[{"data":1,"prerenderedAt":7653},["ShallowReactive",2],{"navbar":3,"footer":25,"company":65,"blog-articles":131},{"id":4,"extension":5,"items":6,"meta":22,"stem":23,"__hash__":24},"navbar_en/en/_data/navbar.yml","yml",[7,10,13,16,19],{"label":8,"to":9},"Home","/",{"label":11,"to":12},"Services","/services",{"label":14,"to":15},"Blog","/blogs",{"label":17,"to":18},"Booking","/booking",{"label":20,"to":21},"Contact","/contact",{},"en/_data/navbar","0s4EZWfFOzJefxw_XvqUtNphYWEmsyUdeXrL4zEnryI",{"id":26,"columns":27,"extension":5,"meta":62,"stem":63,"__hash__":64},"footer_en/en/_data/footer.yml",[28,38,48],{"title":29,"links":30},"Company",[31,32,35],{"label":20,"to":21},{"label":33,"to":34},"Impressum","/contact/impressum",{"label":36,"to":37},"Data Privacy","/contact/dataprivacy",{"title":11,"links":39},[40,42,45],{"label":41,"to":12},"All Services",{"label":43,"to":44},"Consulting","/services#integration",{"label":46,"to":47},"Support","/services#flexible",{"title":49,"links":50},"Resources",[51,53,56,59],{"label":14,"to":52},"/blog",{"label":54,"to":55},"OTOBO Docs","https://otobo-docs.softoft.de",{"label":57,"to":58},"Znuny Docs","https://znuny-docs.softoft.de",{"label":60,"to":61},"OpenITSMHub","https://openitsmhub.com",{},"en/_data/footer","wyN8BR3pvRS-qR61V-JTRoLU5STscFfC3xqeuE9jwUs",{"id":66,"contact":67,"extension":5,"fullName":75,"meta":76,"name":77,"partners":78,"qualification":83,"socialMedia":91,"stem":108,"tagline":109,"testimonials":110,"whySoftoft":117,"__hash__":130},"company_en/en/_data/company.yml",{"email":68,"appointmentUrl":69,"address":70},"info@softoft.de","https://calendly.com/softoft",{"street":71,"city":72,"zip":73,"country":74},"Am Judensand 7","Mainz","55122","Germany","Softoft, Tobias Bück e.U.",{},"Softoft",[79],{"name":80,"description":81,"url":82},"Open Ticket AI","AI-powered ticket classification and routing for OTOBO/Znuny systems","https://openticketai.com",{"heading":84,"intro":85,"bullets":86},"Who is this for?","Best fit for teams with clear ticket-system goals:",[87,88,89,90],"On-premise ticket systems","OTOBO or Znuny teams","OTRS migrations",">500 tickets per month",[92,96,100,104],{"platform":93,"url":94,"icon":95},"LinkedIn","https://www.linkedin.com/company/softoft-it-services/","fa-brands:linkedin",{"platform":97,"url":98,"icon":99},"GitHub","https://github.com/Softoft","fa-brands:github",{"platform":101,"url":102,"icon":103},"Kaggle","https://www.kaggle.com/tobiasbueck","simple-icons:kaggle",{"platform":105,"url":106,"icon":107},"Medium","https://medium.com/@softoft","fa-brands:medium","en/_data/company","Your Partner for Open Source Ticketsystem Automation",[111,113,115],{"text":112},"The migration from OTRS to OTOBO was seamless and professional. Softoft's expertise saved us weeks of work.",{"text":114},"Excellent support and deep knowledge of ticket systems. They helped us optimize our workflow significantly.",{"text":116},"Softoft delivered exactly what they promised. Our automation is now working flawlessly.",[118,121,124,127],{"icon":119,"text":120},"heroicons:star-20-solid","Ticket-system expertise",{"icon":122,"text":123},"heroicons:rocket-launch-20-solid","Fast implementation",{"icon":125,"text":126},"heroicons:shield-check-20-solid","Secure & compliant",{"icon":128,"text":129},"heroicons:user-20-solid","Direct consultation","jMvGCBn-0u-59_xgdW4MOZMdbyKa10XmlaPNwSuGE-Q",[132,381,1216,2244,4297,5990,6629,6661,6691,6840,6979,7144,7251,7517,7641],{"id":133,"title":134,"author":135,"blogId":136,"body":137,"description":364,"extension":365,"externalUrl":366,"layout":366,"mainImage":367,"meta":368,"mobileImage":366,"navigation":369,"order":370,"path":371,"seo":372,"stem":373,"tags":374,"__hash__":380},"blog_de/de/blog/openticketai-zammad-ai-routing.md","OpenTicketAI für Zammad: KI-Warteschlangen-Routing und Klassifikation on-premise","Softoft Team","openticketai-zammad-ai-routing",{"type":138,"value":139,"toc":355},"minimark",[140,171,176,199,203,244,255,259,280,284,308,312,334,342],[141,142,143,144,148,149,158,159,162,163,166,167,170],"p",{},"Teams mit Zammad wünschen sich häufig KI für ",[145,146,147],"strong",{},"Routing und Klassifikation",", ohne vollständige Nachrichtentexte an externe APIs zu übergeben. ",[145,150,151],{},[152,153,157],"a",{"href":154,"rel":155},"https://openticketai.com/de/solutions/zammad/",[156],"nofollow","OpenTicketAI (OTAI) für Zammad"," zielt darauf ab: trainingsrelevante ",[145,160,161],{},"Metadaten"," in der EU, ",[145,164,165],{},"signierte Modell-Artefakte"," und ",[145,168,169],{},"On-Premise-Inferenz",", damit die eigentliche Automatisierung innerhalb Ihres Netzes bleibt.",[172,173,175],"h2",{"id":174},"problemstellung","Problemstellung",[141,177,178,179,182,183,186,187,190,191,194,195,198],{},"Das Angebot fokussiert ",[145,180,181],{},"KI-gestütztes Queue-Routing",", das an Ihre ",[145,184,185],{},"Gruppen"," in Zammad angebunden ist. Sie beschreiben diese über eine kurze ",[145,188,189],{},"QueueSpec"," mit Namen und Beschreibungen — ",[145,192,193],{},"ohne reale Produktions-Tickets"," für das Training bereitstellen zu müssen. OTAI Studio erzeugt daraus synthetische Trainingsdaten und trainiert einen passenden Adapter, typischerweise mit ",[145,196,197],{},"Bearbeitung am gleichen Tag",".",[172,200,202],{"id":201},"ablauf-in-vier-schritten","Ablauf in vier Schritten",[204,205,206,213,222,235],"ol",{},[207,208,209,212],"li",{},[145,210,211],{},"Gruppen definieren"," — QueueSpec aus Zammad-Gruppennamen und Kurzbeschreibungen liefern.",[207,214,215,218,219,198],{},[145,216,217],{},"Trainieren"," — EU-gehostetes OTAI Studio erzeugt synthetische Daten und liefert ein trainiertes, ",[145,220,221],{},"signiertes Modell-Artefakt",[207,223,224,227,228,231,232,198],{},[145,225,226],{},"On-Prem bereitstellen"," — ",[145,229,230],{},"OTAI Runtime Core"," (etwa via Docker Compose) betreiben, Artefakt laden — ",[145,233,234],{},"Inferenz läuft vollständig bei Ihnen",[207,236,237,227,240,243],{},[145,238,239],{},"Anbindung",[145,241,242],{},"Zammad-Connector-Plugin"," liest neue Tickets und schreibt Routing- und Feldentscheidungen zurück.",[141,245,246,247,250,251,254],{},"Architektonisch: ",[145,248,249],{},"Warteschlangen-Metadaten"," können für Studio/Training verwendet werden, ",[145,252,253],{},"Ticketinhalte"," für die Inferenz nicht verlassen Ihr Netz.",[172,256,258],{"id":257},"über-die-reine-gruppenwahl-hinaus","Über die reine Gruppenwahl hinaus",[141,260,261,262,265,266,269,270,269,273,166,276,279],{},"Laut Produktbeschreibung kann OTAI neben der Ziel-",[145,263,264],{},"Gruppe"," weitere Dimensionen unterstützen — etwa ",[145,267,268],{},"Priorität",", ",[145,271,272],{},"Status",[145,274,275],{},"Tags",[145,277,278],{},"Benutzerdefinierte Objektattribute",", abhängig von Konfiguration und Lizenzmodell.",[172,281,283],{"id":282},"technische-eckdaten","Technische Eckdaten",[141,285,286,287,269,290,293,294,297,298,301,302,198],{},"Für einen typischen Aufbau sind unter anderem ",[145,288,289],{},"Zammad 6.0+",[145,291,292],{},"Docker / Docker Compose"," für das Runtime-Core, ",[145,295,296],{},"API-Zugang"," (ggf. Admin-Token) sowie mindestens ",[145,299,300],{},"2 CPU-Kerne und 4 GB RAM"," für die Runtime-Seite zu planen — siehe ",[145,303,304],{},[152,305,307],{"href":154,"rel":306},[156],"OTAI für Zammad",[172,309,311],{"id":310},"wann-dieser-ansatz-passt","Wann dieser Ansatz passt",[141,313,314,315,318,319,322,323,326,327,166,330,333],{},"Das Modell passt vor allem dort, wo ",[145,316,317],{},"Compliance"," oder Verträge ",[145,320,321],{},"Cloud-Inferenz über Ticket-Inhalte"," nicht zulassen, Sie aber moderne ",[145,324,325],{},"Klassifikation und Weiterleitung"," mit möglicher ",[145,328,329],{},"Confidence-Überwachung",[145,331,332],{},"Retrainingszyklen"," wollen.",[335,336,339],"alert",{"title":337,"type":338},"Hinweis zum Ökosystem","info",[141,340,341],{},"Softoft bleibt gegenüber Fremdherstellern neutral; OTAI ist ein unabhängiger Anbieter. Lizenzierung, SLA und Datenflüsse sollten vor Produktionsentscheidungen dort verifiziert werden.",[141,343,344,345,348,349,354],{},"Wenn Sie bei ",[145,346,347],{},"API-Anbindungen, Plugins oder On-Prem-Integration"," neben Ihren bestehenden Zammad-Prozessen Unterstützung brauchen, ",[145,350,351],{},[152,352,353],{"href":21},"kontaktieren Sie Softoft"," für Implementierung und Beratung.",{"title":356,"searchDepth":357,"depth":357,"links":358},"",2,[359,360,361,362,363],{"id":174,"depth":357,"text":175},{"id":201,"depth":357,"text":202},{"id":257,"depth":357,"text":258},{"id":282,"depth":357,"text":283},{"id":310,"depth":357,"text":311},"Wie OpenTicketAI eigene Modelle auf Ihre Zammad-Gruppen trainiert, Inferenz vor Ort ausführt und mehr als nur die Zuweisung automatisiert — ohne Ticket-Inhalte aus Ihrer Infrastruktur zu senden.","md",null,"/img/blog/ai-agent-compare.jpg",{},true,1350,"/de/blog/openticketai-zammad-ai-routing",{"title":134,"description":364},"de/blog/openticketai-zammad-ai-routing",[375,376,377,378,379],"Zammad","OpenTicketAI","KI","Automatisierung","Privatsphäre","Ls7st3lPrZ_bCQOX8DBtgCruHftd7X7mRsn7GBDy-_Q",{"id":382,"title":383,"author":384,"blogId":385,"body":386,"description":1204,"extension":365,"externalUrl":366,"layout":366,"mainImage":1205,"meta":1206,"mobileImage":1207,"navigation":369,"order":1208,"path":1209,"seo":1210,"stem":1211,"tags":1212,"__hash__":1215},"blog_de/de/blog/ticket-classification-api.md","Automated Ticket Classification API","Tobias Bueck","ticket-classification-api",{"type":138,"value":387,"toc":1191},[388,391,395,398,403,406,453,456,809,813,816,846,850,853,929,932,936,939,943,946,950,953,957,960,963,1170,1173,1180,1184,1187],[141,389,390],{},"Dieser Artikel stellt eine REST API zur Ticket-Klassifizierung vor. Die API analysiert eingehende Support-Anfragen und klassifiziert diese automatisch nach Priorität, Kategorie, Tags und anderen Attributen. Dies ermöglicht eine effiziente und präzise Bearbeitung von Kundenanfragen, verbessert die Antwortzeiten und steigert die Kundenzufriedenheit.",[172,392,394],{"id":393},"funktionsweise-der-api","Funktionsweise der API",[141,396,397],{},"Die entwickelte REST API zur Ticket-Klassifizierung analysiert eingehende Support-Anfragen und ordnet sie anhand verschiedener Kriterien ein. Hier ist eine detaillierte Beschreibung der Funktionsweise der API:",[399,400,402],"h3",{"id":401},"input","Input",[141,404,405],{},"Die API erwartet eine JSON-Nachricht als Input, die folgende Felder enthalten kann:",[407,408,409,416,422,428,434,447],"ul",{},[207,410,411,415],{},[412,413,414],"code",{},"email_address"," (optional): Die E-Mail-Adresse des Absenders.",[207,417,418,421],{},[412,419,420],{},"subject"," (optional): Der Betreff der E-Mail.",[207,423,424,427],{},[412,425,426],{},"body"," (optional): Der Textinhalt der E-Mail.",[207,429,430,433],{},[412,431,432],{},"timestamp"," (optional): Der Zeitpunkt, zu dem die E-Mail gesendet wurde.",[207,435,436,439,440,443,444,198],{},[412,437,438],{},"meta_headers"," (optional): Zusätzliche Meta-Header der E-Mail, z. B. ",[412,441,442],{},"User-Agent"," oder ",[412,445,446],{},"Content-Type",[207,448,449,452],{},[412,450,451],{},"customer_data"," (optional): Zusätzliche Daten über den Kunden, wie z. B. frühere Tickets und deren Historie.",[141,454,455],{},"Ein Beispiel für einen Input könnte so aussehen:",[457,458,462],"pre",{"className":459,"code":460,"language":461,"meta":356,"style":356},"language-json shiki shiki-themes github-light github-dark","{\n  \"email_address\": \"tab@softoft.de\",\n  \"subject\": \"Problem with my order\",\n  \"body\": \"I have a problem with my last order. Please help me.\",\n  \"timestamp\": \"2023-06-05T12:00:00Z\",\n  \"meta_headers\": {\n    \"User-Agent\": \"Mozilla/5.0\",\n    \"Content-Type\": \"text/plain\"\n  },\n  \"customer_data\": {\n    \"customer_id\": \"1008\",\n    \"previous_tickets\": [\n      {\n        \"ticket_id\": \"001\",\n        \"subject\": \"Invoice not received\",\n        \"body\": \"I have not received my invoice. Can you resend it?\",\n        \"response\": \"Your invoice has been resent.\",\n        \"priority\": \"medium\",\n        \"queue\": \"Billing\",\n        \"timestamp\": \"2023-05-01T08:30:00Z\"\n      },\n      {\n        \"ticket_id\": \"002\",\n        \"subject\": \"Defective product\",\n        \"body\": \"The product I received is defective. What should I do?\",\n        \"response\": \"Please return the defective product to us, and we will replace it.