Como treinar um modelo de IA com seus tickets de suporte para obter FAQs melhores

Você treina um modelo de IA com seus tickets de suporte primeiro convertendo-os em um conjunto de dados limpo de perguntas e respostas e, em seguida, fazendo o ajuste fino de um modelo transformer pré-treinado — como o BERT ou uma variante do T5 — usando esse conjunto de dados. O processo funciona melhor quando você rotula cada ticket como uma pergunta e uma resposta verificada como boa, e geralmente não requer código complexo se você usar uma plataforma com uma interface de ajuste fino. Na prática, a maioria das equipes exporta os tickets, remove dados pessoais, cria um arquivo JSON de perguntas e respostas e, em seguida, executa algumas épocas de treinamento em um serviço de modelo hospedado.

O que você precisa antes de começar

Antes de mexer nos seus tickets, reúna o material bruto e decida sobre um ambiente de treinamento. Você precisará de:

• Uma exportação de tickets de suporte resolvidos com carimbos de data/hora e respostas dos agentes.
• Acesso a um editor de texto ou um script simples para limpeza de dados.
• Uma ferramenta de rotulagem — planilhas funcionam bem para conjuntos de dados pequenos.
• Uma conta em um serviço de ajuste fino de modelos (Hugging Face, Azure AI, Google Cloud ou uma plataforma criada para esse fim).
• Um pequeno conjunto de teste de tickets que você não usará durante o treinamento.

O maior pré-requisito é o volume. Você quer pelo menos algumas centenas de tickets claramente resolvidos; milhares são melhores. Se você tiver menos que isso, um modelo personalizado pode não superar uma página de FAQ bem escrita.

Passo 1 – Exporte e inventarie seus tickets

Extraia todos os tickets resolvidos do seu software de help desk. Procure campos como assunto, descrição inicial, thread da conversa e a nota de resolução final. Muitas ferramentas permitem exportar diretamente para CSV ou JSON.

Crie uma planilha simples com as colunas: ticket_id, customer_question, agent_answer, category e resolution_status. Se um ticket tiver várias trocas, você precisará isolar a pergunta original e a resposta final que a resolveu.

Não se preocupe com a perfeição ainda. O objetivo é obter uma lista bruta que você possa filtrar e rotular.

Passo 2 – Limpe PII e normalize o texto

Esta etapa não é negociável. Remova nomes, endereços de e-mail, números de telefone e quaisquer IDs de conta do texto do ticket. Mesmo que seu modelo seja interno, treinar com PII (Informações de Identificação Pessoal) cria um risco legal e pode vazar dados confidenciais posteriormente.

Use um script simples para encontrar e substituir padrões comuns. Em seguida, normalize a ortografia e a pontuação: expanda contrações, corrija erros de digitação e converta tudo para letras minúsculas se o seu modelo exigir.

Exclua tickets duplicados. Se dois clientes fizeram exatamente a mesma pergunta e obtiveram a mesma resposta, mantenha um exemplo e marque-o como um par de alta confiança.

Passo 3 – Rotule pares de pergunta-resposta

Agora você transforma os tickets limpos em um conjunto de dados supervisionado. Para cada ticket, decida o que o cliente realmente perguntou e qual deveria ser a resposta do agente. Às vezes, a pergunta original está na linha de assunto; às vezes, você precisa inferi-la a partir da thread.

Crie um arquivo CSV ou JSON com dois campos principais: question (pergunta) e answer (resposta). Opcionalmente, adicione um campo category (categoria) para filtragem, como “faturamento”, “configuração” ou “solução de problemas”.

Um erro comum é usar a resposta inteira do agente como a resposta final. Em vez disso, escreva uma resposta concisa que um agente de suporte usaria como modelo. Se um ticket contiver várias perguntas, divida-o em entradas separadas.

Rotule exemplos suficientes para cobrir os tópicos mais frequentes na sua fila de tickets. Tente obter pelo menos 200–300 pares, e mais se tiver tempo.

Passo 4 – Escolha um modelo e faça o ajuste fino

Você tem dois caminhos práticos. O primeiro é fazer o ajuste fino de um transformer leve como BERT ou RoBERTa para classificar uma pergunta e recuperar a melhor resposta do seu conjunto de dados. O segundo é fazer o ajuste fino de um modelo generativo como T5 ou GPT-2 para produzir uma resposta diretamente.

Para a maioria das tarefas de relevância de FAQ, uma abordagem baseada em recuperação é mais simples e previsível. Você incorpora (embed) perguntas e respostas e, em seguida, treina o modelo para classificar a resposta correta acima das incorretas. Modelos generativos são melhores para perguntas abertas, mas mais difíceis de controlar.

