabilidad de tokens y costos por ejecución (entrada vs. salida) por modelo
• Umbrales configurables que advierten/fallan si una sola ejecución supera un límite de costo
• Resúmenes de divisas (p. ej., USD, EUR) para una presupuestación clara
• Modos Dev vs. Prod para cambiar entre pequeñas ejecuciones de prueba y compilaciones completas de conjuntos de datos

Inicio rápido

Ejecute un trabajo de generación de conjuntos de datos con la CLI integrada:

python -m ticket_generator

Ideas de configuración mínima (pseudocódigo):

# 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
    }
}

En la práctica, ajustará los prompts, elegirá diferentes modelos por nodo y agregará tablas de aleatorización específicas del dominio ( colas, prioridades, tipos de negocio, etc.).

Esquema de salida

Columnas comunes que verá en nuestras exportaciones generadas en CSV/Parquet:

• ticket_id (cadena de 12–13 dígitos)
• subject, body
• language (DE/EN/FR/ES/PT)
• type ∈ (Incidente, Solicitud, Problema, Cambio)
• queue (específico del dominio, p. ej., Soporte Técnico, Facturación, RRHH)
• priority ∈ (Baja, Media, Alta)
• tags (array/lista de 4–8)
• first_response (respuesta del agente)

Conjunto de datos de ejemplo en Kaggle

Utilizamos este generador para construir el conjunto de datos público Multilingual Customer Support Tickets, que incluye prioridades, colas, tipos, etiquetas y tipos de negocio, ideal para entrenar modelos de clasificación y priorización de tickets. ➡️ Kaggle: Multilingual Customer Support Tickets

• Incluye múltiples idiomas y todas las etiquetas mencionadas anteriormente
• Los notebooks de la comunidad demuestran casos de uso de clasificación y enrutamiento

Cómo apoya esto a Open Ticket AI

Open Ticket AI clasifica la cola y la prioridad en los tickets entrantes. Los datos sintéticos son invaluables cuando se tiene:

• Un historial etiquetado nulo o limitado
• Datos sensibles que no pueden salir de su infraestructura
• La necesidad de clases equilibradas (p. ej., colas/prioridades poco comunes)
• Cobertura multilingüe desde el primer día

Usamos el generador de forma rutinaria para:

1. iniciar el entrenamiento del modelo,
2. equilibrar las clases de cola larga (long-tail), y
3. simular operaciones multilingües. Si desea que generemos conjuntos de datos a medida (su dominio/colas/prioridades/etiquetas, sus idiomas), lo ofrecemos como un ** servicio**.

::: tip Servicios ¿Necesita datos sintéticos específicos de su dominio para su servicio de asistencia? Diseñaremos prompts, nodos y tablas de aleatorización para su industria, nos integraremos con su pipeline de datos y entregaremos archivos CSV/Parquet listos para el entrenamiento y la evaluación. Contacto: sales@softoft.de :::

Licencia y disponibilidad

• Está previsto que el Generador de Datos Sintéticos se publique bajo la licencia LGPL.
• Si desea acceso anticipado, una licencia privada o modificaciones/extensibilidad personalizadas, envíe un correo electrónico a sales@softoft.de y lo configuraremos para usted.

---

FAQ

¿El conjunto de datos es “real” o “sintético”? Totalmente sintético, producido por un pipeline de LLM configurable.

¿Puedo añadir mis propios campos (p. ej., Unidad de Negocio, Impacto, Urgencia)? Sí, amplíe las tablas de aleatorización y añada un nodo para emitir los campos.

¿Puedo controlar el estilo y el tono? Por supuesto. Los prompts son por nodo, por lo que puede imponer el tono, la formalidad, los regionalismos y la terminología.

¿Cómo mantengo los costos bajo control? Use el modo de desarrollo (pocas rows, max_tokens más bajos), umbrales de costo y modelos más económicos para las primeras iteraciones. Cambie a su combinación de modelos preferida una vez que los resultados parezcan correctos.