​
Claude를 티켓 라우팅에 사용할지 결정하기

다음은 전통적인 ML 접근 방식 대신 Claude와 같은 LLM을 분류 작업에 사용해야 하는 주요 지표입니다:

​
LLM 지원 워크플로우 구축 및 배포

​
현재 지원 접근 방식 이해하기

자동화에 뛰어들기 전에 기존 티켓팅 시스템을 이해하는 것이 중요합니다. 지원 팀이 현재 티켓 라우팅을 어떻게 처리하는지 조사하는 것부터 시작하세요. 다음과 같은 질문을 고려하세요:
  • 어떤 기준으로 SLA/서비스 제공이 적용되는지 결정합니까?
  • 티켓 라우팅이 어떤 지원 계층이나 제품 전문가에게 티켓이 전달되는지 결정하는 데 사용됩니까?
  • 이미 자동화된 규칙이나 워크플로우가 있습니까? 어떤 경우에 실패합니까?
  • 예외 케이스나 모호한 티켓은 어떻게 처리됩니까?
  • 팀은 어떻게 티켓의 우선순위를 정합니까?
인간이 특정 케이스를 어떻게 처리하는지에 대해 더 많이 알수록 Claude와 함께 작업하여 해당 작업을 수행하는 데 더 능숙해질 것입니다.

​
사용자 의도 카테고리 정의하기

잘 정의된 사용자 의도 카테고리 목록은 Claude로 정확한 지원 티켓 분류를 위해 매우 중요합니다. Claude가 시스템 내에서 티켓을 효과적으로 라우팅하는 능력은 시스템의 카테고리가 얼마나 잘 정의되어 있는지에 직접적으로 비례합니다. 다음은 사용자 의도 카테고리 및 하위 카테고리의 예입니다.
의도 외에도 티켓 라우팅 및 우선순위 지정은 긴급성, 고객 유형, SLA 또는 언어와 같은 다른 요소의 영향을 받을 수 있습니다. 자동화된 라우팅 시스템을 구축할 때 다른 라우팅 기준도 고려해야 합니다.

​
성공 기준 설정하기

지원 팀과 협력하여 측정 가능한 벤치마크, 임계값 및 목표가 있는 명확한 성공 기준을 정의하세요. 다음은 지원 티켓 라우팅에 LLM을 사용할 때의 표준 기준 및 벤치마크입니다:
다음은 LLM이 사용되는지 여부와 관계없이 유용할 수 있는 일반적인 성공 기준입니다:

​
적합한 Claude 모델 선택하기

모델 선택은 비용, 정확도 및 응답 시간 간의 균형에 따라 달라집니다. 많은 고객들은 claude-3-5-haiku-20241022가 티켓 라우팅에 이상적인 모델이라고 생각합니다. 이 모델은 Claude 3 제품군에서 가장 빠르고 비용 효율적인 모델이면서도 여전히 우수한 결과를 제공합니다. 분류 문제가 깊은 주제 전문 지식이나 복잡한 추론이 필요한 대량의 의도 카테고리를 요구하는 경우, 더 큰 Sonnet 모델을 선택할 수 있습니다.

​
강력한 프롬프트 구축하기

티켓 라우팅은 분류 작업의 한 유형입니다. Claude는 지원 티켓의 내용을 분석하고 문제 유형, 긴급성, 필요한 전문 지식 또는 기타 관련 요소에 따라 미리 정의된 카테고리로 분류합니다. 티켓 분류 프롬프트를 작성해 보겠습니다. 초기 프롬프트는 사용자 요청의 내용을 포함하고 추론과 의도를 모두 반환해야 합니다.
Anthropic Console에서 프롬프트 생성기를 사용하여 Claude가 초안을 작성하도록 해보세요.
다음은 티켓 라우팅 분류 프롬프트의 예입니다: 
def classify_support_request(ticket_contents):
    # 분류 작업을 위한 프롬프트 정의
    classification_prompt = f"""You will be acting as a customer support ticket classification system. Your task is to analyze customer support requests and output the appropriate classification intent for each request, along with your reasoning. 

        Here is the customer support request you need to classify:

        <request>{ticket_contents}</request>

        Please carefully analyze the above request to determine the customer's core intent and needs. Consider what the customer is asking for has concerns about.