\",\n        \"priority\": \"high\",\n        \"queue\": \"Technical\",\n        \"timestamp\": \"2023-05-15T09:15:00Z\"\n      }\n    ]\n  }\n}\n","json",[412,463,464,473,489,502,515,528,537,550,561,567,575,588,597,603,616,629,642,655,668,681,692,698,703,715,727,739,751,763,775,785,791,797,803],{"__ignoreMap":356},[465,466,469],"span",{"class":467,"line":468},"line",1,[465,470,472],{"class":471},"sVt8B","{\n",[465,474,475,479,482,486],{"class":467,"line":357},[465,476,478],{"class":477},"sj4cs","  \"email_address\"",[465,480,481],{"class":471},": ",[465,483,485],{"class":484},"sZZnC","\"tab@softoft.de\"",[465,487,488],{"class":471},",\n",[465,490,492,495,497,500],{"class":467,"line":491},3,[465,493,494],{"class":477},"  \"subject\"",[465,496,481],{"class":471},[465,498,499],{"class":484},"\"Problem with my order\"",[465,501,488],{"class":471},[465,503,505,508,510,513],{"class":467,"line":504},4,[465,506,507],{"class":477},"  \"body\"",[465,509,481],{"class":471},[465,511,512],{"class":484},"\"I have a problem with my last order. Please help me.\"",[465,514,488],{"class":471},[465,516,518,521,523,526],{"class":467,"line":517},5,[465,519,520],{"class":477},"  \"timestamp\"",[465,522,481],{"class":471},[465,524,525],{"class":484},"\"2023-06-05T12:00:00Z\"",[465,527,488],{"class":471},[465,529,531,534],{"class":467,"line":530},6,[465,532,533],{"class":477},"  \"meta_headers\"",[465,535,536],{"class":471},": {\n",[465,538,540,543,545,548],{"class":467,"line":539},7,[465,541,542],{"class":477},"    \"User-Agent\"",[465,544,481],{"class":471},[465,546,547],{"class":484},"\"Mozilla/5.0\"",[465,549,488],{"class":471},[465,551,553,556,558],{"class":467,"line":552},8,[465,554,555],{"class":477},"    \"Content-Type\"",[465,557,481],{"class":471},[465,559,560],{"class":484},"\"text/plain\"\n",[465,562,564],{"class":467,"line":563},9,[465,565,566],{"class":471},"  },\n",[465,568,570,573],{"class":467,"line":569},10,[465,571,572],{"class":477},"  \"customer_data\"",[465,574,536],{"class":471},[465,576,578,581,583,586],{"class":467,"line":577},11,[465,579,580],{"class":477},"    \"customer_id\"",[465,582,481],{"class":471},[465,584,585],{"class":484},"\"1008\"",[465,587,488],{"class":471},[465,589,591,594],{"class":467,"line":590},12,[465,592,593],{"class":477},"    \"previous_tickets\"",[465,595,596],{"class":471},": [\n",[465,598,600],{"class":467,"line":599},13,[465,601,602],{"class":471},"      {\n",[465,604,606,609,611,614],{"class":467,"line":605},14,[465,607,608],{"class":477},"        \"ticket_id\"",[465,610,481],{"class":471},[465,612,613],{"class":484},"\"001\"",[465,615,488],{"class":471},[465,617,619,622,624,627],{"class":467,"line":618},15,[465,620,621],{"class":477},"        \"subject\"",[465,623,481],{"class":471},[465,625,626],{"class":484},"\"Invoice not received\"",[465,628,488],{"class":471},[465,630,632,635,637,640],{"class":467,"line":631},16,[465,633,634],{"class":477},"        \"body\"",[465,636,481],{"class":471},[465,638,639],{"class":484},"\"I have not received my invoice. Can you resend it?\"",[465,641,488],{"class":471},[465,643,645,648,650,653],{"class":467,"line":644},17,[465,646,647],{"class":477},"        \"response\"",[465,649,481],{"class":471},[465,651,652],{"class":484},"\"Your invoice has been resent.\"",[465,654,488],{"class":471},[465,656,658,661,663,666],{"class":467,"line":657},18,[465,659,660],{"class":477},"        \"priority\"",[465,662,481],{"class":471},[465,664,665],{"class":484},"\"medium\"",[465,667,488],{"class":471},[465,669,671,674,676,679],{"class":467,"line":670},19,[465,672,673],{"class":477},"        \"queue\"",[465,675,481],{"class":471},[465,677,678],{"class":484},"\"Billing\"",[465,680,488],{"class":471},[465,682,684,687,689],{"class":467,"line":683},20,[465,685,686],{"class":477},"        \"timestamp\"",[465,688,481],{"class":471},[465,690,691],{"class":484},"\"2023-05-01T08:30:00Z\"\n",[465,693,695],{"class":467,"line":694},21,[465,696,697],{"class":471},"      },\n",[465,699,701],{"class":467,"line":700},22,[465,702,602],{"class":471},[465,704,706,708,710,713],{"class":467,"line":705},23,[465,707,608],{"class":477},[465,709,481],{"class":471},[465,711,712],{"class":484},"\"002\"",[465,714,488],{"class":471},[465,716,718,720,722,725],{"class":467,"line":717},24,[465,719,621],{"class":477},[465,721,481],{"class":471},[465,723,724],{"class":484},"\"Defective product\"",[465,726,488],{"class":471},[465,728,730,732,734,737],{"class":467,"line":729},25,[465,731,634],{"class":477},[465,733,481],{"class":471},[465,735,736],{"class":484},"\"The product I received is defective. What should I do?\"",[465,738,488],{"class":471},[465,740,742,744,746,749],{"class":467,"line":741},26,[465,743,647],{"class":477},[465,745,481],{"class":471},[465,747,748],{"class":484},"\"Please return the defective product to us, and we will replace it.\"",[465,750,488],{"class":471},[465,752,754,756,758,761],{"class":467,"line":753},27,[465,755,660],{"class":477},[465,757,481],{"class":471},[465,759,760],{"class":484},"\"high\"",[465,762,488],{"class":471},[465,764,766,768,770,773],{"class":467,"line":765},28,[465,767,673],{"class":477},[465,769,481],{"class":471},[465,771,772],{"class":484},"\"Technical\"",[465,774,488],{"class":471},[465,776,778,780,782],{"class":467,"line":777},29,[465,779,686],{"class":477},[465,781,481],{"class":471},[465,783,784],{"class":484},"\"2023-05-15T09:15:00Z\"\n",[465,786,788],{"class":467,"line":787},30,[465,789,790],{"class":471},"      }\n",[465,792,794],{"class":467,"line":793},31,[465,795,796],{"class":471},"    ]\n",[465,798,800],{"class":467,"line":799},32,[465,801,802],{"class":471},"  }\n",[465,804,806],{"class":467,"line":805},33,[465,807,808],{"class":471},"}\n",[399,810,812],{"id":811},"verarbeitung","Verarbeitung",[141,814,815],{},"Nach Erhalt der Anfrage analysiert und klassifiziert die API die Daten. Verschiedene Machine-Learning-Algorithmen und Heuristiken werden verwendet, um die folgenden Klassifizierungsdaten zu bestimmen:",[204,817,818,823,829,834,840],{},[207,819,820,822],{},[145,821,268],{},": Die Dringlichkeit der Anfrage (z. B. hoch, mittel, niedrig).",[207,824,825,828],{},[145,826,827],{},"Queue oder Kategorie",": Die passende Queue oder Kategorie, in die das Ticket eingeordnet werden soll (z. B. Technik, Abrechnung, Allgemein).",[207,830,831,833],{},[145,832,275],{},": Zusätzliche Tags für eine bessere Kategorisierung (z. B. \"Beschwerde\", \"Zahlung\").",[207,835,836,839],{},[145,837,838],{},"Geschätzte Bearbeitungszeit",": Die geschätzte Zeit, die für die Bearbeitung des Tickets erforderlich ist.",[207,841,842,845],{},[145,843,844],{},"Zuweisung an Mitarbeiter/Agent",": Der spezifische Mitarbeiter oder Agent, dem das Ticket basierend auf Fachwissen und Verfügbarkeit zugewiesen werden sollte.",[399,847,849],{"id":848},"output","Output",[141,851,852],{},"Die API gibt eine JSON-Nachricht zurück, die die klassifizierten Daten enthält. Ein Beispiel-Output könnte so aussehen:",[457,854,856],{"className":459,"code":855,"language":461,"meta":356,"style":356},"{\n  \"priority\": \"high\",\n  \"queue\": \"Technical\",\n  \"tags\": [\"Complaint\", \"Order\"],\n  \"estimated_time\": \"2 hours\",\n  \"assigned_agent\": \"markus.turan\"\n}\n",[412,857,858,862,873,884,903,915,925],{"__ignoreMap":356},[465,859,860],{"class":467,"line":468},[465,861,472],{"class":471},[465,863,864,867,869,871],{"class":467,"line":357},[465,865,866],{"class":477},"  \"priority\"",[465,868,481],{"class":471},[465,870,760],{"class":484},[465,872,488],{"class":471},[465,874,875,878,880,882],{"class":467,"line":491},[465,876,877],{"class":477},"  \"queue\"",[465,879,481],{"class":471},[465,881,772],{"class":484},[465,883,488],{"class":471},[465,885,886,889,892,895,897,900],{"class":467,"line":504},[465,887,888],{"class":477},"  \"tags\"",[465,890,891],{"class":471},": [",[465,893,894],{"class":484},"\"Complaint\"",[465,896,269],{"class":471},[465,898,899],{"class":484},"\"Order\"",[465,901,902],{"class":471},"],\n",[465,904,905,908,910,913],{"class":467,"line":517},[465,906,907],{"class":477},"  \"estimated_time\"",[465,909,481],{"class":471},[465,911,912],{"class":484},"\"2 hours\"",[465,914,488],{"class":471},[465,916,917,920,922],{"class":467,"line":530},[465,918,919],{"class":477},"  \"assigned_agent\"",[465,921,481],{"class":471},[465,923,924],{"class":484},"\"markus.turan\"\n",[465,926,927],{"class":467,"line":539},[465,928,808],{"class":471},[141,930,931],{},"Durch diese strukturierte und automatisierte Klassifizierung können Unternehmen sicherstellen, dass Support-Anfragen effizient und präzise bearbeitet werden, was zu einer verbesserten Kundenzufriedenheit und optimierten Workflows führt.",[172,933,935],{"id":934},"setup-und-datenanforderungen","Setup und Datenanforderungen",[141,937,938],{},"Damit die API-Klassifizierungen korrekt funktionieren, benötigt die API zunächst Daten darüber, wie das spezifische Ticketsystem des Kunden organisiert ist. Dies umfasst Informationen über die verfügbaren Queues, Prioritäten und bei Bedarf zusätzliche Tags. Des Weiteren sind Daten zu vergangenen Tickets und deren Bearbeitungszeiten notwendig, um genaue Vorhersagen und Klassifizierungen treffen zu können.",[399,940,942],{"id":941},"verfügbare-queues-und-prioritäten","Verfügbare Queues und Prioritäten",[141,944,945],{},"Zunächst müssen die verfügbaren Queues definiert werden, in die Tickets sortiert werden können. Eine Queue repräsentiert eine Kategorie oder Abteilung, wie z. B. Technik, Abrechnung oder Allgemein. Ebenso wichtig sind die Prioritäten, die die Dringlichkeit eines Tickets angeben, wie z. B. hoch, mittel oder niedrig. Diese Informationen müssen der API bereitgestellt werden, um eine genaue Klassifizierung zu ermöglichen.",[399,947,949],{"id":948},"tags-und-historische-bearbeitungszeiten","Tags und historische Bearbeitungszeiten",[141,951,952],{},"Um Tickets noch präziser zu kategorisieren, können zusätzliche Tags verwendet werden. Tags sind Schlagworte, die mehr Informationen über die Art des Problems oder die erforderliche Aktion liefern, wie z. B. \"Beschwerde\" oder \"Zahlung\". Zusätzlich sind historische Daten zu früheren Tickets und deren Bearbeitungszeiten erforderlich. Diese Daten helfen der API, die geschätzte Bearbeitungszeit und andere Klassifizierungen basierend auf vergangenen Erfahrungen genau zu berechnen.",[399,954,956],{"id":955},"setup-über-das-atc-api-online-portal-oder-die-api","Setup über das ATC API Online Portal oder die API",[141,958,959],{},"Die notwendigen Daten und Konfigurationen können entweder über das ATC API Online Portal oder direkt über die API eingerichtet werden. Das ATC API Online Portal bietet eine benutzerfreundliche Oberfläche zur Eingabe und Verwaltung der erforderlichen Informationen. Alternativ kann dies auch programmatisch über die API erfolgen, was besonders für Entwickler und Integratoren nützlich ist, die ein automatisiertes Setup bevorzugen.",[141,961,962],{},"Beispiel für ein API-Setup:",[457,964,966],{"className":459,"code":965,"language":461,"meta":356,"style":356},"{\n  \"queues\": [\"Technical\", \"Billing\", \"General\"],\n  \"priorities\": [\"high\", \"medium\", \"low\"],\n  \"tags\": [\"Complaint\", \"Payment\", \"Order\"],\n  \"historical_data\": [\n    {\n      \"ticket_id\": \"001\",\n      \"queue\": \"Billing\",\n      \"priority\": \"medium\",\n      \"tags\": [\"Complaint\"],\n      \"resolution_time\": \"3 hours\"\n    },\n    {\n      \"ticket_id\": \"002\",\n      \"queue\": \"Technical\",\n      \"priority\": \"high\",\n      \"tags\": [\"Defect\"],\n      \"resolution_time\": \"2 hours\"\n    }\n  ]\n}\n",[412,967,968,972,992,1012,1031,1038,1043,1054,1065,1076,1087,1097,1102,1106,1116,1126,1136,1147,1156,1161,1166],{"__ignoreMap":356},[465,969,970],{"class":467,"line":468},[465,971,472],{"class":471},[465,973,974,977,979,981,983,985,987,990],{"class":467,"line":357},[465,975,976],{"class":477},"  \"queues\"",[465,978,891],{"class":471},[465,980,772],{"class":484},[465,982,269],{"class":471},[465,984,678],{"class":484},[465,986,269],{"class":471},[465,988,989],{"class":484},"\"General\"",[465,991,902],{"class":471},[465,993,994,997,999,1001,1003,1005,1007,1010],{"class":467,"line":491},[465,995,996],{"class":477},"  \"priorities\"",[465,998,891],{"class":471},[465,1000,760],{"class":484},[465,1002,269],{"class":471},[465,1004,665],{"class":484},[465,1006,269],{"class":471},[465,1008,1009],{"class":484},"\"low\"",[465,1011,902],{"class":471},[465,1013,1014,1016,1018,1020,1022,1025,1027,1029],{"class":467,"line":504},[465,1015,888],{"class":477},[465,1017,891],{"class":471},[465,1019,894],{"class":484},[465,1021,269],{"class":471},[465,1023,1024],{"class":484},"\"Payment\"",[465,1026,269],{"class":471},[465,1028,899],{"class":484},[465,1030,902],{"class":471},[465,1032,1033,1036],{"class":467,"line":517},[465,1034,1035],{"class":477},"  \"historical_data\"",[465,1037,596],{"class":471},[465,1039,1040],{"class":467,"line":530},[465,1041,1042],{"class":471},"    {\n",[465,1044,1045,1048,1050,1052],{"class":467,"line":539},[465,1046,1047],{"class":477},"      \"ticket_id\"",[465,1049,481],{"class":471},[465,1051,613],{"class":484},[465,1053,488],{"class":471},[465,1055,1056,1059,1061,1063],{"class":467,"line":552},[465,1057,1058],{"class":477},"      \"queue\"",[465,1060,481],{"class":471},[465,1062,678],{"class":484},[465,1064,488],{"class":471},[465,1066,1067,1070,1072,1074],{"class":467,"line":563},[465,1068,1069],{"class":477},"      \"priority\"",[465,1071,481],{"class":471},[465,1073,665],{"class":484},[465,1075,488],{"class":471},[465,1077,1078,1081,1083,1085],{"class":467,"line":569},[465,1079,1080],{"class":477},"      \"tags\"",[465,1082,891],{"class":471},[465,1084,894],{"class":484},[465,1086,902],{"class":471},[465,1088,1089,1092,1094],{"class":467,"line":577},[465,1090,1091],{"class":477},"      \"resolution_time\"",[465,1093,481],{"class":471},[465,1095,1096],{"class":484},"\"3 hours\"\n",[465,1098,1099],{"class":467,"line":590},[465,1100,1101],{"class":471},"    },\n",[465,1103,1104],{"class":467,"line":599},[465,1105,1042],{"class":471},[465,1107,1108,1110,1112,1114],{"class":467,"line":605},[465,1109,1047],{"class":477},[465,1111,481],{"class":471},[465,1113,712],{"class":484},[465,1115,488],{"class":471},[465,1117,1118,1120,1122,1124],{"class":467,"line":618},[465,1119,1058],{"class":477},[465,1121,481],{"class":471},[465,1123,772],{"class":484},[465,1125,488],{"class":471},[465,1127,1128,1130,1132,1134],{"class":467,"line":631},[465,1129,1069],{"class":477},[465,1131,481],{"class":471},[465,1133,760],{"class":484},[465,1135,488],{"class":471},[465,1137,1138,1140,1142,1145],{"class":467,"line":644},[465,1139,1080],{"class":477},[465,1141,891],{"class":471},[465,1143,1144],{"class":484},"\"Defect\"",[465,1146,902],{"class":471},[465,1148,1149,1151,1153],{"class":467,"line":657},[465,1150,1091],{"class":477},[465,1152,481],{"class":471},[465,1154,1155],{"class":484},"\"2 hours\"\n",[465,1157,1158],{"class":467,"line":670},[465,1159,1160],{"class":471},"    }\n",[465,1162,1163],{"class":467,"line":683},[465,1164,1165],{"class":471},"  ]\n",[465,1167,1168],{"class":467,"line":694},[465,1169,808],{"class":471},[141,1171,1172],{},"Durch die Bereitstellung dieses Setups und der Daten wird sichergestellt, dass die API über die notwendigen Informationen verfügt, um eingehende Tickets präzise zu klassifizieren und den Support-Prozess effizienter zu gestalten.",[141,1174,1175,1176],{},"Wenn Sie an der API interessiert sind oder weitere Informationen benötigen, kontaktieren Sie uns gerne unter ",[152,1177,1179],{"href":1178},"mailto:atc-api@softoft.de","atc-api@softoft.de",[172,1181,1183],{"id":1182},"fazit","Fazit",[141,1185,1186],{},"Die vorgestellte REST API zur Ticket-Klassifizierung bietet eine effiziente Lösung für die automatisierte Bearbeitung von Support-Anfragen. Durch die präzise Analyse und Klassifizierung von Tickets können Unternehmen ihre Antwortzeiten verbessern und die Kundenzufriedenheit steigern. Das flexible Setup über das ATC API Online Portal oder direkt über die API ermöglicht eine einfache Integration und Anpassung an spezifische Bedürfnisse. Insgesamt trägt diese Lösung maßgeblich zur Optimierung des Kundenservices bei.",[1188,1189,1190],"style",{},"html pre.shiki code .sVt8B, html code.shiki .sVt8B{--shiki-default:#24292E;--shiki-dark:#E1E4E8}html pre.shiki code .sj4cs, html code.shiki .sj4cs{--shiki-default:#005CC5;--shiki-dark:#79B8FF}html pre.shiki code .sZZnC, html code.shiki .sZZnC{--shiki-default:#032F62;--shiki-dark:#9ECBFF}html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}html.dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}",{"title":356,"searchDepth":357,"depth":357,"links":1192},[1193,1198,1203],{"id":393,"depth":357,"text":394,"children":1194},[1195,1196,1197],{"id":401,"depth":491,"text":402},{"id":811,"depth":491,"text":812},{"id":848,"depth":491,"text":849},{"id":934,"depth":357,"text":935,"children":1199},[1200,1201,1202],{"id":941,"depth":491,"text":942},{"id":948,"depth":491,"text":949},{"id":955,"depth":491,"text":956},{"id":1182,"depth":357,"text":1183},"Automatisierte Ticket-Klassifizierung mit einer REST API: Effiziente Analyse und Zuweisung von Support-Anfragen zur Verbesserung der Antwortzeiten und Kundenzufriedenheit.","images/images/blog/ope-ticket-ai-rest-api-desktop",{},"images/images/blog/ope-ticket-ai-rest-api-mobile",1300,"/de/blog/ticket-classification-api",{"title":383,"description":1204},"de/blog/ticket-classification-api",[1213,1214],"software-development","data-science","6ZJ_a49B9yxU24Ewx3CtCE-4bGGjKLDng_ndTQ-G3j8",{"id":1217,"title":1218,"author":384,"blogId":1219,"body":1220,"description":2234,"extension":365,"externalUrl":366,"layout":366,"mainImage":2235,"meta":2236,"mobileImage":2237,"navigation":369,"order":2238,"path":2239,"seo":2240,"stem":2241,"tags":2242,"__hash__":2243},"blog_de/de/blog/ticket-dataset.md","Customer IT Support - Ticket Dataset","ticket-dataset",{"type":138,"value":1221,"toc":2208},[1222,1226,1235,1242,1246,1255,1259,1270,1273,1277,1280,1284,1287,1335,1339,1482,1486,1489,1634,1638,1641,1707,1711,1714,1795,1799,1802,1867,1871,1874,1877,1897,1901,1904,1909,1939,1943,2036,2040,2080,2084,2088,2116,2120,2123,2127,2154,2158,2177,2186,2190,2200,2202,2205],[172,1223,1225],{"id":1224},"synthetischer-it-ticket-generator-benutzerdefinierter-datensatz","🔧 Synthetischer IT-Ticket-Generator — Benutzerdefinierter Datensatz",[141,1227,1228],{},[145,1229,1230],{},[152,1231,1234],{"href":1232,"rel":1233},"https://www.kaggle.com/datasets/tobiasbueck/customer-it-support-ticket-dataset",[156],"Datensatz auf Kaggle herunterladen →",[141,1236,1237,1238,1241],{},"Entdecken Sie die erweiterte Version dieses Datensatzes mit ",[145,1239,1240],{},"50.000 Ticket-Einträgen","! Perfekt geeignet, um Modelle für die Klassifizierung und Priorisierung von Support-Tickets zu trainieren. Dieser Datensatz enthält verschiedene Dateien mit unterschiedlicher Anzahl an Tickets, Sprachen und Queue-Konfigurationen.",[399,1243,1245],{"id":1244},"holen-sie-sich-eine-on-prem-ticket-tagging-ai","Holen Sie sich eine On-Prem Ticket-Tagging AI",[141,1247,1248,1249,1254],{},"Benötigen Sie eine On-Premises AI zur automatischen Klassifizierung von Tickets? Schauen Sie sich ",[145,1250,1251],{},[152,1252,80],{"href":82,"rel":1253},[156]," an — unsere Lösung für automatisierte Ticket-Klassifizierung, die in Ihrer eigenen Infrastruktur läuft.",[399,1256,1258],{"id":1257},"erstellen-sie-ihren-eigenen-benutzerdefinierten-datensatz","Erstellen Sie Ihren eigenen benutzerdefinierten Datensatz",[141,1260,1261,1262,1269],{},"Möchten Sie einen Datensatz, der genau auf Ihre spezifischen Queues, Prioritäten und Sprachanforderungen zugeschnitten ist? Nutzen Sie unseren ",[145,1263,1264],{},[152,1265,1268],{"href":1266,"rel":1267},"https://openticketai.com/synthetic-data-generator",[156],"Synthetic Data Generation Service",", um benutzerdefinierte Ticket-Daten ohne personenbezogene Daten (PII) zu erstellen.",[141,1271,1272],{},"👉 Definieren Sie Ihre Queues, Prioritäten und Sprachpräferenzen\n👉 Generieren Sie realistische Ticket-Daten für Ihren spezifischen Anwendungsfall\n👉 Trainieren Sie Modelle mit Daten, die Ihren geschäftlichen Anforderungen entsprechen",[172,1274,1276],{"id":1275},"übersicht","Übersicht",[141,1278,1279],{},"Der Customer IT Support Ticket Dataset ist eine umfassende Sammlung synthetischer E-Mail-Tickets, die zur Optimierung des Kundensupports, für NLP-Forschung und Machine Learning-Projekte entwickelt wurde. Der Datensatz bietet gut klassifizierte Daten mit vollständigen Informationen zum Ticket-Lebenszyklus, einschließlich Kunden-E-Mails, Agenten-Antworten, Prioritäten, Queues, Typen, Tags und geschäftlichem Kontext.",[172,1281,1283],{"id":1282},"datensatz-struktur","Datensatz-Struktur",[141,1285,1286],{},"Der Datensatz bietet eine detaillierte Struktur mit Klassifizierungen nach:",[407,1288,1289,1295,1301,1306,1312,1318,1324,1330],{},[207,1290,1291,1294],{},[145,1292,1293],{},"Abteilung/Queue",": Wohin das Ticket weitergeleitet werden soll",[207,1296,1297,1300],{},[145,1298,1299],{},"Typ",": Die Art des Tickets (Incident, Request, Problem, Change)",[207,1302,1303,1305],{},[145,1304,268],{},": Dringlichkeitsstufe (Low, Medium, Critical)",[207,1307,1308,1311],{},[145,1309,1310],{},"Sprache",": Mehrsprachige Unterstützung (EN, DE, ES, FR, PT)",[207,1313,1314,1317],{},[145,1315,1316],{},"Betreff & Text",": Vollständiger E-Mail-Text der Kunden",[207,1319,1320,1323],{},[145,1321,1322],{},"Agenten-Antwort",": Professionelle Antworten von Helpdesk-Agenten",[207,1325,1326,1329],{},[145,1327,1328],{},"Geschäftstyp",": Kontext der Support-Organisation",[207,1331,1332,1334],{},[145,1333,275],{},": Zusätzliche Kategorisierung für detaillierte Analysen",[172,1336,1338],{"id":1337},"funktionen-und-attribute","Funktionen und Attribute",[1340,1341,1342,1358],"table",{},[1343,1344,1345],"thead",{},[1346,1347,1348,1352,1355],"tr",{},[1349,1350,1351],"th",{},"Feld",[1349,1353,1354],{},"Beschreibung",[1349,1356,1357],{},"Beispielwerte",[1359,1360,1361,1376,1389,1402,1416,1430,1444,1457,1470],"tbody",{},[1346,1362,1363,1370,1373],{},[1364,1365,1366,1367],"td",{},"🔀 ",[145,1368,1369],{},"Queue",[1364,1371,1372],{},"Gibt die Abteilung an, an die das E-Mail-Ticket weitergeleitet wird",[1364,1374,1375],{},"Technical Support, Customer Service, Billing and Payments, Product Support, IT Support, Returns and Exchanges, Sales and Pre-Sales, Human Resources, Service Outages and Maintenance, General Inquiry",[1346,1377,1378,1383,1386],{},[1364,1379,1380,1381],{},"🚦 ",[145,1382,268],{},[1364,1384,1385],{},"Gibt die Dringlichkeit und Wichtigkeit des Anliegens an",[1364,1387,1388],{},"🟢 Low, 🟠 Medium, 🔴 Critical",[1346,1390,1391,1396,1399],{},[1364,1392,1393,1394],{},"🗣️ ",[145,1395,1310],{},[1364,1397,1398],{},"Sprache, in der die E-Mail verfasst ist",[1364,1400,1401],{},"EN, DE, ES, FR, PT",[1346,1403,1404,1410,1413],{},[1364,1405,1406,1407],{},"📧 ",[145,1408,1409],{},"Betreff",[1364,1411,1412],{},"Betreffzeile der Kunden-E-Mail",[1364,1414,1415],{},"Verschiedene Betreffzeilen für Kundenanfragen",[1346,1417,1418,1424,1427],{},[1364,1419,1420,1421],{},"📝 ",[145,1422,1423],{},"Text",[1364,1425,1426],{},"Vollständiger Textinhalt der Kunden-E-Mail",[1364,1428,1429],{},"Detaillierte Kundenbeschreibungen",[1346,1431,1432,1438,1441],{},[1364,1433,1434,1435],{},"💬 ",[145,1436,1437],{},"Antwort",[1364,1439,1440],{},"Antwort des Helpdesk-Agenten",[1364,1442,1443],{},"Professionelle Agenten-Antworten mit Lösungen",[1346,1445,1446,1451,1454],{},[1364,1447,1448,1449],{},"🏷️ ",[145,1450,1299],{},[1364,1452,1453],{},"Ticket-Typ, wie vom Agenten ausgewählt",[1364,1455,1456],{},"Incident, Request, Problem, Change",[1346,1458,1459,1464,1467],{},[1364,1460,1461,1462],{},"🏢 ",[145,1463,1328],{},[1364,1465,1466],{},"Der Geschäftstyp des Support-Helpdesks",[1364,1468,1469],{},"Tech Online Store, IT Services, Software Development Company",[1346,1471,1472,1476,1479],{},[1364,1473,1448,1474],{},[145,1475,275],{},[1364,1477,1478],{},"Tags/Kategorien, die dem Ticket zugewiesen sind (10 Spalten)",[1364,1480,1481],{},"Software Bug, Warranty Claim, Password Reset, etc.",[399,1483,1485],{"id":1484},"queue-abteilung","Queue (Abteilung)",[141,1487,1488],{},"Gibt die Abteilung an, in die das E-Mail-Ticket kategorisiert wird. Dies hilft bei der Weiterleitung des Tickets an das entsprechende Support-Team zur Lösung.",[1340,1490,1491,1502],{},[1343,1492,1493],{},[1346,1494,1495,1498,1500],{},[1349,1496,1497],{},"Icon",[1349,1499,1369],{},[1349,1501,1354],{},[1359,1503,1504,1517,1530,1543,1556,1569,1582,1595,1608,1621],{},[1346,1505,1506,1509,1514],{},[1364,1507,1508],{},"💻",[1364,1510,1511],{},[145,1512,1513],{},"Technical Support",[1364,1515,1516],{},"Technische Probleme und Support-Anfragen",[1346,1518,1519,1522,1527],{},[1364,1520,1521],{},"🈂️",[1364,1523,1524],{},[145,1525,1526],{},"Customer Service",[1364,1528,1529],{},"Kundenanfragen und Service-Anfragen",[1346,1531,1532,1535,1540],{},[1364,1533,1534],{},"💰",[1364,1536,1537],{},[145,1538,1539],{},"Billing and Payments",[1364,1541,1542],{},"Abrechnungsprobleme und Zahlungsabwicklung",[1346,1544,1545,1548,1553],{},[1364,1546,1547],{},"🖥️",[1364,1549,1550],{},[145,1551,1552],{},"Product Support",[1364,1554,1555],{},"Support für produktbezogene Probleme",[1346,1557,1558,1561,1566],{},[1364,1559,1560],{},"🌐",[1364,1562,1563],{},[145,1564,1565],{},"IT Support",[1364,1567,1568],{},"Interner IT-Support und Infrastrukturprobleme",[1346,1570,1571,1574,1579],{},[1364,1572,1573],{},"🔄",[1364,1575,1576],{},[145,1577,1578],{},"Returns and Exchanges",[1364,1580,1581],{},"Produktrückgaben und Umtausch",[1346,1583,1584,1587,1592],{},[1364,1585,1586],{},"📞",[1364,1588,1589],{},[145,1590,1591],{},"Sales