So trainieren Sie ein KI-Modell mit Ihren Support-Tickets für bessere FAQs

Sie trainieren ein KI-Modell mit Ihren Support-Tickets, indem Sie diese zunächst in einen sauberen Frage-Antwort-Datensatz umwandeln und anschließend ein vortrainiertes Transformer-Modell – wie BERT oder eine T5-Variante – mit diesem Datensatz feinabstimmen (Fine-Tuning). Der Prozess funktioniert am besten, wenn Sie jedes Ticket als Frage mit einer verifizierten, guten Antwort kennzeichnen. Dies erfordert in der Regel keine komplexen Programmierkenntnisse, wenn Sie eine Plattform mit einer Benutzeroberfläche für das Fine-Tuning verwenden. In der Praxis exportieren die meisten Teams ihre Tickets, entfernen personenbezogene Daten, erstellen eine Q&A-JSON-Datei und führen dann einige Trainings-Epochen auf einem gehosteten Modelldienst aus.

Was Sie vor dem Start benötigen

Bevor Sie Ihre Tickets bearbeiten, sammeln Sie das Rohmaterial und entscheiden Sie sich für eine Trainingsumgebung. Sie benötigen:

• Einen Export gelöster Support-Tickets mit Zeitstempeln und Agenten-Antworten.
• Zugriff auf einen Texteditor oder ein einfaches Skript zur Datenbereinigung.
• Ein Tool zur Kennzeichnung (Labeling) – Tabellenkalkulationen funktionieren für kleine Datensätze gut.
• Ein Konto bei einem Dienst für das Fine-Tuning von Modellen (Hugging Face, Azure AI, Google Cloud oder eine speziell dafür entwickelte Plattform).
• Einen kleinen Testdatensatz von Tickets, die Sie während des Trainings nicht verwenden.

Die wichtigste Voraussetzung ist das Volumen. Sie sollten mindestens einige hundert klar gelöste Tickets haben; tausende sind besser. Wenn Sie weniger haben, ist ein benutzerdefiniertes Modell möglicherweise nicht besser als eine gut geschriebene FAQ-Seite.

Schritt 1 – Exportieren und Inventarisieren Ihrer Tickets

Ziehen Sie jedes gelöste Ticket aus Ihrer Helpdesk-Software. Achten Sie auf Felder wie Betreff, ursprüngliche Beschreibung, Konversationsverlauf und die abschließende Lösungsnotiz. Viele Tools ermöglichen den direkten Export als CSV oder JSON.

Erstellen Sie eine einfache Tabelle mit den Spalten: ticket_id, customer_question, agent_answer, category und resolution_status. Wenn ein Ticket mehrere Nachrichten enthält, müssen Sie die ursprüngliche Frage und die endgültige Antwort, die das Problem gelöst hat, isolieren.

Machen Sie sich noch keine Gedanken über Perfektion. Das Ziel ist eine Rohliste, die Sie filtern und kennzeichnen können.

Schritt 2 – PII bereinigen und Text normalisieren

Dieser Schritt ist nicht verhandelbar. Entfernen Sie Namen, E-Mail-Adressen, Telefonnummern und alle Konto-IDs aus dem Tickettext. Selbst wenn Ihr Modell intern ist, stellt das Training mit personenbezogenen Daten (PII) ein rechtliches Risiko dar und kann später zum Verlust sensibler Daten führen.

Verwenden Sie ein einfaches Skript, um gängige Muster zu finden und zu ersetzen. Normalisieren Sie dann Rechtschreibung und Zeichensetzung: Lösen Sie Kontraktionen auf („don’t“ -> „do not“), korrigieren Sie Tippfehler und wandeln Sie alles in Kleinbuchstaben um, falls Ihr Modell dies erwartet.

Löschen Sie doppelte Tickets. Wenn zwei Kunden exakt dieselbe Frage gestellt und dieselbe Antwort erhalten haben, behalten Sie ein Beispiel und markieren Sie es als Paar mit hoher Konfidenz.

Schritt 3 – Frage-Antwort-Paare kennzeichnen

Nun wandeln Sie die bereinigten Tickets in einen überwachten (supervised) Datensatz um. Entscheiden Sie für jedes Ticket, was der Kunde tatsächlich gefragt hat und wie die Antwort des Agenten lauten sollte. Manchmal steht die ursprüngliche Frage in der Betreffzeile; manchmal müssen Sie sie aus dem Verlauf ableiten.

