호주IT·통신2026 – 진행 중아펜
기계 학습으로 기여자 지원 티켓을 분류하고 자동 해결
아펜이 기계 학습 티켓 시스템으로 기여자 지원 처리 기간을 2주에서 24시간 미만으로 줄였다
문제
아펜의 기여자 지원 부서는 100만 명이 넘는 기여자에게서 한 달에 1만 1,000건이 넘는 티켓을 받았다. 두 사람으로 이뤄진 기여자 성공 팀이 감당하지 못해 티켓은 해결까지 약 2주를 기다렸다.
접근 방식
프로벡터스는 아마존 세이지메이커 위에 시스템을 만들었다. 시스템은 들어오는 티켓을 분류하고 우선순위와 라우팅 태그를 붙이며, 일상적인 문제는 상담원 없이 해결한다. 아펜의 기존 티켓 시스템과 연결된다. 모델이 확신하지 못하는 티켓은 상담원에게 간다. 상담원의 수동 수정은 매달 재학습에 반영된다. 첫 학습 데이터는 아펜의 자체 주석 플랫폼에서 라벨링했다.
주요 수치
~80%자동으로 해결된 지원 티켓 비중, 프로벡터스 발표
<24 hrs티켓 해결 시간, 2주에서 단축, 프로벡터스 발표
10%기여자 만족도 상승, 프로벡터스 발표
시사점
확신이 낮은 티켓을 사람에게 넘기고 그 수정으로 재학습한 덕에 아주 작은 팀도 자동 해결을 안전하게 운영했다. 앞으로 180개 이상 언어로 확장하고 이탈 위험 기여자 알림을 도입할 계획이라고 했다.
분류
출처
출처 요약
[1]Provectus2026년 5월 5일
프로벡터스의 사례 연구는 아펜을 위해 만든 세이지메이커 기반 티켓 분류와 자동 해결 시스템을 설명했다. 월 1만 1,000건 이상 티켓의 약 80%가 자동 해결되고, 해결 시간이 2주에서 24시간 미만이 됐으며, 만족도가 10% 올랐다고 밝혔다. 만족도를 어떻게 측정했는지는 밝히지 않았다.
자세한 내용은 원문에서 확인하실 수 있습니다.
등록일 2026년 11월 1일 · 수정일 2026년 11월 1일