and Pre-Sales",[1364,1593,1594],{},"Verkaufsanfragen und Pre-Sales-Fragen",[1346,1596,1597,1600,1605],{},[1364,1598,1599],{},"🧑‍💻",[1364,1601,1602],{},[145,1603,1604],{},"Human Resources",[1364,1606,1607],{},"Mitarbeiteranfragen und HR-bezogene Themen",[1346,1609,1610,1613,1618],{},[1364,1611,1612],{},"❌",[1364,1614,1615],{},[145,1616,1617],{},"Service Outages and Maintenance",[1364,1619,1620],{},"Serviceunterbrechungen und Wartung",[1346,1622,1623,1626,1631],{},[1364,1624,1625],{},"📮",[1364,1627,1628],{},[145,1629,1630],{},"General Inquiry",[1364,1632,1633],{},"Allgemeine Anfragen und Informationswünsche",[399,1635,1637],{"id":1636},"prioritätsstufen","Prioritätsstufen",[141,1639,1640],{},"Gibt die Dringlichkeit und Wichtigkeit des Anliegens an. Hilft bei der Verwaltung des Workflows durch Priorisierung von Tickets, die sofortige Aufmerksamkeit erfordern.",[1340,1642,1643,1657],{},[1343,1644,1645],{},[1346,1646,1647,1649,1652,1654],{},[1349,1648,268],{},[1349,1650,1651],{},"Stufe",[1349,1653,1354],{},[1349,1655,1656],{},"Beispiele",[1359,1658,1659,1675,1691],{},[1346,1660,1661,1664,1669,1672],{},[1364,1662,1663],{},"🟢",[1364,1665,1666],{},[145,1667,1668],{},"1 (Low)",[1364,1670,1671],{},"Nicht dringende Probleme, die keine sofortige Aufmerksamkeit erfordern",[1364,1673,1674],{},"Allgemeine Anfragen, kleinere Unannehmlichkeiten, Routine-Updates, Feature-Requests",[1346,1676,1677,1680,1685,1688],{},[1364,1678,1679],{},"🟠",[1364,1681,1682],{},[145,1683,1684],{},"2 (Medium)",[1364,1686,1687],{},"Mäßig dringende Probleme, die zeitnah gelöst werden müssen, aber nicht kritisch sind",[1364,1689,1690],{},"Performance-Probleme, sporadische Fehler, detaillierte Benutzerfragen",[1346,1692,1693,1696,1701,1704],{},[1364,1694,1695],{},"🔴",[1364,1697,1698],{},[145,1699,1700],{},"3 (Critical)",[1364,1702,1703],{},"Dringende Probleme, die sofortige Aufmerksamkeit und schnelle Lösung erfordern",[1364,1705,1706],{},"Systemausfälle, Sicherheitsverletzungen, Datenverlust, größere Fehlfunktionen",[399,1708,1710],{"id":1709},"sprachunterstützung","Sprachunterstützung",[141,1712,1713],{},"Gibt die Sprache an, in der die E-Mail verfasst ist. Nützlich für sprachspezifische NLP-Modelle und Analysen zur mehrsprachigen Unterstützung.",[1340,1715,1716,1728],{},[1343,1717,1718],{},[1346,1719,1720,1723,1725],{},[1349,1721,1722],{},"Sprachcode",[1349,1724,1310],{},[1349,1726,1727],{},"Anwendungsfall",[1359,1729,1730,1743,1756,1769,1782],{},[1346,1731,1732,1737,1740],{},[1364,1733,1734],{},[145,1735,1736],{},"en",[1364,1738,1739],{},"Englisch",[1364,1741,1742],{},"Internationaler Support, Hauptsprache",[1346,1744,1745,1750,1753],{},[1364,1746,1747],{},[145,1748,1749],{},"de",[1364,1751,1752],{},"Deutsch",[1364,1754,1755],{},"Support für die DACH-Region",[1346,1757,1758,1763,1766],{},[1364,1759,1760],{},[145,1761,1762],{},"es",[1364,1764,1765],{},"Spanisch",[1364,1767,1768],{},"Spanischsprachige Märkte",[1346,1770,1771,1776,1779],{},[1364,1772,1773],{},[145,1774,1775],{},"fr",[1364,1777,1778],{},"Französisch",[1364,1780,1781],{},"Französischsprachige Märkte",[1346,1783,1784,1789,1792],{},[1364,1785,1786],{},[145,1787,1788],{},"pt",[1364,1790,1791],{},"Portugiesisch",[1364,1793,1794],{},"Portugiesischsprachige Märkte",[399,1796,1798],{"id":1797},"ticket-typen","Ticket-Typen",[141,1800,1801],{},"Verschiedene Ticket-Typen, die kategorisiert wurden, um die Art der Anfragen oder Probleme zu verstehen.",[1340,1803,1804,1814],{},[1343,1805,1806],{},[1346,1807,1808,1810,1812],{},[1349,1809,1497],{},[1349,1811,1299],{},[1349,1813,1354],{},[1359,1815,1816,1829,1842,1855],{},[1346,1817,1818,1821,1826],{},[1364,1819,1820],{},"❗",[1364,1822,1823],{},[145,1824,1825],{},"Incident",[1364,1827,1828],{},"Unerwartetes Problem, das sofortige Aufmerksamkeit erfordert",[1346,1830,1831,1834,1839],{},[1364,1832,1833],{},"📝",[1364,1835,1836],{},[145,1837,1838],{},"Request",[1364,1840,1841],{},"Routineanfrage oder Service-Anfrage",[1346,1843,1844,1847,1852],{},[1364,1845,1846],{},"⚠️",[1364,1848,1849],{},[145,1850,1851],{},"Problem",[1364,1853,1854],{},"Zugrunde liegendes Problem, das mehrere Incidents verursacht",[1346,1856,1857,1859,1864],{},[1364,1858,1573],{},[1364,1860,1861],{},[145,1862,1863],{},"Change",[1364,1865,1866],{},"Geplante Änderung oder Update",[399,1868,1870],{"id":1869},"geschäftstypen","Geschäftstypen",[141,1872,1873],{},"Der Geschäftstyp des Support-Helpdesks hilft dabei, den Kontext des bereitgestellten Supports zu verstehen.",[141,1875,1876],{},"Beispiele sind:",[407,1878,1879,1882,1885,1888,1891,1894],{},[207,1880,1881],{},"Tech Online Store",[207,1883,1884],{},"IT Services",[207,1886,1887],{},"Software Development Company",[207,1889,1890],{},"SaaS Provider",[207,1892,1893],{},"E-commerce Platform",[207,1895,1896],{},"Enterprise IT Department",[399,1898,1900],{"id":1899},"tags-und-kategorien","Tags und Kategorien",[141,1902,1903],{},"Tags/Kategorien, die dem Ticket zugewiesen wurden, um Probleme oder Themen weiter zu klassifizieren und zu identifizieren. Der Datensatz enthält 10 Tag-Spalten für eine umfassende Kategorisierung.",[141,1905,1906],{},[145,1907,1908],{},"Beispiel-Tags:",[407,1910,1911,1913,1915,1918,1921,1924,1927,1930,1933,1936],{},[207,1912,1552],{},[207,1914,1513],{},[207,1916,1917],{},"Sales Inquiry",[207,1919,1920],{},"Software Bug",[207,1922,1923],{},"Warranty Claim",[207,1925,1926],{},"Password Reset",[207,1928,1929],{},"Network Issue",[207,1931,1932],{},"Account Management",[207,1934,1935],{},"Feature Request",[207,1937,1938],{},"Billing Question",[172,1940,1942],{"id":1941},"anwendungsfälle","Anwendungsfälle",[1340,1944,1945,1954],{},[1343,1946,1947],{},[1346,1948,1949,1952],{},[1349,1950,1951],{},"Aufgabe",[1349,1953,1354],{},[1359,1955,1956,1966,1976,1986,1996,2006,2016,2026],{},[1346,1957,1958,1963],{},[1364,1959,1960],{},[145,1961,1962],{},"Textklassifizierung",[1364,1964,1965],{},"Trainieren Sie Machine Learning-Modelle, um E-Mail-Inhalte präzise in die entsprechenden Abteilungen zu klassifizieren und so das Ticket-Routing zu verbessern",[1346,1967,1968,1973],{},[1364,1969,1970],{},[145,1971,1972],{},"Prioritätsvorhersage",[1364,1974,1975],{},"Entwickeln Sie Algorithmen zur Vorhersage der Dringlichkeit von E-Mails, um sicherzustellen, dass kritische Probleme zeitnah bearbeitet werden",[1346,1977,1978,1983],{},[1364,1979,1980],{},[145,1981,1982],{},"Kundensupport-Analyse",[1364,1984,1985],{},"Analysieren Sie den Datensatz, um Erkenntnisse über häufige Kundenprobleme zu gewinnen, Support-Prozesse zu optimieren und die Servicequalität zu steigern",[1346,1987,1988,1993],{},[1364,1989,1990],{},[145,1991,1992],{},"NLP-Modelltraining",[1364,1994,1995],{},"Erstellen Sie Natural Language Processing-Modelle für Intent-Erkennung, Sentiment-Analyse und automatisierte Antwortgenerierung",[1346,1997,1998,2003],{},[1364,1999,2000],{},[145,2001,2002],{},"Qualitätssicherung",[1364,2004,2005],{},"Trainieren Sie Modelle zur Bewertung der Qualität und Konsistenz von Agenten-Antworten",[1346,2007,2008,2013],{},[1364,2009,2010],{},[145,2011,2012],{},"Mehrsprachiger Support",[1364,2014,2015],{},"Entwickeln Sie sprachspezifische Modelle oder testen Sie mehrsprachige NLP-Ansätze",[1346,2017,2018,2023],{},[1364,2019,2020],{},[145,2021,2022],{},"Agenten-Training",[1364,2024,2025],{},"Nutzen Sie realistische Beispiele, um neue Support-Agenten in korrekten Antworttechniken zu schulen",[1346,2027,2028,2033],{},[1364,2029,2030],{},[145,2031,2032],{},"Prozessoptimierung",[1364,2034,2035],{},"Identifizieren Sie Muster bei der Ticket-Lösung, um Support-Workflows zu verbessern",[172,2037,2039],{"id":2038},"datensatz-statistiken","Datensatz-Statistiken",[407,2041,2042,2048,2054,2060,2065,2070,2075],{},[207,2043,2044,2047],{},[145,2045,2046],{},"Gesamtanzahl Tickets",": 50.000+ Einträge in verschiedenen Dateien",[207,2049,2050,2053],{},[145,2051,2052],{},"Sprachen",": 5 (EN, DE, ES, FR, PT)",[207,2055,2056,2059],{},[145,2057,2058],{},"Queues",": 10 verschiedene Abteilungen",[207,2061,2062,2064],{},[145,2063,1637],{},": 3 (Low, Medium, Critical)",[207,2066,2067,2069],{},[145,2068,1798],{},": 4 (Incident, Request, Problem, Change)",[207,2071,2072,2074],{},[145,2073,1870],{},": Mehrere geschäftliche Kontexte",[207,2076,2077,2079],{},[145,2078,275],{},": Umfassende Kategorisierung mit 10 Tag-Spalten pro Ticket",[172,2081,2083],{"id":2082},"wichtige-links","Wichtige Links",[399,2085,2087],{"id":2086},"download-und-zugriff","Download und Zugriff",[407,2089,2090,2099,2107],{},[207,2091,2092,2098],{},[145,2093,2094],{},[152,2095,2097],{"href":1232,"rel":2096},[156],"Kaggle Datensatz"," - Laden Sie den vollständigen Datensatz herunter",[207,2100,2101,2106],{},[145,2102,2103],{},[152,2104,80],{"href":82,"rel":2105},[156]," - On-premises AI für automatische Ticket-Klassifizierung",[207,2108,2109,2115],{},[145,2110,2111],{},[152,2112,2114],{"href":1266,"rel":2113},[156],"Synthetic Data Generator"," - Erstellen Sie benutzerdefinierte Datensätze, die auf Ihre Bedürfnisse zugeschnitten sind",[399,2117,2119],{"id":2118},"netzwerkdiagramm-tags","Netzwerkdiagramm-Tags",[141,2121,2122],{},"Der Datensatz enthält Netzwerkdiagramm-Darstellungen, die Beziehungen zwischen verschiedenen Ticket-Attributen zeigen und dabei helfen, zu visualisieren, wie Queues, Prioritäten und Typen innerhalb des Support-Ökosystems interagieren.",[172,2124,2126],{"id":2125},"warum-diesen-datensatz-verwenden","Warum diesen Datensatz verwenden?",[141,2128,2129,2130,2133,2134,2137,2138,2141,2142,2145,2146,2149,2150,2153],{},"✅ ",[145,2131,2132],{},"Synthetische Daten"," - Keine PII, absolut sicher für Training und Entwicklung\n✅ ",[145,2135,2136],{},"Umfassend"," - Enthält den gesamten Ticket-Lebenszyklus von der Kunden-E-Mail bis zur Agenten-Antwort\n✅ ",[145,2139,2140],{},"Mehrsprachig"," - Unterstützung für 5 Sprachen ermöglicht internationale Anwendungen\n✅ ",[145,2143,2144],{},"Realistisch"," - Generiert mit realistischen Geschäftsszenarien und Agenten-Antworten\n✅ ",[145,2147,2148],{},"Flexibel"," - Mehrere Dateien mit unterschiedlichen Konfigurationen für verschiedene Anwendungsfälle\n✅ ",[145,2151,2152],{},"Gut strukturiert"," - Sauberes, konsistentes Format, bereit für den sofortigen Einsatz in ML-Pipelines",[172,2155,2157],{"id":2156},"erste-schritte","Erste Schritte",[204,2159,2160,2168,2171,2174],{},[207,2161,2162],{},[145,2163,2164],{},[152,2165,2167],{"href":1232,"rel":2166},[156],"Laden Sie den Datensatz von Kaggle herunter",[207,2169,2170],{},"Wählen Sie die Datei, die am besten zu Ihren Anforderungen passt (Sprache, Größe, Queue-Konfiguration)",[207,2172,2173],{},"Laden Sie die Daten in Ihr bevorzugtes ML-Framework",[207,2175,2176],{},"Beginnen Sie mit dem Training Ihrer Ticket-Klassifizierungsmodelle!",[141,2178,2179,2180,2185],{},"Für fortgeschrittene Funktionen wie benutzerdefinierte Queue-Definitionen, spezifische Geschäftstypen oder die Integration in Ihr bestehendes Ticket-System, schauen Sie sich ",[145,2181,2182],{},[152,2183,80],{"href":82,"rel":2184},[156]," an.",[172,2187,2189],{"id":2188},"unterstützen-sie-dieses-projekt","Unterstützen Sie dieses Projekt",[141,2191,2192,2193,2199],{},"Ihre Unterstützung durch einen ",[145,2194,2195],{},[152,2196,2198],{"href":1232,"rel":2197},[156],"Upvote auf Kaggle"," wäre sehr willkommen! ❤️🙂 Vielen Dank, dass Sie dazu beitragen, diese Ressource der Community zur Verfügung zu stellen.",[172,2201,1183],{"id":1182},[141,2203,2204],{},"Der Customer IT Support Ticket Dataset ist eine wertvolle Ressource für Unternehmen und Forscher, die datengesteuerte Erkenntnisse im Kundensupport nutzen möchten. Mit 50.000 Einträgen, mehrsprachiger Unterstützung, umfassender Tagging-Struktur und realistischen Agenten-Antworten bietet dieser Datensatz alles, was für den Aufbau produktionsreifer Ticket-Klassifizierungssysteme erforderlich ist.",[141,2206,2207],{},"Egal, ob Sie ML-Modelle trainieren, Support-Prozesse optimieren, NLP-Forschung betreiben oder automatisierte Support-Lösungen entwickeln – dieser Datensatz bildet das Fundament für Ihren Erfolg.",{"title":356,"searchDepth":357,"depth":357,"links":2209},[2210,2214,2215,2216,2224,2225,2226,2230,2231,2232,2233],{"id":1224,"depth":357,"text":1225,"children":2211},[2212,2213],{"id":1244,"depth":491,"text":1245},{"id":1257,"depth":491,"text":1258},{"id":1275,"depth":357,"text":1276},{"id":1282,"depth":357,"text":1283},{"id":1337,"depth":357,"text":1338,"children":2217},[2218,2219,2220,2221,2222,2223],{"id":1484,"depth":491,"text":1485},{"id":1636,"depth":491,"text":1637},{"id":1709,"depth":491,"text":1710},{"id":1797,"depth":491,"text":1798},{"id":1869,"depth":491,"text":1870},{"id":1899,"depth":491,"text":1900},{"id":1941,"depth":357,"text":1942},{"id":2038,"depth":357,"text":2039},{"id":2082,"depth":357,"text":2083,"children":2227},[2228,2229],{"id":2086,"depth":491,"text":2087},{"id":2118,"depth":491,"text":2119},{"id":2125,"depth":357,"text":2126},{"id":2156,"depth":357,"text":2157},{"id":2188,"depth":357,"text":2189},{"id":1182,"depth":357,"text":1183},"Umfassender