        First, write out your reasoning and analysis of how to classify this request inside <reasoning> tags.

        Then, output the appropriate classification label for the request inside a <intent> tag. The valid intents are:
        <intents>
        <intent>Support, Feedback, Complaint</intent>
        <intent>Order Tracking</intent>
        <intent>Refund/Exchange</intent>
        </intents>

        A request may have ONLY ONE applicable intent. Only include the intent that is most applicable to the request.

        As an example, consider the following request:
        <request>Hello! I had high-speed fiber internet installed on Saturday and my installer, Kevin, was absolutely fantastic! Where can I send my positive review? Thanks for your help!</request>

        Here is an example of how your output should be formatted (for the above example request):
        <reasoning>The user seeks information in order to leave positive feedback.</reasoning>
        <intent>Support, Feedback, Complaint</intent>

        Here are a few more examples:
        <examples>
        <example 2>
        Example 2 Input:
        <request>I wanted to write and personally thank you for the compassion you showed towards my family during my father's funeral this past weekend. Your staff was so considerate and helpful throughout this whole process; it really took a load off our shoulders. The visitation brochures were beautiful. We'll never forget the kindness you showed us and we are so appreciative of how smoothly the proceedings went. Thank you, again, Amarantha Hill on behalf of the Hill Family.</request>

        Example 2 Output:
        <reasoning>User leaves a positive review of their experience.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Example 9 Input:
        <request>Your website keeps sending ad-popups that block the entire screen. It took me twenty minutes just to finally find the phone number to call and complain. How can I possibly access my account information with all of these popups? Can you access my account for me, since your website is broken? I need to know what the address is on file.</request>

        Example 9 Output:
        <reasoning>The user requests help accessing their web account information.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 9>

        Remember to always include your classification reasoning before your actual intent output. The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """
이 프롬프트의 주요 구성 요소를 분석해 보겠습니다:
  • Python f-문자열을 사용하여 프롬프트 템플릿을 만들어 ticket_contents가 <request> 태그 안에 삽입될 수 있도록 합니다.
  • Claude에게 고객의 핵심 의도와 요구 사항을 결정하기 위해 티켓 내용을 신중하게 분석하는 분류 시스템으로서의 명확하게 정의된 역할을 부여합니다.
  • Claude에게 적절한 출력 형식을 지시하며, 이 경우 추론과 분석을 <reasoning> 태그 안에, 그 다음에 적절한 분류 레이블을 <intent> 태그 안에 제공하도록 합니다.
  • 유효한 의도 카테고리를 지정합니다: “Support, Feedback, Complaint”, “Order Tracking”, “Refund/Exchange”.
  • 출력 형식을 설명하기 위해 몇 가지 예시(일명 few-shot prompting)를 포함하여 정확성과 일관성을 향상시킵니다.
Claude가 응답을 다양한 XML 태그 섹션으로 분할하도록 하는 이유는 정규 표현식을 사용하여 출력에서 추론과 의도를 별도로 추출할 수 있기 때문입니다. 이를 통해 티켓 라우팅 워크플로우에서 다음 단계를 타겟팅할 수 있습니다. 예를 들어, 티켓을 라우팅할 사람을 결정하는 데 의도만 사용할 수 있습니다.

​
프롬프트 배포하기

테스트 프로덕션 환경에 배포하고 평가를 실행하지 않고는 프롬프트가 얼마나 잘 작동하는지 알기 어렵습니다. 배포 구조를 구축해 보겠습니다. Claude에 대한 호출을 래핑하는 메서드 시그니처를 정의하는 것부터 시작하겠습니다. 이미 작성하기 시작한 메서드를 사용하여 입력으로 ticket_contents를 받고 출력으로 reasoning과 intent의 튜플을 반환하겠습니다. 전통적인 ML을 사용하는 기존 자동화가 있다면 대신 해당 메서드 시그니처를 따르고 싶을 것입니다. 
import anthropic
import re

