Kurzfassung
Lösungen aus vergangenen IT-Tickets verschwanden im System. Der First-Level-Support erfand das Rad bei jedem Problem neu. Mit einem RAG-Wissenssystem werden gelöste Tickets automatisch vektorisiert und für die KI zugänglich – das System wird mit jedem Ticket klüger.
Ausgangslage
- → Ticketing-System hat tausende gelöste Tickets – niemand durchsucht sie effizient
- → Schlagwort-Suche findet nichts: Kontext und Zusammenhang fehlen
- → Mitarbeiter verlassen das Unternehmen – ihr Lösungswissen geht verloren
- → First-Level-Support schaut bei bekannten Problemen ins Leere
Ziel
- ✓ Gelöstes Wissen aus Tickets automatisch zugänglich machen
- ✓ First-Level-Support bekommt strukturierte Hilfestellung aus echten Fällen
- ✓ System verbessert sich automatisch mit jedem neu gelösten Ticket
Umsetzung
- 1. Historische Tickets exportiert und bereinigt (Kommunikation, Lösungsweg, Screenshots)
- 2. Embedding-Pipeline aufgebaut: Tickets → Vektoren → Vektordatenbank
- 3. RAG-Abfrage implementiert: Neues Ticket → semantische Suche in Wissensbasis
- 4. LLM-Antwort-Generierung: Kontextbasierte Hilfestellung aus gefundenen Lösungen
- 5. Fallback: Kein internes Match → Suche in externen Quellen
- 6. Auto-Indexierung: Jedes neu gelöste Ticket wird automatisch in die Wissensbasis aufgenommen
Ergebnis
- ✓ First-Level-Support findet Lösungen aus echten, vergangenen Fällen
- ✓ Wissensbasis wächst automatisch – kein manuelles Pflegen nötig
- ✓ Wissen bleibt im Unternehmen – auch wenn Mitarbeiter gehen
- ✓ Semantische Suche findet Lösungen auch ohne exakte Schlagworte
Stack & Technologien
OpenAI Embeddings, Vektordatenbank (Chroma/Qdrant), Python, Ticketing-API-Integration, LLM-basierte Antwortgenerierung
Hinweis: Generische Darstellung ohne spezifischen Kundenbezug. Best Practices aus eigenen und Kundenprojekten.
Mehr zum Thema: RAG: Wenn KI das Wissen eures Unternehmens kennt →