synthetischer IT-Support-Ticket-Datensatz mit 50.000 gelabelten E-Mail-Tickets, inklusive Agenten-Antworten, Prioritäten, Queues und mehrsprachiger Unterstützung.","images/images/blog/train-ai-classification-desktop",{},"images/images/blog/train-ai-classification-mobile",1201,"/de/blog/ticket-dataset",{"title":1218,"description":2234},"de/blog/ticket-dataset",[1213,1214],"XhTjdEgyOm7GG9BqTxH7KQPnI8CXze71xgV_0MPy7Fw",{"id":2245,"title":2246,"author":2247,"blogId":2248,"body":2249,"description":4284,"extension":365,"externalUrl":366,"layout":366,"mainImage":4285,"meta":4286,"mobileImage":4287,"navigation":369,"order":4288,"path":4289,"seo":4290,"stem":4291,"tags":4292,"__hash__":4296},"blog_de/de/blog/open-source-ticket-systems-ai.md","KI-gestützte Open-Source-Ticketsysteme: OTOBO AI, Zammad AI & OpenTicketAI","Tobias Bück","open-source-ticket-systems-ai",{"type":138,"value":2250,"toc":4233},[2251,2256,2260,2267,2281,2285,2292,2392,2396,2402,2445,2449,2453,2462,2467,2487,2492,2503,2509,2513,2521,2525,2542,2546,2557,2562,2566,2579,2584,2628,2633,2671,2676,2684,2753,2758,2769,2780,2784,2804,2808,2813,2850,2854,2869,2873,2911,2915,2967,3093,3097,3123,3127,3131,3160,3164,3196,3200,3234,3238,3264,3268,3273,3287,3292,3306,3311,3322,3326,3352,3356,3359,3379,3382,3386,3390,3395,3399,3410,3414,3424,3438,3441,3445,3458,3462,3476,3483,3487,3501,3505,3510,3530,3535,3539,3560,3565,3569,3578,3589,3594,3608,3614,3618,3623,3634,3640,3646,3651,3655,3661,3675,3682,3686,3700,3711,3716,3720,3818,3827,3831,3837,3862,3867,3875,3879,4001,4008,4012,4016,4027,4031,4057,4061,4075,4079,4093,4097,4111,4115,4131,4156,4161,4185,4191,4196,4230],[2252,2253,2255],"h1",{"id":2254},"ki-automatisierung-in-open-source-ticketsystemen-otobo-ai-zammad-ai-und-die-zukunft-mit-openticketai","KI-Automatisierung in Open-Source-Ticketsystemen: OTOBO AI, Zammad AI und die Zukunft mit OpenTicketAI",[172,2257,2259],{"id":2258},"einleitung-die-ticket-ki-revolution","Einleitung: Die Ticket-KI-Revolution",[141,2261,2262,2263,2266],{},"Künstliche Intelligenz (KI) verändert grundlegend, wie Unternehmen ihre Support- und Serviceprozesse verwalten. ",[145,2264,2265],{},"Open-Source-Ticket-KI"," eröffnet völlig neue Automatisierungsmöglichkeiten in modernen Ticketsystemen: intelligente Klassifizierung, dynamische Priorisierung, intelligentes Routing, automatisierte Antwortvorschläge, Sentiment-Analyse und KI-gestützte Zusammenfassungen. Dies entlastet Support-Teams erheblich, reduziert Antwortzeiten drastisch und steigert messbar die Kundenzufriedenheit.",[141,2268,2269,2270,2273,2274,166,2277,2280],{},"Insbesondere ",[145,2271,2272],{},"Open-Source-Lösungen"," wie ",[145,2275,2276],{},"OTOBO AI",[145,2278,2279],{},"Zammad AI"," profitieren von maximaler Transparenz, unbegrenzter Anpassbarkeit und vollständiger lokaler Datenhoheit – entscheidende Faktoren für DSGVO-konforme Unternehmen in Europa und weltweit.",[172,2282,2284],{"id":2283},"open-source-ticket-ki-umfassender-überblick-über-ki-anwendungsfälle","Open-Source-Ticket-KI: Umfassender Überblick über KI-Anwendungsfälle",[141,2286,2287,2288,2291],{},"Die Integration von ",[145,2289,2290],{},"Ticket-KI"," in Open-Source-Systeme bietet vielfältige Anwendungsmöglichkeiten, die den gesamten Support-Workflow optimieren:",[1340,2293,2294,2312],{},[1343,2295,2296],{},[1346,2297,2298,2302,2307],{},[1349,2299,2300],{},[145,2301,1727],{},[1349,2303,2304],{},[145,2305,2306],{},"Vorteile",[1349,2308,2309],{},[145,2310,2311],{},"ROI-Potenzial",[1359,2313,2314,2327,2340,2353,2366,2379],{},[1346,2315,2316,2321,2324],{},[1364,2317,2318],{},[145,2319,2320],{},"Automatische Klassifizierung",[1364,2322,2323],{},"Tickets werden basierend auf dem Inhalt automatisch Queues, Typen und Prioritäten zugewiesen – bis zu 90 % weniger manueller Sortieraufwand, präzisere Zuweisung durch Machine Learning",[1364,2325,2326],{},"30-40 % Zeitersparnis",[1346,2328,2329,2334,2337],{},[1364,2330,2331],{},[145,2332,2333],{},"Intelligente Priorisierung & Routing",[1364,2335,2336],{},"Dringende Anfragen werden durch KI-Analyse priorisiert; Tickets erreichen ohne Umwege die richtige Abteilung oder den richtigen Agenten basierend auf historischen Daten",[1364,2338,2339],{},"25-35 % schnellere Bearbeitung",[1346,2341,2342,2347,2350],{},[1364,2343,2344],{},[145,2345,2346],{},"KI-Antwortvorschläge / Chatbot",[1364,2348,2349],{},"FAQs und Standardanfragen werden von einem intelligenten KI-Chatbot autonom beantwortet oder bieten kontextsensitive Textbausteine für Agenten, verfügbar 24/7",[1364,2351,2352],{},"50-60 % Deflection-Rate",[1346,2354,2355,2360,2363],{},[1364,2356,2357],{},[145,2358,2359],{},"Automatische Zusammenfassung & Analyse",[1364,2361,2362],{},"Lange Konversationen werden durch KI komprimiert; der Support erhält schnelle Übersichten. Fortschrittliche Analysen zeigen häufige Anfragen, Trends und Sentiment-Muster auf",[1364,2364,2365],{},"40-50 % schnelleres Onboarding",[1346,2367,2368,2373,2376],{},[1364,2369,2370],{},[145,2371,2372],{},"Sentiment-Analyse",[1364,2374,2375],{},"Der emotionale Ton von Kundenanfragen wird erkannt und priorisiert – frustrierte Kunden werden schneller bedient",[1364,2377,2378],{},"20-30 % höhere Zufriedenheit",[1346,2380,2381,2386,2389],{},[1364,2382,2383],{},[145,2384,2385],{},"Automatische Tag-Zuweisung",[1364,2387,2388],{},"Relevante Keywords und Tags werden automatisch erkannt und für eine bessere Suchbarkeit und Berichterstattung zugewiesen",[1364,2390,2391],{},"80 % Zeitersparnis beim Tagging",[172,2393,2395],{"id":2394},"warum-open-source-für-ticket-ki","Warum Open Source für Ticket-KI?",[141,2397,2398,2399,2401],{},"Die Wahl von ",[145,2400,2265],{}," bietet entscheidende Vorteile gegenüber proprietären Lösungen:",[407,2403,2404,2415,2421,2427,2433,2439],{},[207,2405,2406,2409,2410,166,2412,2414],{},[145,2407,2408],{},"Kostenlos & keine Lizenzgebühren:"," ",[145,2411,2276],{},[145,2413,2279],{}," sind zu 100 % frei nutzbar – keine versteckten Kosten, kein Vendor-Lock-in.",[207,2416,2417,2420],{},[145,2418,2419],{},"Volle Kontrolle & maximaler Datenschutz:"," Quellcode, Daten und KI-Modelle liegen vollständig lokal auf Ihrer eigenen Infrastruktur – DSGVO-konforme Datenhoheit ist garantiert.",[207,2422,2423,2426],{},[145,2424,2425],{},"Unendlich anpassbar & erweiterbar:"," Eigene KI-Plugins, individuelle Modelle oder spezialisierte Integrationen können jederzeit entwickelt und implementiert werden.",[207,2428,2429,2432],{},[145,2430,2431],{},"Aktive Community & Zukunftssicherheit:"," Eine lebendige Open-Source-Community sorgt für kontinuierliche Verbesserungen, Sicherheitsupdates und langfristige Wartbarkeit.",[207,2434,2435,2438],{},[145,2436,2437],{},"KI-Modell-Freiheit:"," Freie Wahl zwischen verschiedenen KI-Modellen (BERT, GPT-Varianten, Llama etc.) – keine Abhängigkeit von einem einzigen KI-Anbieter.",[207,2440,2441,2444],{},[145,2442,2443],{},"Transparenz & Auditierbarkeit:"," Vollständige Nachvollziehbarkeit aller KI-Entscheidungen für Compliance und Qualitätssicherung.",[172,2446,2448],{"id":2447},"vergleich-führender-open-source-ticketsysteme-mit-ki-integration","Vergleich führender Open-Source-Ticketsysteme mit KI-Integration",[399,2450,2452],{"id":2451},"otobo-ai-der-otrs-nachfolger-mit-ki-fokus","OTOBO AI: Der OTRS-Nachfolger mit KI-Fokus",[141,2454,2455,2458,2459,2461],{},[145,2456,2457],{},"OTOBO"," (Open Ticket Request System – Next Generation) ist der offizielle Nachfolger von OTRS und bietet native Unterstützung für ",[145,2460,2290],{},":",[141,2463,2464],{},[145,2465,2466],{},"Stärken:",[407,2468,2469,2472,2475,2478,2481,2484],{},[207,2470,2471],{},"✅ Etabliertes Plugin-System für KI-Erweiterungen",[207,2473,2474],{},"✅ REST API für Machine-Learning-Integrationen",[207,2476,2477],{},"✅ Docker-basierte Architektur, ideal für KI-Container",[207,2479,2480],{},"✅ CMDB- und ITSM-Funktionen out-of-the-box",[207,2482,2483],{},"✅ Starke DSGVO-Konformität",[207,2485,2486],{},"✅ Migration von OTRS problemlos möglich",[141,2488,2489],{},[145,2490,2491],{},"KI-Anwendungsfälle:",[407,2493,2494,2497,2500],{},[207,2495,2496],{},"Automatische Ticketklassifizierung via REST API",[207,2498,2499],{},"Integration mit Python ML-Frameworks (scikit-learn, TensorFlow, PyTorch)",[207,2501,2502],{},"Individuelle KI-Plugins für spezifische Branchen",[141,2504,2505,2508],{},[145,2506,2507],{},"Ideal für:"," Mittelständische bis große Unternehmen mit komplexen ITSM-Anforderungen",[399,2510,2512],{"id":2511},"zammad-ai-modernes-ui-mit-ki-potenzial","Zammad AI: Modernes UI mit KI-Potenzial",[141,2514,2515,2517,2518,2461],{},[145,2516,375],{}," punktet mit einer modernen Benutzeroberfläche und wachsender ",[145,2519,2520],{},"KI-Integration",[141,2522,2523],{},[145,2524,2466],{},[407,2526,2527,2530,2533,2536,2539],{},[207,2528,2529],{},"✅ Intuitives, modernes Web-Interface",[207,2531,2532],{},"✅ Multi-Channel-Support (E-Mail, Chat, Telefon, Social Media)",[207,2534,2535],{},"✅ Flexibles Makro-System für Automatisierung",[207,2537,2538],{},"✅ API-First-Architektur für KI-Dienste",[207,2540,2541],{},"✅ Aktive Community und professioneller Support",[141,2543,2544],{},[145,2545,2491],{},[407,2547,2548,2551,2554],{},[207,2549,2550],{},"Textanalyse für automatisches Tagging",[207,2552,2553],{},"Chatbot-Integration für den First-Level-Support",[207,2555,2556],{},"Sentiment-Analyse für die Priorisierung",[141,2558,2559,2561],{},[145,2560,2507],{}," Teams, die Wert auf UX und moderne Technologien legen",[399,2563,2565],{"id":2564},"openticketaicom-die-spezialisierte-ki-plattform-für-ticketsysteme","OpenTicketAI.com: Die spezialisierte KI-Plattform für Ticketsysteme",[141,2567,2568,2574,2575,2578],{},[145,2569,2570],{},[152,2571,2573],{"href":82,"rel":2572},[156],"OpenTicketAI.com"," ist eine innovative Plattform, die sich exklusiv auf ",[145,2576,2577],{},"KI-gestützte Ticket-Automatisierung"," spezialisiert hat. Als moderne Lösung konzentriert sich OpenTicketAI darauf, bestehende Ticketsysteme mit fortschrittlicher künstlicher Intelligenz zu erweitern.",[141,2580,2581],{},[145,2582,2583],{},"Was macht OpenTicketAI besonders?",[407,2585,2586,2593,2600,2607,2614,2621],{},[207,2587,2588,2589,2592],{},"🤖 ",[145,2590,2591],{},"Spezialisierte KI-Modelle:"," Kundenspezifisch trainierte Machine-Learning-Modelle speziell für die Ticketklassifizierung, keine generischen NLP-Lösungen",[207,2594,2595,2596,2599],{},"🔌 ",[145,2597,2598],{},"Universeller Connector:"," Nahtlose Integration in OTOBO, Zammad, osTicket, Request Tracker und andere Open-Source-Systeme",[207,2601,2602,2603,2606],{},"📊 ",[145,2604,2605],{},"Fortschrittliches Analytics-Dashboard:"," Echtzeit-Einblicke in KI-Performance, Klassifizierungsgenauigkeit und Automatisierungsraten",[207,2608,2609,2610,2613],{},"🚀 ",[145,2611,2612],{},"Schnelle Implementierung:"," Setup in Stunden statt Tagen – mit vortrainierten Modellen für gängige Support-Szenarien",[207,2615,2616,2617,2620],{},"🔒 ",[145,2618,2619],{},"Hybrid Deployment:"," Entweder Cloud-basiert oder On-Premises für maximale Datenkontrolle",[207,2622,2623,2624,2627],{},"🎯 ",[145,2625,2626],{},"Kontinuierliches Lernen:"," Automatisches Nachtrainieren der KI-Modelle basierend auf Agenten-Feedback",[141,2629,2630],{},[145,2631,2632],{},"Kernfunktionen von OpenTicketAI:",[204,2634,2635,2641,2647,2653,2659,2665],{},[207,2636,2637,2640],{},[145,2638,2639],{},"Intelligente Ticketklassifizierung:"," Automatische Zuweisung zu Kategorien, Prioritäten und Teams mit über 95 % Genauigkeit",[207,2642,2643,2646],{},[145,2644,2645],{},"Prädiktives Routing:"," KI-basierte Vorhersage des besten Bearbeiters basierend auf Expertise, Verfügbarkeit und Historie",[207,2648,2649,2652],{},[145,2650,2651],{},"Smarte Antwortvorschläge:"," Kontextbasierte Antwortvorschläge für Agenten aus historischen Lösungen",[207,2654,2655,2658],{},[145,2656,2657],{},"Duplikaterkennung:"," Automatische Erkennung von Duplikaten und ähnlichen Tickets zur Vermeidung redundanter Arbeit",[207,2660,2661,2664],{},[145,2662,2663],{},"SLA-Vorhersage:"," Vorhersage von Bearbeitungszeiten für proaktives SLA-Management",[207,2666,2667,2670],{},[145,2668,2669],{},"Mehrsprachigkeit:"," NLP-Modelle für über 50 Sprachen",[141,2672,2673],{},[145,2674,2675],{},"Integration mit OTOBO und Zammad:",[141,2677,2678,2679,166,2681,2683],{},"OpenTicketAI lässt sich besonders elegant mit ",[145,2680,2276],{},[145,2682,2279],{}," integrieren:",[457,2685,2689],{"className":2686,"code":2687,"language":2688,"meta":356,"style":356},"language-bash