# Anthropic API 클라이언트의 인스턴스 생성
client = anthropic.Anthropic()

# 기본 모델 설정
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # 분류 작업을 위한 프롬프트 정의
    classification_prompt = f"""You will be acting as a customer support ticket classification system. 
        ...
        ... The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """
    # 지원 요청을 분류하기 위해 API에 프롬프트를 보냅니다.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # Python의 정규 표현식 라이브러리를 사용하여 `reasoning`을 추출합니다.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # 마찬가지로, `intent`도 추출합니다.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent
이 코드는:
  • Anthropic 라이브러리를 가져오고 API 키를 사용하여 클라이언트 인스턴스를 생성합니다.
  • ticket_contents 문자열을 받는 classify_support_request 함수를 정의합니다.
  • classification_prompt를 사용하여 분류를 위해 Claude에 ticket_contents를 보냅니다.
  • 응답에서 추출한 모델의 reasoning과 intent를 반환합니다.
전체 추론과 의도 텍스트가 생성될 때까지 기다려야 하므로 stream=False(기본값)로 설정합니다.

​
프롬프트 평가하기

프롬프팅은 종종 프로덕션 준비가 되기 위해 테스트와 최적화가 필요합니다. 솔루션의 준비 상태를 결정하기 위해 이전에 설정한 성공 기준과 임계값을 기반으로 성능을 평가하세요. 평가를 실행하려면 테스트 케이스가 필요합니다. 이 가이드의 나머지 부분은 이미 테스트 케이스를 개발했다고 가정합니다.

​
평가 함수 구축하기

이 가이드의 예제 평가는 세 가지 주요 지표에 따라 Claude의 성능을 측정합니다:
  • 정확도
  • 분류당 비용
중요하다고 생각하는 요소에 따라 다른 축에서 Claude를 평가해야 할 수도 있습니다. 이를 평가하기 위해 먼저 작성한 스크립트를 수정하고 예측된 의도와 실제 의도를 비교하여 올바른 예측의 백분율을 계산하는 함수를 추가해야 합니다. 또한 비용 계산 및 시간 측정 기능을 추가해야 합니다. 
import anthropic
import re

# Anthropic API 클라이언트의 인스턴스 생성
client = anthropic.Anthropic()

# 기본 모델 설정
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # 분류 작업을 위한 프롬프트 정의
    classification_prompt = f"""You will be acting as a customer support ticket classification system. 
        ...
        ...The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # API 호출에 대한 사용 통계를 가져와 얼마나 많은 입력 및 출력 토큰이 사용되었는지 확인합니다.
    reasoning_and_intent = message.content[0].text

    # Python의 정규 표현식 라이브러리를 사용하여 `reasoning`을 추출합니다.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # 마찬가지로, `intent`도 추출합니다.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # 모델의 예측이 올바른지 확인합니다.
    correct = actual_intent.strip() == intent.strip()

    # reasoning, intent, correct, usage를 반환합니다.
    return reasoning, intent, correct, usage
우리가 만든 수정 사항을 분석해 보겠습니다:
  • 테스트 케이스에서 actual_intent를 classify_support_request 메서드에 추가하고 Claude의 의도 분류가 우리의 골든 의도 분류와 일치하는지 평가하기 위한 비교를 설정했습니다.
  • 입력 및 출력 토큰 사용량을 기반으로 비용을 계산하기 위해 API 호출에 대한 사용 통계를 추출했습니다.

​
평가 실행하기

적절한 평가를 위해서는 좋은 결과가 무엇인지 결정하기 위한 명확한 임계값과 벤치마크가 필요합니다. 위의 스크립트는 정확도, 응답 시간 및 분류당 비용에 대한 런타임 값을 제공하지만 여전히 명확하게 설정된 임계값이 필요합니다. 예를 들어:
  • 정확도: 95%(100개 테스트 중)
  • 분류당 비용: 현재 라우팅 방법에서 평균적으로(100개 테스트에 걸쳐) 50% 감소
이러한 임계값이 있으면 어떤 방법이 가장 좋은지, 그리고 요구 사항에 더 잘 맞도록 어떤 변경이 필요할 수 있는지 규모에 맞게, 그리고 공정한 경험주의로 빠르고 쉽게 알 수 있습니다.