Erstellen Sie eine CSV- oder JSON-Datei mit zwei Kernfeldern: question und answer. Fügen Sie optional ein Feld category für die Filterung hinzu, wie z. B. „Abrechnung“, „Einrichtung“ oder „Fehlerbehebung“.

Ein häufiger Fehler ist die Verwendung der gesamten Antwort des Agenten. Schreiben Sie stattdessen eine prägnante Antwort, die ein Support-Mitarbeiter als Vorlage verwenden würde. Wenn ein Ticket mehrere Fragen enthält, teilen Sie es in separate Einträge auf.

Kennzeichnen Sie genügend Beispiele, um die häufigsten Themen in Ihrer Ticket-Warteschlange abzudecken. Zielen Sie auf mindestens 200–300 Paare ab, und mehr, wenn Sie die Zeit dazu haben.

Schritt 4 – Modell auswählen und feinabstimmen

Sie haben zwei praktische Wege. Der erste ist das Fine-Tuning eines leichtgewichtigen Transformers wie BERT oder RoBERTa, um eine Frage zu klassifizieren und die beste Antwort aus Ihrem Datensatz abzurufen. Der zweite ist das Fine-Tuning eines generativen Modells wie T5 oder GPT-2, um direkt eine Antwort zu erstellen.

Für die meisten FAQ-Relevanzaufgaben ist ein abrufbasierter (retrieval-based) Ansatz einfacher und vorhersehbarer. Sie betten sowohl Fragen als auch Antworten ein und trainieren das Modell dann so, dass die richtige Antwort höher bewertet wird als falsche. Generative Modelle sind besser für offene Fragen, aber schwieriger zu kontrollieren.

Wenn Sie einen gehosteten Dienst nutzen, sieht der Arbeitsablauf normalerweise so aus: JSON-Datei hochladen, Basismodell auswählen, Anzahl der Trainings-Epochen wählen und einen Job starten. Die Plattform übernimmt die Mathematik. Wenn Sie Code bevorzugen, bieten Bibliotheken wie Hugging Face Transformers die volle Kontrolle.

Halten Sie Ihren Trainingsdatensatz von Ihrem Validierungsdatensatz getrennt. Verwenden Sie 80 % für das Training und 20 % für den Test.

Schritt 5 – FAQ-Relevanz bewerten

Testen Sie das Modell nach dem Training mit den 20 %, die Sie zurückgehalten haben. Prüfen Sie für jede Testfrage, ob das Modell die richtige Antwort als obersten Vorschlag liefert. Messen Sie die Präzision bei k=1, k=3 und k=5 – den Anteil der Testfragen, bei denen die richtige Antwort in diesen Top-Ergebnissen erscheint.

Führen Sie eine kleine Benutzerstudie mit Ihren Support-Mitarbeitern durch. Bitten Sie sie, die Relevanz der Antworten des Modells auf einer Skala von 1–5 zu bewerten. Ein gutes Modell sollte eine durchschnittliche Punktzahl von über 4,0 erreichen.

Wenn das Modell bei bestimmten Themen versagt, fügen Sie weitere gekennzeichnete Beispiele für diese Themen hinzu und trainieren Sie erneut. Dies ist der Schritt, den die meisten Teams überspringen, und deshalb wirken ihre FAQ-Seiten oft generisch.

Schritt 6 – Bereitstellen und aktuell halten

Sobald das Modell gut funktioniert, integrieren Sie es in die Suche Ihres Hilfe-Centers oder Ihren Chatbot. Erleichtern Sie es den Agenten, die vorgeschlagene Antwort in eine Ticket-Antwort zu kopieren.

Richten Sie eine Feedback-Schleife ein: Lassen Sie Benutzer abstimmen, ob die Antwort hilfreich war. Sammeln Sie diese Stimmen und fügen Sie sie Ihrem nächsten Trainingsdatensatz hinzu. Trainieren Sie alle ein bis zwei Monate neu, da sich Ihr Produkt und die Kundenfragen ändern.