shiki shiki-themes github-light github-dark","# OpenTicketAI Integration für OTOBO\ncurl -X POST https://api.openticketai.com/v1/integrate \\\n  -H \"Authorization: Bearer YOUR_API_KEY\" \\\n  -d '{\n    \"system\": \"otobo\",\n    \"endpoint\": \"https://your-otobo.domain\",\n    \"features\": [\"classification\", \"routing\", \"suggestions\"]\n  }'\n","bash",[412,2690,2691,2697,2715,2725,2733,2738,2743,2748],{"__ignoreMap":356},[465,2692,2693],{"class":467,"line":468},[465,2694,2696],{"class":2695},"sJ8bj","# OpenTicketAI Integration für OTOBO\n",[465,2698,2699,2703,2706,2709,2712],{"class":467,"line":357},[465,2700,2702],{"class":2701},"sScJk","curl",[465,2704,2705],{"class":477}," -X",[465,2707,2708],{"class":484}," POST",[465,2710,2711],{"class":484}," https://api.openticketai.com/v1/integrate",[465,2713,2714],{"class":477}," \\\n",[465,2716,2717,2720,2723],{"class":467,"line":491},[465,2718,2719],{"class":477},"  -H",[465,2721,2722],{"class":484}," \"Authorization: Bearer YOUR_API_KEY\"",[465,2724,2714],{"class":477},[465,2726,2727,2730],{"class":467,"line":504},[465,2728,2729],{"class":477},"  -d",[465,2731,2732],{"class":484}," '{\n",[465,2734,2735],{"class":467,"line":517},[465,2736,2737],{"class":484},"    \"system\": \"otobo\",\n",[465,2739,2740],{"class":467,"line":530},[465,2741,2742],{"class":484},"    \"endpoint\": \"https://your-otobo.domain\",\n",[465,2744,2745],{"class":467,"line":539},[465,2746,2747],{"class":484},"    \"features\": [\"classification\", \"routing\", \"suggestions\"]\n",[465,2749,2750],{"class":467,"line":552},[465,2751,2752],{"class":484},"  }'\n",[141,2754,2755],{},[145,2756,2757],{},"Preismodell:",[407,2759,2760,2763,2766],{},[207,2761,2762],{},"Open-Source-Basisversion: Kostenlos",[207,2764,2765],{},"Enterprise mit erweiterten Funktionen: Ab 99 €/Monat",[207,2767,2768],{},"Self-hosted Lizenz: Einmalig 2.999 €",[141,2770,2771,2774,2775,2779],{},[145,2772,2773],{},"Mehr erfahren:"," Besuchen Sie ",[152,2776,2778],{"href":82,"rel":2777},[156],"OpenTicketAI für eine Live-Demo und detaillierte Dokumentation"," oder erkunden Sie die umfassende Wissensdatenbank.",[399,2781,2783],{"id":2782},"weitere-open-source-optionen","Weitere Open-Source-Optionen",[407,2785,2786,2792,2798],{},[207,2787,2788,2791],{},[145,2789,2790],{},"osTicket:"," Einfaches System, begrenzte native KI-Funktionen, aber per API erweiterbar",[207,2793,2794,2797],{},[145,2795,2796],{},"Request Tracker (RT):"," Mächtig, aber ältere Architektur erschwert moderne KI-Integration",[207,2799,2800,2803],{},[145,2801,2802],{},"FreeScout:"," Leichtgewichtige Alternative, aktuell begrenzte KI-Funktionalität",[172,2805,2807],{"id":2806},"ki-integration-in-otobo-schritt-für-schritt","KI-Integration in OTOBO: Schritt für Schritt",[141,2809,2810,2812],{},[145,2811,2276],{}," bietet ein ausgereiftes Ökosystem für intelligente Ticket-Automatisierung:",[204,2814,2815,2821,2827,2833,2839,2845],{},[207,2816,2817,2820],{},[145,2818,2819],{},"Modulares Plugin-System:"," OTOBO unterstützt KI-Erweiterungen via REST API, Python-Microservices und Docker-Containern.",[207,2822,2823,2826],{},[145,2824,2825],{},"Automatische Klassifizierung:"," Ein KI-Plugin bewertet eingehende Tickets in Echtzeit und weist sie automatisch den passenden Queues, Typen und Prioritäten zu – basierend auf NLP-Analyse und historischen Daten.",[207,2828,2829,2832],{},[145,2830,2831],{},"Dynamisches Routing:"," Basierend auf Klassifizierung, Zeitfaktoren, Kundenhistorie und Agenten-Expertise werden Tickets gezielt an die optimalen Teams oder Agenten geleitet.",[207,2834,2835,2838],{},[145,2836,2837],{},"Intelligenter Chatbot:"," Ein KI-gestützter Web-Chatbot beantwortet Standardfragen direkt oder erstellt bei Bedarf automatisch ein strukturiertes Ticket.",[207,2840,2841,2844],{},[145,2842,2843],{},"Antwortvorschläge & Zusammenfassung:"," Agenten erhalten KI-generierte, vorformulierte Antworten und kompakte Ticket-Zusammenfassungen, um 50-70 % schneller zu reagieren.",[207,2846,2847,2849],{},[145,2848,2626],{}," Feedback-Schleifen ermöglichen das automatische Nachtrainieren von KI-Modellen für eine stetig verbesserte Genauigkeit.",[172,2851,2853],{"id":2852},"praxisbeispiel-ai-ticket-classification-atc-für-otobo","Praxisbeispiel: AI Ticket Classification (ATC) für OTOBO",[141,2855,2856,2857,2860,2861,2865,2866,2868],{},"Das ",[145,2858,2859],{},"ATC-Projekt"," (",[152,2862,2863],{"href":2863,"rel":2864},"https://ticket-classification.softoft.de/",[156],") von Softoft demonstriert eine produktionsreife Implementierung von ",[145,2867,2265],{}," für OTOBO:",[399,2870,2872],{"id":2871},"architektur-workflow","Architektur & Workflow",[204,2874,2875,2881,2887,2893,2899,2905],{},[207,2876,2877,2880],{},[145,2878,2879],{},"Datensammlung:"," Bestehende Tickets mit Texten und Labels werden über die OTOBO API exportiert und für das ML-Training aufbereitet.",[207,2882,2883,2886],{},[145,2884,2885],{},"Feature Engineering:"," Extraktion relevanter Merkmale: Betreff, Beschreibung, Metadaten, Kundenhistorie, Zeitstempel.",[207,2888,2889,2892],{},[145,2890,2891],{},"Modelltraining:"," Ein State-of-the-Art Transformer-basiertes Modell (DistilBERT oder RoBERTa) lernt aus tausenden historischen Tickets typische Muster für Queues, Typen und Prioritäten.",[207,2894,2895,2898],{},[145,2896,2897],{},"Echtzeit-Vorhersage:"," Neue eingehende Tickets werden innerhalb von Millisekunden klassifiziert und automatisch sortiert.",[207,2900,2901,2904],{},[145,2902,2903],{},"Konfidenzbasiertes Routing:"," Tickets mit hoher Vorhersage-Konfidenz (>85 %) werden automatisch zugewiesen, unsichere Fälle zur manuellen Prüfung markiert.",[207,2906,2907,2910],{},[145,2908,2909],{},"Kontinuierliches Nachtraining:"," Wöchentliches oder monatliches Nachtraining mit neuen Daten hält das Modell aktuell und passt es an sich ändernde Support-Themen an.",[399,2912,2914],{"id":2913},"technische-implementierung","Technische Implementierung",[457,2916,2920],{"className":2917,"code":2918,"language":2919,"meta":356,"style":356},"language-dotenv shiki shiki-themes github-light github-dark","# .env für OTOBO-Integration mit ATC\nMIN_PREDICTION_CONFIDENCE=0.85\nUNCLASSIFIED_QUEUE_NAME=unclassified\nOTOBO_API_ENDPOINT=https://your-otobo.domain/api/v1\nOTOBO_USER_NAME=atc-service\nOTOBO_USER_PASSWORD=YOUR_SECURE_PASSWORD_HERE\nMODEL_TYPE=distilbert\nBATCH_SIZE=32\nMAX_SEQ_LENGTH=512\n","dotenv",[412,2921,2922,2927,2932,2937,2942,2947,2952,2957,2962],{"__ignoreMap":356},[465,2923,2924],{"class":467,"line":468},[465,2925,2926],{},"# .env für OTOBO-Integration mit ATC\n",[465,2928,2929],{"class":467,"line":357},[465,2930,2931],{},"MIN_PREDICTION_CONFIDENCE=0.85\n",[465,2933,2934],{"class":467,"line":491},[465,2935,2936],{},"UNCLASSIFIED_QUEUE_NAME=unclassified\n",[465,2938,2939],{"class":467,"line":504},[465,2940,2941],{},"OTOBO_API_ENDPOINT=https://your-otobo.domain/api/v1\n",[465,2943,2944],{"class":467,"line":517},[465,2945,2946],{},"OTOBO_USER_NAME=atc-service\n",[465,2948,2949],{"class":467,"line":530},[465,2950,2951],{},"OTOBO_USER_PASSWORD=YOUR_SECURE_PASSWORD_HERE\n",[465,2953,2954],{"class":467,"line":539},[465,2955,2956],{},"MODEL_TYPE=distilbert\n",[465,2958,2959],{"class":467,"line":552},[465,2960,2961],{},"BATCH_SIZE=32\n",[465,2963,2964],{"class":467,"line":563},[465,2965,2966],{},"MAX_SEQ_LENGTH=512\n",[457,2968,2970],{"className":2686,"code":2969,"language":2688,"meta":356,"style":356},"# Docker Compose starten und initialisieren\ndocker-compose up -d\n\n# Daten sammeln (mind. 1000 Tickets für gute Ergebnisse)\notobo classification collect-data --min-samples 1000\n\n# Modell trainieren (GPU empfohlen für große Datensätze)\notobo classification train-model --epochs 10 --learning-rate 2e-5\n\n# Modell evaluieren\notobo classification evaluate --test-split 0.2\n\n# Produktions-Deployment\notobo classification deploy --mode production\n",[412,2971,2972,2977,2988,2993,2998,3015,3019,3024,3045,3049,3054,3069,3073,3078],{"__ignoreMap":356},[465,2973,2974],{"class":467,"line":468},[465,2975,2976],{"class":2695},"# Docker Compose starten und initialisieren\n",[465,2978,2979,2982,2985],{"class":467,"line":357},[465,2980,2981],{"class":2701},"docker-compose",[465,2983,2984],{"class":484}," up",[465,2986,2987],{"class":477}," -d\n",[465,2989,2990],{"class":467,"line":491},[465,2991,2992],{"emptyLinePlaceholder":369},"\n",[465,2994,2995],{"class":467,"line":504},[465,2996,2997],{"class":2695},"# Daten sammeln (mind. 1000 Tickets für gute Ergebnisse)\n",[465,2999,3000,3003,3006,3009,3012],{"class":467,"line":517},[465,3001,3002],{"class":2701},"otobo",[465,3004,3005],{"class":484}," classification",[465,3007,3008],{"class":484}," collect-data",[465,3010,3011],{"class":477}," --min-samples",[465,3013,3014],{"class":477}," 1000\n",[465,3016,3017],{"class":467,"line":530},[465,3018,2992],{"emptyLinePlaceholder":369},[465,3020,3021],{"class":467,"line":539},[465,3022,3023],{"class":2695},"# Modell trainieren (GPU empfohlen für große Datensätze)\n",[465,3025,3026,3028,3030,3033,3036,3039,3042],{"class":467,"line":552},[465,3027,3002],{"class":2701},[465,3029,3005],{"class":484},[465,3031,3032],{"class":484}," train-model",[465,3034,3035],{"class":477}," --epochs",[465,3037,3038],{"class":477}," 10",[465,3040,3041],{"class":477}," --learning-rate",[465,3043,3044],{"class":484}," 2e-5\n",[465,3046,3047],{"class":467,"line":563},[465,3048,2992],{"emptyLinePlaceholder":369},[465,3050,3051],{"class":467,"line":569},[465,3052,3053],{"class":2695},"# Modell evaluieren\n",[465,3055,3056,3058,3060,3063,3066],{"class":467,"line":577},[465,3057,3002],{"class":2701},[465,3059,3005],{"class":484},[465,3061,3062],{"class":484}," evaluate",[465,3064,3065],{"class":477}," --test-split",[465,3067,3068],{"class":477}," 0.2\n",[465,3070,3071],{"class":467,"line":590},[465,3072,2992],{"emptyLinePlaceholder":369},[465,3074,3075],{"class":467,"line":599},[465,3076,3077],{"class":2695},"# Produktions-Deployment\n",[465,3079,3080,3082,3084,3087,3090],{"class":467,"line":605},[465,3081,3002],{"class":2701},[465,3083,3005],{"class":484},[465,3085,3086],{"class":484}," deploy",[465,3088,3089],{"class":477}," --mode",[465,3091,3092],{"class":484}," production\n",[399,3094,3096],{"id":3095},"performance-metriken-aus-der-praxis","Performance-Metriken aus der Praxis",[407,3098,3099,3105,3111,3117],{},[207,3100,3101,3104],{},[145,3102,3103],{},"Klassifizierungsgenauigkeit:"," 92-96 % bei ausreichenden Trainingsdaten",[207,3106,3107,3110],{},[145,3108,3109],{},"Bearbeitungszeit:"," \u003C100ms pro Ticket",[207,3112,3113,3116],{},[145,3114,3115],{},"Automatisierungsrate:"," 75-85 % der Tickets benötigen keine manuelle Klassifizierung",[207,3118,3119,3122],{},[145,3120,3121],{},"ROI:"," Amortisation innerhalb von 3-6 Monaten für mittelgroße Support-Teams",[172,3124,3126],{"id":3125},"technische-grundlagen-wie-ticket-ki-funktioniert","Technische Grundlagen: Wie Ticket-KI funktioniert",[399,3128,3130],{"id":3129},"machine-learning-ansätze","Machine-Learning-Ansätze",[407,3132,3133,3142,3148,3154],{},[207,3134,3135,3138,3139,3141],{},[145,3136,3137],{},"Supervised Learning:"," Die Basis jeder ",[145,3140,2290],{}," – Trainingsdaten mit manuell zugewiesenen Labels (Queues, Typen, Prioritäten) werden genutzt, um robuste Klassifizierungsmodelle zu trainieren.",[207,3143,3144,3147],{},[145,3145,3146],{},"Transfer Learning:"," Vortrainierte Sprachmodelle (BERT, RoBERTa, GPT) werden auf Ticket-Daten feinjustiert – drastisch reduzierte Anforderungen an Trainingsdaten von tausenden auf hunderte Beispiele.",[207,3149,3150,3153],{},[145,3151,3152],{},"Active Learning:"," Das System identifiziert unsichere Vorhersagen und fragt gezielt nach menschlichem Feedback – kontinuierliche Verbesserung bei minimalem Aufwand.",[207,3155,3156,3159],{},[145,3157,3158],{},"Few-Shot Learning:"," Moderne KI-Modelle können neue Kategorien mit nur wenigen Beispielen lernen – ideal für spezialisierte Ticket-Typen.",[399,3161,3163],{"id":3162},"natural-language-processing-nlp-methoden","Natural Language Processing (NLP)-Methoden",[407,3165,3166,3172,3178,3184,3190],{},[207,3167,3168,3171],{},[145,3169,3170],{},"Tokenisierung & Preprocessing:"," Tickets werden in sprachliche Einheiten zerlegt, Stoppwörter entfernt, Stemming/Lemmatisierung angewendet.",[207,3173,3174,3177],{},[145,3175,3176],{},"Embeddings:"," Wörter und Sätze werden in hochdimensionale Vektorräume transformiert, wobei semantische Ähnlichkeiten erhalten bleiben.",[207,3179,3180,3183],{},[145,3181,3182],{},"Transformer-Architekturen:"," State-of-the-Art-Modelle wie BERT, DistilBERT oder RoBERTa verstehen Kontext und Beziehungen zwischen Wörtern bidirektional.",[207,3185,3186,3189],{},[145,3187,3188],{},"Attention-Mechanismen:"," Die KI lernt, sich