​
성능 향상하기

복잡한 시나리오에서는 표준 프롬프트 엔지니어링 기법 및 가드레일 구현 전략 이상의 추가 전략을 고려하는 것이 도움이 될 수 있습니다. 다음은 일반적인 시나리오입니다:

​
20개 이상의 의도 카테고리가 있는 경우 분류학적 계층 구조 사용하기

클래스 수가 증가함에 따라 필요한 예시 수도 확장되어 프롬프트가 다루기 어려워질 수 있습니다. 대안으로, 분류기 혼합을 사용하여 계층적 분류 시스템을 구현하는 것을 고려할 수 있습니다.
  1. 의도를 분류학적 트리 구조로 구성합니다.
  2. 트리의 모든 수준에서 일련의 분류기를 만들어 계단식 라우팅 접근 방식을 가능하게 합니다.
예를 들어, 티켓을 “기술적 문제”, “결제 질문” 및 “일반 문의”로 광범위하게 분류하는 최상위 분류기가 있을 수 있습니다. 이러한 각 카테고리는 분류를 더 세분화하기 위한 자체 하위 분류기를 가질 수 있습니다.
  • 장점 - 더 큰 뉘앙스와 정확도: 각 부모 경로에 대해 다른 프롬프트를 만들 수 있어 더 타겟팅되고 컨텍스트에 특화된 분류가 가능합니다. 이는 향상된 정확도와 고객 요청에 대한 더 뉘앙스 있는 처리로 이어질 수 있습니다.
  • 단점 - 증가된 지연 시간: 여러 분류기는 지연 시간이 증가할 수 있으며, 가장 빠른 모델인 Haiku로 이 접근 방식을 구현하는 것을 권장합니다.

​
매우 다양한 티켓을 처리하기 위해 벡터 데이터베이스 및 유사성 검색 검색 사용하기

예시를 제공하는 것이 성능을 향상시키는 가장 효과적인 방법임에도 불구하고, 지원 요청이 매우 다양하다면 단일 프롬프트에 충분한 예시를 포함하기 어려울 수 있습니다. 이 시나리오에서는 벡터 데이터베이스를 사용하여 예시 데이터셋에서 유사성 검색을 수행하고 주어진 쿼리에 가장 관련성 있는 예시를 검색할 수 있습니다. 이 접근 방식은 분류 레시피에 자세히 설명되어 있으며, 정확도를 71%에서 93%로 향상시키는 것으로 나타났습니다.

​
예상되는 예외 케이스를 구체적으로 고려하기

다음은 Claude가 티켓을 잘못 분류할 수 있는 시나리오입니다(귀하의 상황에 고유한 다른 시나리오가 있을 수 있습니다). 이러한 시나리오에서는 Claude가 예외 케이스를 처리하는 방법에 대한 명시적인 지침이나 예시를 프롬프트에 제공하는 것을 고려하세요:

​
Claude를 더 큰 지원 워크플로우에 통합하기

적절한 통합을 위해서는 Claude 기반 티켓 라우팅 스크립트가 더 큰 티켓 라우팅 시스템의 아키텍처에 어떻게 맞는지에 대한 몇 가지 결정을 내려야 합니다. 이를 수행하는 두 가지 방법이 있습니다:
  • 푸시 기반: 사용 중인 지원 티켓 시스템(예: Zendesk)이 라우팅 서비스에 웹훅 이벤트를 보내 코드를 트리거하고, 이후 의도를 분류하고 라우팅합니다.
    • 이 접근 방식은 웹 확장성이 더 높지만 공개 엔드포인트를 노출해야 합니다.
  • 풀 기반: 코드가 주어진 일정에 따라 최신 티켓을 풀하고 풀 시간에 라우팅합니다.
    • 이 접근 방식은 구현하기 더 쉽지만 풀 빈도가 너무 높을 때 지원 티켓 시스템에 불필요한 호출을 할 수 있거나 풀 빈도가 너무 낮을 때 지나치게 느릴 수 있습니다.
이러한 접근 방식 중 어느 것이든 스크립트를 서비스로 래핑해야 합니다. 접근 방식의 선택은 지원 티켓팅 시스템이 제공하는 API에 따라 달라집니다.

분류 쿡북

더 많은 예제 코드와 자세한 평가 지침을 위해 분류 쿡북을 방문하세요.

Anthropic Console

Anthropic Console에서 워크플로우 구축 및 평가를 시작하세요.