Aktualisieren Sie auch Ihre FAQ-Seiten mit den Paaren mit hoher Konfidenz, die das Modell aufdeckt. Dies bietet den doppelten Vorteil einer besseren KI und besserer statischer Inhalte für SEO.

Einschränkungen und wann dieser Rat nicht gilt

Das Training mit Support-Tickets ist nicht für jedes Team die richtige Lösung. Wenn Sie weniger als 100 nutzbare Paare haben, ist eine manuell kuratierte FAQ einem feinabgestimmten Modell überlegen. Wenn Ihre Tickets chaotisch sind, mit langen E-Mail-Verläufen und ohne klare Lösung, können die Kosten für die Kennzeichnung den Nutzen übersteigen.

Die Methode setzt auch voraus, dass Ihre Tickets in der Sprache vorliegen, die Sie bedienen möchten. Wenn Sie mehrsprachige FAQs benötigen, benötigen Sie entweder parallele Daten oder ein Modell mit starken sprachübergreifenden Fähigkeiten, was schwieriger feinabzustimmen ist.

Schließlich spiegelt ein Modell, das mit historischen Tickets trainiert wurde, vergangene Probleme wider, nicht zukünftige. Es wird bei einer brandneuen Funktion nicht helfen, bis Kunden anfangen, danach zu fragen und Sie neue Beispiele hinzufügen.

Wichtige Fakten zur KI-FAQ-Generierung

Die folgenden Fakten stammen aus den veröffentlichten Materialien von SeaText darüber, wie KI die FAQ-Relevanz verbessern kann. Es handelt sich nicht um Behauptungen über Ihre spezifischen Daten, sondern sie beschreiben das Problem und einen gängigen Ansatz.

Häufig gestellte Fragen

Welche Art von Modell eignet sich am besten für die FAQ-Relevanz?

Für die meisten Teams ist ein abrufbasierter Ansatz wie BERT, der mit Frage-Antwort-Paaren feinabgestimmt wurde, ein guter Anfang. Er liefert die wahrscheinlichste Antwort aus Ihren bestehenden Inhalten, was leicht zu überprüfen ist. Generative Modelle sind besser, wenn Sie Antworten von Grund auf neu erstellen müssen, aber sie sind schwieriger zu kontrollieren.

Wie viele Daten benötige ich?

Sie benötigen mindestens einige hundert saubere Frage-Antwort-Paare für eine zuverlässige Basis. Bei weniger Daten kommt es zu Overfitting (Überanpassung). Wenn Sie nur ein Dutzend Tickets haben, ist eine manuelle FAQ schneller und sicherer.

Was ist, wenn meine Tickets keine klaren Antworten enthalten?

Dann wird der Kennzeichnungsschritt zu einem Content-Projekt, nicht zu einem Datenprojekt. Möglicherweise müssen Sie Antworten aus Ihren Richtlinien oder Ihrem Produktwissen umschreiben, bevor Sie trainieren können. Erwägen Sie, nur Tickets zu verwenden, bei denen der Kunde explizit bestätigt hat, dass die Lösung funktioniert.

Kann ich einen Cloud-Dienst nutzen, ohne Code zu schreiben?

Ja. Viele Anbieter ermöglichen es Ihnen, eine JSON-Datei hochzuladen und das Fine-Tuning mit wenigen Klicks zu starten. Sie müssen zwar immer noch einen sauberen Datensatz vorbereiten, aber Sie müssen keine Trainingsskripte schreiben.

Wie oft sollte ich neu trainieren?

Trainieren Sie neu, wann immer sich Ihr Produkt wesentlich ändert oder wenn Sie einige hundert neue gekennzeichnete Paare gesammelt haben. Ein monatlicher Rhythmus funktioniert für die meisten Teams. Achten Sie auf Abweichungen in der Fragestellung.

Funktioniert diese Methode für mehrsprachige FAQs?

Nur wenn Sie mit mehrsprachigen Daten trainieren. Wenn Ihre Tickets auf Englisch sind und Sie französische Antworten benötigen, benötigen Sie parallele Übersetzungen. Einige vektorbasierte Abrufsysteme verarbeiten mehrere Sprachen ohne explizites Fine-Tuning, aber testen Sie dies.