| Kursbeschreibung (description): |
Teilnehmende erhalten eine praxisnahe Einführung in den Aufbau von Empfehlungssystemen mit KI im Supportumfeld. Vermittelt wird, wie große Sprachmodelle (LLMs) semantische Informationen erfassen und Lösungsvorschläge generieren. Behandelt werden Integration in Ticketsysteme und Kundensupport, praxisnahe Anwendungsszenarien sowie Weiterentwicklungspotenziale für effiziente Supportprozesse.
|
|
| Zielgruppe (target group): |
|
|
| Voraussetzungen (requirements): |
Um dem Lerntempo und den Inhalten des Trainings AI320 Empfehlungssysteme mit KI für Ticketsysteme und Kundensupport gut folgen zu können, empfehlen wir vorab die Teilnahme an folgenden Kursen:
Alternativ sind Vorkenntnisse aus folgenden Bereichen nötig:
- Grundlagen der Python-Programmierung
- Empfehlungssysteme
- Prompt Engineering
- Large Language Models
|
|
| Ziele (objectives): |
Semantische Embeddings nutzen, Datenanalyse und Vorbereitung, Lösungsvorschlagssystem entwickeln, Weiterentwicklungspotenziale erkennen können.
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 1 Tag
Schulungslänge (course length): 04:30 Stunden (inkl. Pausen)
Preis (price): 450,- Euro zzgl. MwSt.
Gerne führen wir dieses Training auch inhouse bei Ihnen vor Ort durch, bitte sprechen Sie uns an.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Termine auf Anfrage.
Falls Sie einen Terminwunsch für diesen Workshop haben, werden wir dies gerne für Sie prüfen!
|
|
|
| Inhalte (agenda): |
- Einführung
- Use Case und Verbesserungspotenziale 'Finde schneller relevante Lösungen
- Lösungsarchitektur und Konzepte
- Architektur
- Embeddings
- VectorDB
- (Langchain)
- Techniken zur automatischen Lösungsempfehlung
- Basierend auf existierenden Lösungen
- Kombination von semantischen und relationalen Informationen
- Datenanalyse und Vorbereitung
- Vektorisierung von Tickets und Solutions
- Strukturierung von Payloads
- Entwicklung eines Lösungsvorschlagssystems
- Weiterentwicklungspotenziale
- Monitoring
- Digitaler Agent
- Abschluss Diskussion und Fragen, wie lässt sich das Gelernte auf den eigenen Kontext übertragen?
|
|
|
