Тикеты поддержки содержат готовые вопросы для справки, но не должны целиком попадать в публичный AI-сервис только ради поиска тем. Сначала агрегируй материал в разрешённом внутреннем контуре и оставь в файле для модели лишь обезличенные категории и числа. Тогда ИИ может помочь превратить повторяющиеся вопросы в план статей, не читая исходную переписку клиентов.
Подготовь безопасный вход
До аналитики проверь правила компании, договор с поставщиком модели и доступный для данных контур. Удали имена, email, телефоны, номера заказа, точные даты обращения и цитаты, если они могут раскрыть клиента. Если у тебя нет одобренного процесса для клиентских данных, не загружай исходные тикеты: сделай ручную сводку тем или работай на синтетических строках.
Собери только признаки, нужные для контент-решения: тема, количество обращений в периоде, тип вопроса (инструкция/ошибка/условие), внутренняя оценка последствий и уже существующая статья. Не включай индивидуальную историю, если редактору не нужно её видеть.
NIST описывает Privacy Framework как рамку для управления рисками приватности в системах обработки данных (Using Privacy Framework 1.1). Это добровольная рамка, а не российская правовая инструкция и не готовая политика для тикетов. Права доступа и допустимое использование данных определяются правилами организации и применимыми требованиями.
Попроси модель работать с агрегатом
Ты помогаешь редактору превратить агрегированную сводку поддержки в список полезных
публичных тем. Вход содержит только тематические группы и суммарные признаки, без текста
тикетов, клиентов, идентификаторов или точных временных меток.
Для каждой темы предложи: вопрос читателя, формат ответа, возможную существующую страницу,
недостающий факт для проверки и причину редакционного приоритета из входа.
Не восстанавливай отдельные истории, не придумывай частоту за пределами таблицы,
не утверждай, что число тикетов равно числу клиентов. Если строка может раскрывать редкий
случай, отметь «оставить во внутреннем разборе».
Период и контур агрегации: [..]
Таблица: [topic_id, тема, число тикетов, тип вопроса, уровень последствий, текущая статья]
Учебная сводка и условный результат
Представим, синтетическая месячная таблица содержит такие агрегаты:
| Тема | Обращений в учебном наборе | Тип вопроса | Статья есть? |
|---|---|---|---|
| Найти экспорт | 14 | инструкция | Нет |
| Ошибка пароля | 8 | доступ/ошибка | Да, базовая справка |
| Редкий сбой оплаты | 1 | индивидуальный инцидент | Нет |
Гипотетическая модель может предложить статью «Как найти и выгрузить отчёт» для первой темы, уточнение ссылки в существующей инструкции по второй и оставить третью во внутренней поддержке. Это не реальные обращения и не тест модели. При реальных данных «14» означало бы записи в заданной выгрузке, а не обязательно 14 разных клиентов.
Проверь перед публикацией
Редактор сверяет тему со специалистом поддержки: описывает ли она актуальный интерфейс, не скрывает ли важные условия и не превращает ли единичный случай в правило. Если проблема имеет индивидуальный или чувствительный характер, публичная статья может раскрыть лишние детали, даже после удаления имени. Укрупни или исключи такую тему.
Затем открой архив сайта и реши, нужен ли новый материал. Для повтора может хватить поправки в существующую справку. В карточке будущей статьи сохрани период агрегата, определение одной записи, ограничения и ссылку на владельца фактической проверки. ИИ предлагает черновые темы; решение о содержании и публикации остаётся у человека.
Публичные отзывы — отдельный источник, который можно разбирать по схеме кодирования отзывов аудитории. Перед любой обработкой тикетов проверь какие данные можно передавать нейросети: приведённые здесь строки синтетические.