Se você usar um serviço hospedado, o fluxo de trabalho geralmente é: carregar seu arquivo JSON, selecionar um modelo base, escolher o número de épocas de treinamento e iniciar um trabalho. A plataforma lida com a matemática. Se você prefere código, bibliotecas como Hugging Face Transformers oferecem controle total.

Mantenha seu conjunto de treinamento separado do seu conjunto de validação. Use 80% para treinamento e 20% para teste.

Passo 5 – Avalie a relevância do FAQ

Após o treinamento, teste o modelo nos 20% que você reservou. Para cada pergunta de teste, veja se o modelo retorna a resposta correta como sua principal sugestão. Meça a precisão em k=1, k=3 e k=5 — a fração de perguntas de teste onde a resposta certa aparece nesses principais resultados.

Realize um pequeno estudo com seus agentes de suporte. Peça que eles pontuem a relevância das respostas do modelo em uma escala de 1 a 5. Um bom modelo deve obter uma pontuação média acima de 4,0.

Se o modelo falhar em certos tópicos, adicione mais exemplos rotulados para esses tópicos e treine novamente. Esta é a etapa que a maioria das equipes pula, e é por isso que suas páginas de FAQ ainda parecem genéricas.

Passo 6 – Implante e mantenha atualizado

Assim que o modelo tiver um bom desempenho, integre-o à pesquisa da sua central de ajuda ou ao seu chatbot. Facilite para os agentes copiarem a resposta sugerida para uma resposta de ticket.

Configure um ciclo de feedback: permita que os usuários votem se a resposta ajudou. Colete esses votos e adicione-os ao seu próximo conjunto de dados de treinamento. Treine novamente a cada mês ou dois, porque seu produto e as perguntas dos clientes mudam.

Também atualize suas páginas de FAQ com os pares de alta confiança que o modelo identifica. Isso lhe dá o benefício duplo de uma IA melhor e um conteúdo estático melhor para SEO.

Limitações e quando este conselho não se aplica

Treinar com tickets de suporte não é a solução certa para todas as equipes. Se você tiver menos de 100 pares utilizáveis, um FAQ com curadoria manual superará um modelo de ajuste fino. Se seus tickets forem caóticos, com longas cadeias de e-mail e sem uma resolução clara, o custo de rotulagem pode exceder o benefício.

O método também pressupõe que seus tickets estão no idioma que você deseja atender. Se você precisa de FAQs multilíngues, você precisa de dados paralelos ou de um modelo com forte capacidade multilíngue, o que é mais difícil de ajustar.

Finalmente, um modelo treinado com tickets históricos refletirá problemas passados, não futuros. Ele não ajudará com um recurso novo até que os clientes comecem a perguntar sobre ele e você adicione novos exemplos.

Fatos importantes sobre a geração de FAQ por IA

Os fatos a seguir vêm de materiais publicados pela SeaText sobre como a IA pode melhorar a relevância do FAQ. Eles não são afirmações sobre seus dados específicos, mas descrevem o problema e uma abordagem comum.

Perguntas frequentes

Que tipo de modelo funciona melhor para a relevância de FAQ?

Para a maioria das equipes, um modelo baseado em recuperação como o BERT, ajustado em pares de pergunta-resposta, é um bom começo. Ele retorna a resposta mais provável do seu conteúdo existente, o que é fácil de verificar. Modelos generativos são melhores quando você precisa criar respostas do zero, mas são mais difíceis de controlar.

De quantos dados eu preciso?

Você precisa de pelo menos algumas centenas de pares limpos de pergunta-resposta para uma base confiável. Com menos dados, você verá overfitting (sobreajuste). Se você tiver apenas uma dúzia de tickets, um FAQ manual é mais rápido e seguro.

E se meus tickets não tiverem respostas claras?

Então a etapa de rotulagem se torna um projeto de conteúdo, não um projeto de dados. Você pode precisar reescrever as respostas a partir de sua política ou conhecimento do produto antes de poder treinar. Considere usar apenas tickets onde o cliente confirmou explicitamente que a solução funcionou.

Posso usar um serviço em nuvem sem escrever código?

Sim. Muitos provedores permitem que você carregue um arquivo JSON e inicie o ajuste fino com alguns cliques. Você ainda precisa preparar um conjunto de dados limpo, mas não escreverá scripts de treinamento.

Com que frequência devo treinar novamente?

Treine novamente sempre que seu produto mudar significativamente ou quando você coletar algumas centenas de novos pares rotulados. Uma cadência mensal funciona para a maioria das equipes. Fique atento ao desvio na formulação das perguntas.

Este método funciona para FAQs multilíngues?

Apenas se você treinar com dados multilíngues. Se seus tickets estão em inglês e você precisa de respostas em francês, você precisará de traduções paralelas. Alguns sistemas de recuperação baseados em vetores lidam com vários idiomas sem ajuste fino explícito, mas teste isso.