auf relevante Teile des Ticket-Textes zu fokussieren (z. B. Fehlercodes, Produktnamen).",[207,3191,3192,3195],{},[145,3193,3194],{},"Named Entity Recognition (NER):"," Automatische Extraktion von Entitäten wie Produktnamen, Versionsnummern, Kundennummern.",[399,3197,3199],{"id":3198},"feature-engineering-metadaten","Feature Engineering & Metadaten",[407,3201,3202,3208,3228],{},[207,3203,3204,3207],{},[145,3205,3206],{},"Text-Features:"," TF-IDF, n-grams, syntaktische Muster",[207,3209,3210,3213,3214],{},[145,3211,3212],{},"Metadaten-Integration:"," Kombination von Text-Features mit strukturierten Daten:\n",[407,3215,3216,3219,3222,3225],{},[207,3217,3218],{},"Zeitstempel (Uhrzeit, Wochentag) – erkennt saisonale Muster",[207,3220,3221],{},"Kundenhistorie (VIP-Status, vorherige Tickets) – personalisierte Priorisierung",[207,3223,3224],{},"E-Mail-Header (CC, BCC, Anhänge) – zusätzlicher Kontext",[207,3226,3227],{},"Betreff-Analyse – oft höchste Vorhersagekraft",[207,3229,3230,3233],{},[145,3231,3232],{},"Multi-modales Lernen:"," Kombination von Text, Bildern (Screenshots) und strukturierten Daten",[399,3235,3237],{"id":3236},"konfidenz-schwellenwerte-qualitätssicherung","Konfidenz-Schwellenwerte & Qualitätssicherung",[407,3239,3240,3246,3252,3258],{},[207,3241,3242,3245],{},[145,3243,3244],{},"Dynamische Schwellenwerte:"," Tickets mit hoher Vorhersage-Konfidenz (z. B. >85 %) werden automatisch klassifiziert",[207,3247,3248,3251],{},[145,3249,3250],{},"Human-in-the-Loop:"," Unklare Fälle (\u003CSchwellenwert) landen in einer \"Unclassified\"-Queue zur manuellen Prüfung durch erfahrene Agenten",[207,3253,3254,3257],{},[145,3255,3256],{},"A/B-Testing:"," Kontinuierlicher Vergleich verschiedener Modelle und Schwellenwerte im Live-Betrieb",[207,3259,3260,3263],{},[145,3261,3262],{},"Explainable AI:"," SHAP-Werte und Attention-Visualisierungen zeigen, welche Textpassagen zu welcher Vorhersage führten",[399,3265,3267],{"id":3266},"technologie-stack-für-open-source-ticket-ki","Technologie-Stack für Open-Source-Ticket-KI",[141,3269,3270],{},[145,3271,3272],{},"Backend:",[407,3274,3275,3278,3281,3284],{},[207,3276,3277],{},"Python 3.9+ mit FastAPI oder Flask",[207,3279,3280],{},"PyTorch oder TensorFlow für Deep Learning",[207,3282,3283],{},"Hugging Face Transformers für vortrainierte Modelle",[207,3285,3286],{},"scikit-learn für klassisches ML und Evaluation",[141,3288,3289],{},[145,3290,3291],{},"Infrastruktur:",[407,3293,3294,3297,3300,3303],{},[207,3295,3296],{},"Docker & Docker Compose für Containerisierung",[207,3298,3299],{},"PostgreSQL oder MongoDB für Ticket-Daten",[207,3301,3302],{},"Redis für Caching und Message Queues",[207,3304,3305],{},"Nginx als Reverse Proxy",[141,3307,3308],{},[145,3309,3310],{},"Monitoring & MLOps:",[407,3312,3313,3316,3319],{},[207,3314,3315],{},"MLflow oder Weights & Biases für Experiment-Tracking",[207,3317,3318],{},"Prometheus & Grafana für Metriken",[207,3320,3321],{},"ELK-Stack für Log-Analyse",[172,3323,3325],{"id":3324},"vorteile-für-entscheider-und-admins","Vorteile für Entscheider und Admins",[407,3327,3328,3334,3340,3346],{},[207,3329,3330,3333],{},[145,3331,3332],{},"Effizienz & Kostensenkung:"," Bis zu 40 % geringere Support-Kosten durch Automatisierung und weniger manuelle Arbeit.",[207,3335,3336,3339],{},[145,3337,3338],{},"Höhere Servicequalität:"," Schnellere Antwortzeiten und konsistente Antworten steigern die Kundenzufriedenheit.",[207,3341,3342,3345],{},[145,3343,3344],{},"Skalierbarkeit:"," Automatisierte Prozesse wachsen mit dem Anfragevolumen – ohne proportional mehr Personal.",[207,3347,3348,3351],{},[145,3349,3350],{},"Flexibilität:"," Eigene Modelle, eigene Infrastruktur – kein Vendor-Lock-in.",[172,3353,3355],{"id":3354},"ausblick","Ausblick",[141,3357,3358],{},"KI in Ticketsystemen entwickelt sich rasant. Zukünftige Trends:",[407,3360,3361,3367,3373],{},[207,3362,3363,3366],{},[145,3364,3365],{},"Generative Antworten:"," Vollständig automatisierte, kontextreiche Antworten basierend auf LLMs.",[207,3368,3369,3372],{},[145,3370,3371],{},"Proaktive Support-Bots:"," Prädiktive Problemerkennung und automatische Ticketerstellung.",[207,3374,3375,3378],{},[145,3376,3377],{},"Fortschrittliche Analysen:"," Sentiment-Tracking, Trend-Erkennung und Empfehlungs-Engines für Self-Service.",[141,3380,3381],{},"Mit OTOBO und dem ATC-Projekt steht ein offenes, mächtiges Fundament bereit, um KI-Automatisierung im eigenen Unternehmen zu realisieren – DSGVO-konform und kosteneffizient.",[172,3383,3385],{"id":3384},"häufig-gestellte-fragen-faq-open-source-ticket-ki","Häufig gestellte Fragen (FAQ): Open-Source-Ticket-KI",[399,3387,3389],{"id":3388},"was-ist-open-source-ticket-ki","Was ist Open-Source-Ticket-KI?",[141,3391,3392,3394],{},[145,3393,2265],{}," bezeichnet Systeme der künstlichen Intelligenz zur Automatisierung von Ticketsystemen, deren Quellcode frei verfügbar ist. Im Gegensatz zu proprietären Lösungen können Sie Open-Source-Ticket-KI vollständig selbst hosten, anpassen und erweitern – ohne Lizenzgebühren und mit voller Datenkontrolle.",[399,3396,3398],{"id":3397},"welches-ticketsystem-unterstützt-ki-integration-am-besten","Welches Ticketsystem unterstützt KI-Integration am besten?",[141,3400,3401,3403,3404,3406,3407,3409],{},[145,3402,2276],{}," gilt als führend für ITSM-lastige Umgebungen mit exzellenter REST API und Plugin-Architektur. ",[145,3405,2279],{}," punktet bei modernen Teams durch intuitive UX und Multi-Channel-Support. ",[145,3408,2573],{}," bietet als spezialisierte Plattform die schnellste Integration für beide Systeme sowie weitere Open-Source-Ticketlösungen.",[399,3411,3413],{"id":3412},"wie-genau-ist-die-automatische-ticketklassifizierung","Wie genau ist die automatische Ticketklassifizierung?",[141,3415,3416,3417,3419,3420,3423],{},"Bei ausreichenden Trainingsdaten (>1.000 Tickets) erreichen moderne ",[145,3418,2290],{},"-Modelle eine Genauigkeit von ",[145,3421,3422],{},"92-97 %",". Die Genauigkeit hängt ab von:",[407,3425,3426,3429,3432,3435],{},[207,3427,3428],{},"Qualität und Quantität der Trainingsdaten",[207,3430,3431],{},"Konsistenz der manuellen Klassifizierung",[207,3433,3434],{},"Komplexität der Kategorienstruktur",[207,3436,3437],{},"Verwendetes ML-Modell (Transformer-basiert ist optimal)",[141,3439,3440],{},"Durch kontinuierliches Nachtraining und Human-in-the-Loop-Feedback verbessert sich die Genauigkeit stetig.",[399,3442,3444],{"id":3443},"brauche-ich-data-scientists-für-otobo-ai-oder-zammad-ai","Brauche ich Data Scientists für OTOBO AI oder Zammad AI?",[141,3446,3447,3450,3451,3454,3455,3457],{},[145,3448,3449],{},"Nein"," – nicht für Standardszenarien. Tools wie ",[145,3452,3453],{},"ATC"," (AI Ticket Classification) und ",[145,3456,376],{}," bieten fertige Lösungen mit Web-Interfaces, die IT-Admins bedienen können. Für hochspezialisierte Anpassungen oder eigene Modelle ist ML-Expertise hilfreich, aber nicht zwingend erforderlich.",[399,3459,3461],{"id":3460},"wie-viele-trainingsdaten-brauche-ich-für-ticket-ki","Wie viele Trainingsdaten brauche ich für Ticket-KI?",[141,3463,3464,3467,3468,3471,3472,3475],{},[145,3465,3466],{},"Minimum:"," 300-500 Tickets pro Kategorie für akzeptable Ergebnisse\n",[145,3469,3470],{},"Empfohlen:"," 1.000-2.000 Tickets pro Kategorie für hohe Genauigkeit\n",[145,3473,3474],{},"Optimal:"," 5.000+ Tickets pro Kategorie für Produktionsumgebungen",[141,3477,3478,3479,3482],{},"Dank ",[145,3480,3481],{},"Transfer Learning"," (vortrainierte Modelle wie BERT) werden deutlich weniger Daten benötigt als bei traditionellem Machine Learning.",[399,3484,3486],{"id":3485},"ist-open-source-ticket-ki-dsgvo-konform","Ist Open-Source-Ticket-KI DSGVO-konform?",[141,3488,3489,3492,3493,269,3495,3497,3498,3500],{},[145,3490,3491],{},"Ja"," – das ist ein wesentlicher Vorteil gegenüber Cloud-Lösungen. Mit ",[145,3494,2276],{},[145,3496,2279],{}," und selbst gehosteten KI-Modellen verbleiben alle Daten auf Ihrer Infrastruktur. Sie sind der Verantwortliche und können alle DSGVO-Anforderungen (Auskunft, Löschung, Übertragbarkeit) selbst umsetzen. ",[145,3499,376],{}," bietet ebenfalls eine Self-hosted-Option für maximale Compliance.",[399,3502,3504],{"id":3503},"kann-ich-otobo-ai-oder-zammad-ai-mit-chatgptopenai-integrieren","Kann ich OTOBO AI oder Zammad AI mit ChatGPT/OpenAI integrieren?",[141,3506,3507,3509],{},[145,3508,3491],{},", via API-Integration. Sie sollten jedoch Datenschutzaspekte berücksichtigen:",[407,3511,3512,3517,3524],{},[207,3513,2129,3514,3516],{},[145,3515,3470],{}," Selbst gehostete LLMs (Llama 2/3, Mistral, GPT4All) für DSGVO-Konformität",[207,3518,3519,3520,3523],{},"⚠️ ",[145,3521,3522],{},"Vorsicht:"," OpenAI API sendet Daten in die USA – Risiko bei sensiblen Kundendaten",[207,3525,2129,3526,3529],{},[145,3527,3528],{},"Alternative:"," Azure OpenAI mit EU-Hosting oder europäische Anbieter",[141,3531,3532,3534],{},[145,3533,376],{}," unterstützt beide Szenarien mit konfigurierbarem LLM-Backend.",[399,3536,3538],{"id":3537},"was-kostet-die-implementierung-von-ticket-ki","Was kostet die Implementierung von Ticket-KI?",[141,3540,3541,3544,3545,3547,3548,3551,3552,3555,3556,3559],{},[145,3542,3543],{},"Lizenzkosten:"," 0 € für Open-Source-Software (OTOBO, Zammad)\n",[145,3546,3291],{}," 50-200 €/Monat für Cloud-Server (je nach Ticketvolumen)\n",[145,3549,3550],{},"OpenTicketAI:"," Optional 99 €/Monat für Enterprise-Features oder 2.999 € einmalig für Self-hosted\n",[145,3553,3554],{},"Implementierung:"," 5-20 Personentage (1.000-4.000 € Self-Service oder 5.000-20.000 € mit Dienstleistern)\n",[145,3557,3558],{},"Training & Optimierung:"," 2-5 Tage initial, danach 1-2 Tage pro Quartal",[141,3561,3562,3564],{},[145,3563,3121],{}," Typischerweise 3-6 Monate Amortisation durch Effizienzgewinne.",[399,3566,3568],{"id":3567},"kann-ticket-ki-menschliche-agenten-ersetzen","Kann Ticket-KI menschliche Agenten ersetzen?",[141,3570,3571,3573,3574,3577],{},[145,3572,3449],{},", aber ",[145,3575,3576],{},"ergänzen",". KI übernimmt:",[407,3579,3580,3583,3586],{},[207,3581,3582],{},"✅ Routineaufgaben (Klassifizierung, Tagging, einfache Anfragen)",[207,3584,3585],{},"✅ Zeitersparnis durch Antwortvorschläge und Zusammenfassungen",[207,3587,3588],{},"✅ Intelligentes Routing an passende Experten",[141,3590,3591],{},[145,3592,3593],{},"Menschen bleiben essenziell für:",[407,3595,3596,3599,3602,3605],{},[207,3597,3598],{},"❗ Komplexe Problemlösungen",[207,3600,3601],{},"❗ Empathie und Kundenbeziehungen",[207,3603,3604],{},"❗ Kreative Lösungsansätze",[207,3606,3607],{},"❗ Eskalation und Spezialfälle",[141,3609,3610,3613],{},[145,3611,3612],{},"Best Practice:"," KI als Co-Pilot, nicht als Ersatz – hybrides Modell mit 70 % Automatisierung, 30 % menschlicher Expertise.",[399,3615,3617],{"id":3616},"wie-lange-dauert-das-training-eines-ticket-ki-modells","Wie lange dauert das Training eines Ticket-KI-Modells?",[141,3619,3620],{},[145,3621,3622],{},"Initiales Training:",[407,3624,3625,3628,3631],{},[207,3626,3627],{},"1.000 Tickets: 15-30 Minuten (mit GPU)",[207,3629,3630],{},"10.000 Tickets: 1-3 Stunden (mit GPU)",[207,3632,3633],{},"100.000+ Tickets: 4-12 Stunden (mit GPU)",[141,3635,3636,3639],{},[145,3637,3638],{},"Ohne GPU:"," 3-10x länger",[141,3641,3642,3645],{},[145,3643,3644],{},"Nachtraining:"," Meist schneller durch Transfer Learning und inkrementelles Training",[141,3647,3648,3650],{},[145,3649,376],{}," nutzt vortrainierte Modelle – oft \u003C15 Minuten Setup für Standardszenarien.",[399,3652,3654],{"id":3653},"welche-programmiersprache-wird-für-ticket-ki-verwendet","Welche Programmiersprache wird für Ticket-KI verwendet?",[141,3656,3657,3660],{},[145,3658,3659],{},"Python"," ist der De-facto-Standard:",[407,3662,3663,3666,3669,3672],{},[207,3664,3665],{},"🐍 PyTorch oder TensorFlow für Deep Learning",[207,3667,3668],{},"🤗 Hugging Face Transformers für NLP-Modelle",[207,3670,3671],{},"📊 scikit-learn für klassisches ML",[207,3673,3674],{},"⚡ FastAPI oder Flask für REST APIs",[141,3676,3677,166,3679,3681],{},[145,3678,2276],{},[145,3680,2279],{}," integrieren Python-Dienste via REST API, daher ist keine Perl/Ruby-Expertise nötig.",[399,3683,3685],{"id":3684},"unterstützt-ticket-ki-mehrsprachige-tickets","Unterstützt Ticket-KI mehrsprachige Tickets?",[141,3687,3688,3691,3692,3695,3696,3699],{},[145,3689,3690],{},"Ja!"," Moderne Transformer-Modelle wie ",[145,3693,3694],{},"multilingual BERT"," (mBERT) oder ",[145,3697,3698],{},"XLM-RoBERTa"," unterstützen 100+ Sprachen gleichzeitig:",[407,3701,3702,3705,3708],{},[207,3703,3704],{},"Automatische Spracherkennung",[207,3706,3707],{},"Cross-linguale Klassifizierung (Deutsch trainiert → Englisch klassifiziert)",[207,3709,3710],{},"Kein separates Modell pro Sprache nötig",[141,3712,3713,3715],{},[145,3714,376],{}," bietet