Verzeichnis der Abschlussarbeiten

In dieser Arbeit wurde der Einsatz von Machine-Learning-Methoden und Natural Language Processing zur Verbesserung der Bearbeitung von Support-Tickets bei der Firma Springtime Technologies GmbH eingehend untersucht. Der Schwerpunkt lag auf der automatisierten Kategorisierung dieser Tickets mithilfe einer Evaluierungs-Pipeline, welche in Python und PowerShell realisiert wurde, um die Antwortzeiten zu verkürzen und den Arbeitsaufwand des Supportpersonals zu minimieren. Fünf verschiedene Machine-Learning-Methoden - Naive Bayes, Multiclass Decision Forest, Support Vector Machine, Multilayer Perzeptron Netzwerk und BERT - wurden in Bezug auf Geschwindigkeit, Genauigkeit und Ressourcenverbrauch evaluiert. Zusätzlich wurde eine Weighted-Scoring-Analyse durchgeführt, um die relative Effizienz jeder Methode zu bestimmen. Die Ergebnisse zeigten, dass BERT in Kombination mit einem Multilayer Perzeptron Netzwerk die effizienteste Methode zur Analyse und Kategorisierung der Support-Tickets darstellt. Durch ein Benutzerexperiment konnte zudem eine signifikante Reduktion der Antwortzeiten bei den mittels Machine Learning kategorisierten Tickets im Vergleich zu manuell kategorisierten Tickets festgestellt werden. Diese Ergebnisse widerlegten die anfängliche Hypothese, dass eine auf Entscheidungsbäumen basierende Methode am effizientesten wäre. Insgesamt unterstreichen die Forschungsergebnisse das Potential von Machine Learning in der Analyse von Support-Tickets und bieten wertvolle Einblicke für zukünftige Optimierungen und Anwendungen. Zukünftige Arbeiten könnten die Weiterentwicklung des entwickelten Systems und die Integration in die bestehenden Arbeitsabläufe bei Springtime Technologies weiter untersuchen.

This bachelor thesis thoroughly investigated the application of Machine-Learning methods and Natural Language Processing to enhance the handling of support tickets at Springtime Technologies GmbH. The primary focus was on automating the categorization of these tickets using an evaluation pipeline implemented in Python and PowerShell. This aimed to decrease response times and reduce the workload of the support staff. Five different ML methods - Naive Bayes, Multiclass Decision Forest, Support Vector Machine, Multilayer Perceptron Network, and BERT - were evaluated in terms of speed, accuracy, and resource use. A weighted scoring analysis was also conducted to determine the relative efficiency of each method. The results demonstrated that BERT, combined with a Multilayer Perceptron Network, was the most efficient method for analyzing and categorizing support tickets. A user experiment further indicated a significant reduction in response times for tickets categorized using ML compared to manually categorized ones. These findings refuted the initial hypothesis that a decision tree-based method would be the most efficient. Overall, the research results highlight the potential of ML in analyzing support tickets and offer valuable insights for future optimizations and applications. Future work could further examine the development of the established system and its integration into Springtime Technologies' existing workflows.