native Mehrsprachigkeitsunterstützung für über 50 Sprachen.",[399,3717,3719],{"id":3718},"was-ist-der-unterschied-zwischen-otobo-ai-und-zammad-ai","Was ist der Unterschied zwischen OTOBO AI und Zammad AI?",[1340,3721,3722,3739],{},[1343,3723,3724],{},[1346,3725,3726,3731,3735],{},[1349,3727,3728],{},[145,3729,3730],{},"Aspekt",[1349,3732,3733],{},[145,3734,2276],{},[1349,3736,3737],{},[145,3738,2279],{},[1359,3740,3741,3754,3767,3779,3792,3805],{},[1346,3742,3743,3748,3751],{},[1364,3744,3745],{},[145,3746,3747],{},"Hauptfokus",[1364,3749,3750],{},"ITSM, CMDB, Enterprise-Features",[1364,3752,3753],{},"Moderne UX, Multi-Channel, Kollaboration",[1346,3755,3756,3761,3764],{},[1364,3757,3758],{},[145,3759,3760],{},"Architektur",[1364,3762,3763],{},"Perl-Backend, REST API für KI",[1364,3765,3766],{},"Ruby on Rails, API-First",[1346,3768,3769,3773,3776],{},[1364,3770,3771],{},[145,3772,2520],{},[1364,3774,3775],{},"Plugin-System, Docker-Container",[1364,3777,3778],{},"REST API, Webhooks",[1346,3780,3781,3786,3789],{},[1364,3782,3783],{},[145,3784,3785],{},"Ideal für",[1364,3787,3788],{},"Große Unternehmen, ITIL-Prozesse",[1364,3790,3791],{},"Startups bis Mittelstand, moderne Teams",[1346,3793,3794,3799,3802],{},[1364,3795,3796],{},[145,3797,3798],{},"Lernkurve",[1364,3800,3801],{},"Steiler (komplex, mächtig)",[1364,3803,3804],{},"Flacher (intuitives UI)",[1346,3806,3807,3812,3815],{},[1364,3808,3809],{},[145,3810,3811],{},"Community",[1364,3813,3814],{},"OTRS-Nachfolger, etabliert",[1364,3816,3817],{},"Wachsend, aktiv",[141,3819,3820,3823,3824,3826],{},[145,3821,3822],{},"Beide"," profitieren massiv von der KI-Integration via ",[145,3825,376],{}," oder individuellen Lösungen.",[399,3828,3830],{"id":3829},"kann-ich-ticket-ki-on-premises-betreiben","Kann ich Ticket-KI On-Premises betreiben?",[141,3832,3833,3836],{},[145,3834,3835],{},"Absolut!"," Das ist ein Kernvorteil von Open Source:",[407,3838,3839,3845,3851,3856],{},[207,3840,2129,3841,3844],{},[145,3842,3843],{},"OTOBO AI & Zammad AI:"," 100 % On-Premises auf eigenen Servern oder Private Cloud",[207,3846,2129,3847,3850],{},[145,3848,3849],{},"KI-Modelle:"," Vollständig lokal trainiert und bereitgestellt (keine Cloud-Abhängigkeit)",[207,3852,2129,3853,3855],{},[145,3854,3550],{}," Self-hosted Lizenz verfügbar für komplette Datenkontrolle",[207,3857,2129,3858,3861],{},[145,3859,3860],{},"Air-gapped Umgebungen:"," Betrieb ohne Internet möglich (nach initialem Setup)",[141,3863,3864],{},[145,3865,3866],{},"Hardware-Empfehlung:",[407,3868,3869,3872],{},[207,3870,3871],{},"Minimum: 8 GB RAM, 4 CPU-Kerne",[207,3873,3874],{},"Empfohlen: 16-32 GB RAM, 8 Kerne, NVIDIA GPU (für Training)",[399,3876,3878],{"id":3877},"wie-integriere-ich-openticketai-mit-otobo","Wie integriere ich OpenTicketAI mit OTOBO?",[457,3880,3882],{"className":2686,"code":3881,"language":2688,"meta":356,"style":356},"# 1. OpenTicketAI API-Key auf openticketai.com erstellen\n# 2. OTOBO-Integration aktivieren\ncurl -X POST https://api.openticketai.com/v1/integrate \\\n  -H \"Authorization: Bearer YOUR_API_KEY\" \\\n  -H \"Content-Type: application/json\" \\\n  -d '{\n    \"system\": \"otobo\",\n    \"endpoint\": \"https://your-otobo-instance.com\",\n    \"username\": \"openticketai-user\",\n    \"password\": \"CHANGE_THIS_PASSWORD\",\n    \"features\": [\n      \"classification\",\n      \"routing\",\n      \"suggestions\",\n      \"duplicate_detection\"\n    ],\n    \"webhook_url\": \"https://api.openticketai.com/v1/webhooks/otobo\"\n  }'\n\n# 3. OTOBO GenericInterface für Webhook konfigurieren\n# 4. Test-Ticket erstellen und automatische Klassifizierung verifizieren\n",[412,3883,3884,3889,3894,3906,3914,3923,3929,3933,3938,3943,3948,3953,3958,3963,3968,3973,3978,3983,3987,3991,3996],{"__ignoreMap":356},[465,3885,3886],{"class":467,"line":468},[465,3887,3888],{"class":2695},"# 1. OpenTicketAI API-Key auf openticketai.com erstellen\n",[465,3890,3891],{"class":467,"line":357},[465,3892,3893],{"class":2695},"# 2. OTOBO-Integration aktivieren\n",[465,3895,3896,3898,3900,3902,3904],{"class":467,"line":491},[465,3897,2702],{"class":2701},[465,3899,2705],{"class":477},[465,3901,2708],{"class":484},[465,3903,2711],{"class":484},[465,3905,2714],{"class":477},[465,3907,3908,3910,3912],{"class":467,"line":504},[465,3909,2719],{"class":477},[465,3911,2722],{"class":484},[465,3913,2714],{"class":477},[465,3915,3916,3918,3921],{"class":467,"line":517},[465,3917,2719],{"class":477},[465,3919,3920],{"class":484}," \"Content-Type: application/json\"",[465,3922,2714],{"class":477},[465,3924,3925,3927],{"class":467,"line":530},[465,3926,2729],{"class":477},[465,3928,2732],{"class":484},[465,3930,3931],{"class":467,"line":539},[465,3932,2737],{"class":484},[465,3934,3935],{"class":467,"line":552},[465,3936,3937],{"class":484},"    \"endpoint\": \"https://your-otobo-instance.com\",\n",[465,3939,3940],{"class":467,"line":563},[465,3941,3942],{"class":484},"    \"username\": \"openticketai-user\",\n",[465,3944,3945],{"class":467,"line":569},[465,3946,3947],{"class":484},"    \"password\": \"CHANGE_THIS_PASSWORD\",\n",[465,3949,3950],{"class":467,"line":577},[465,3951,3952],{"class":484},"    \"features\": [\n",[465,3954,3955],{"class":467,"line":590},[465,3956,3957],{"class":484},"      \"classification\",\n",[465,3959,3960],{"class":467,"line":599},[465,3961,3962],{"class":484},"      \"routing\",\n",[465,3964,3965],{"class":467,"line":605},[465,3966,3967],{"class":484},"      \"suggestions\",\n",[465,3969,3970],{"class":467,"line":618},[465,3971,3972],{"class":484},"      \"duplicate_detection\"\n",[465,3974,3975],{"class":467,"line":631},[465,3976,3977],{"class":484},"    ],\n",[465,3979,3980],{"class":467,"line":644},[465,3981,3982],{"class":484},"    \"webhook_url\": \"https://api.openticketai.com/v1/webhooks/otobo\"\n",[465,3984,3985],{"class":467,"line":657},[465,3986,2752],{"class":484},[465,3988,3989],{"class":467,"line":670},[465,3990,2992],{"emptyLinePlaceholder":369},[465,3992,3993],{"class":467,"line":683},[465,3994,3995],{"class":2695},"# 3. OTOBO GenericInterface für Webhook konfigurieren\n",[465,3997,3998],{"class":467,"line":694},[465,3999,4000],{"class":2695},"# 4. Test-Ticket erstellen und automatische Klassifizierung verifizieren\n",[141,4002,4003,4004],{},"Detaillierte Anleitung: ",[152,4005,4007],{"href":82,"rel":4006},[156],"OpenTicketAI OTOBO Integrations-Dokumentation",[172,4009,4011],{"id":4010},"best-practices-erfolgreiche-ticket-ki-implementierung","Best Practices: Erfolgreiche Ticket-KI-Implementierung",[399,4013,4015],{"id":4014},"_1-datenqualität-vor-quantität","1. Datenqualität vor Quantität",[407,4017,4018,4021,4024],{},[207,4019,4020],{},"✅ Historische Tickets bereinigen (Duplikate, Fehlklassifizierungen)",[207,4022,4023],{},"✅ Konsistente Taxonomie: klare Queues und Kategorien",[207,4025,4026],{},"✅ Regelmäßige Audits der Klassifizierungslogik",[399,4028,4030],{"id":4029},"_2-schrittweise-einführung","2. Schrittweise Einführung",[407,4032,4033,4039,4045,4051],{},[207,4034,4035,4038],{},[145,4036,4037],{},"Phase 1 (Monat 1-2):"," Datensammlung und Modelltraining",[207,4040,4041,4044],{},[145,4042,4043],{},"Phase 2 (Monat 3):"," Pilot mit 1-2 Queues, 100 % menschliche Prüfung",[207,4046,4047,4050],{},[145,4048,4049],{},"Phase 3 (Monat 4-6):"," Ausweitung auf alle Queues, konfidenzbasierte Automatisierung",[207,4052,4053,4056],{},[145,4054,4055],{},"Phase 4 (ab Monat 7):"," Kontinuierliche Optimierung und Nachtraining",[399,4058,4060],{"id":4059},"_3-change-management-training","3. Change Management & Training",[407,4062,4063,4066,4069,4072],{},[207,4064,4065],{},"🎓 Agenten auf KI-Funktionalität schulen (keine \"Black Box\")",[207,4067,4068],{},"📊 Transparente Metriken: Klassifizierungsgenauigkeit, Zeitersparnis",[207,4070,4071],{},"🔄 Feedback-Mechanismen für falsche Vorhersagen",[207,4073,4074],{},"🏆 Gamification: Agenten für gutes KI-Training belohnen",[399,4076,4078],{"id":4077},"_4-monitoring-kontinuierliche-verbesserung","4. Monitoring & kontinuierliche Verbesserung",[407,4080,4081,4084,4087,4090],{},[207,4082,4083],{},"📈 KPIs tracken: Precision, Recall, F1-Score pro Kategorie",[207,4085,4086],{},"🔍 Regelmäßige Fehleranalyse (welche Tickets werden falsch klassifiziert?)",[207,4088,4089],{},"🔄 Monatliches Nachtraining mit neuen Daten",[207,4091,4092],{},"🚨 Alerting bei Genauigkeitsabfall (Drift-Erkennung)",[399,4094,4096],{"id":4095},"_5-sicherheit-compliance","5. Sicherheit & Compliance",[407,4098,4099,4102,4105,4108],{},[207,4100,4101],{},"🔐 API-Keys rotieren und sicher speichern (z. B. HashiCorp Vault)",[207,4103,4104],{},"📝 Audit-Logs für alle KI-Entscheidungen",[207,4106,4107],{},"✅ DSGVO-konforme Datenverarbeitung dokumentieren",[207,4109,4110],{},"🛡️ Regelmäßige Sicherheitsaudits der KI-Infrastruktur",[172,4112,4114],{"id":4113},"zusammenfassung-ihre-ticket-ki-reise","Zusammenfassung: Ihre Ticket-KI-Reise",[141,4116,4117,4119,4120,269,4122,4124,4125,4130],{},[145,4118,2265],{}," mit ",[145,4121,2276],{},[145,4123,2279],{}," und spezialisierten Plattformen wie ",[145,4126,4127],{},[152,4128,2573],{"href":82,"rel":4129},[156]," revolutioniert das moderne Servicemanagement:",[141,4132,2129,4133,4135,4136,4139,4140,4143,4144,4147,4148,4151,4152,4155],{},[145,4134,2326],{}," durch automatische Klassifizierung\n✅ ",[145,4137,4138],{},"92-97 % Genauigkeit"," mit modernen Transformer-Modellen\n✅ ",[145,4141,4142],{},"100 % Datenkontrolle"," und DSGVO-Konformität\n✅ ",[145,4145,4146],{},"Schneller ROI"," in 3-6 Monaten\n✅ ",[145,4149,4150],{},"Skalierbar"," von 100 bis 100.000+ Tickets/Monat\n✅ ",[145,4153,4154],{},"Zukunftssicher"," durch aktive Open-Source-Communities",[141,4157,4158],{},[145,4159,4160],{},"Starten Sie heute:",[204,4162,4163,4166,4169,4179,4182],{},[207,4164,4165],{},"Anforderungen evaluieren (ITSM vs. UX-Fokus → OTOBO vs. Zammad)",[207,4167,4168],{},"1.000+ historische Tickets sammeln",[207,4170,4171,443,4176,4178],{},[145,4172,4173],{},[152,4174,2573],{"href":82,"rel":4175},[156],[145,4177,3453],{}," (ticket-classification.softoft.de) testen",[207,4180,4181],{},"Pilot mit einer Queue",[207,4183,4184],{},"Auf volle Automatisierung skalieren",[141,4186,4187,4188,4190],{},"Die Zukunft des Ticketing ist intelligent, Open Source und datenschutzkonform. ",[145,4189,2290],{}," ist kein Luxus mehr – es ist der neue Standard für effiziente, kundenorientierte Support-Teams.",[141,4192,4193],{},[145,4194,4195],{},"Zusätzliche Ressourcen:",[407,4197,4198,4205,4213,4222],{},[207,4199,4200,4201,4204],{},"🌐 ",[152,4202,2573],{"href":82,"rel":4203},[156]," – Spezialisierte KI-Plattform",[207,4206,4207,4208,4212],{},"🎫 ",[152,4209,4211],{"href":2863,"rel":4210},[156],"ticket-classification.softoft.de"," – ATC Open-Source-Projekt",[207,4214,4215,4216,4221],{},"📚 ",[152,4217,4220],{"href":4218,"rel":4219},"https://www.otobo.de",[156],"OTOBO Community"," – Offizielle OTOBO-Dokumentation",[207,4223,1434,4224,4229],{},[152,4225,4228],{"href":4226,"rel":4227},"https://community.zammad.org",[156],"Zammad Community"," – Forum und Diskussionen",[1188,4231,4232],{},"html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}html.dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}html pre.shiki code .sJ8bj, html code.shiki .sJ8bj{--shiki-default:#6A737D;--shiki-dark:#6A737D}html pre.shiki code .sScJk, html code.shiki .sScJk{--shiki-default:#6F42C1;--shiki-dark:#B392F0}html pre.shiki code .sj4cs, html code.shiki .sj4cs{--shiki-default:#005CC5;--shiki-dark:#79B8FF}html pre.shiki code .sZZnC, html code.shiki .sZZnC{--shiki-default:#032F62;--shiki-dark:#9ECBFF}",{"title":356,"searchDepth":357,"depth":357,"links":4234},[4235,4236,4237,4238,4244,4245,4250,4257,4258,4259,4276,4283],{"id":2258,"depth":357,"text":2259},{"id":2283,"depth":357,"text":2284},{"id":2394,"depth":357,"text":2395},{"id":2447,"depth":357,"text":2448,"children":4239},[4240,4241,4242,4243],{"id":2451,"depth":491,"text":2452},{"id":2511,"depth":491,"text":2512},{"id":2564,"depth":491,"text":2565},{"id":2782,"depth":491,"text":2783},{"id":2806,"depth":357,"text":2807},{"id":2852,"depth":357,"text":2853,"children":4246},[4247,4248,4249],{"id":2871,"depth":491,"text":2872},{"id":2913,"depth":491,"text":2914},{"id":3095,"depth":491,"text":3096},{"id":3125,"depth":357,"text":3126,"children":4251},[4252,4253,4254,4255,4256],{"id":3129,"depth":491,"text":3130},{"id":3162,"depth":491,"text":3163},{"id":3198,"depth":491,"text":3199},{"id":3236,"depth":491,"text":3237},{"id":3266,"depth":491,"text":3267},{"id":3324,"depth":357,"text":3325},{"id":3354,"depth":357,"text":3355},{"id":3384,"depth":357,"text":3385,"children":4260},[4261,4262,4263,4264,4265,4266,4267,4268,4269,4270,4271,4272,4273,4274,4275],{"id":3388,"depth":491,"text":3389},{"id":3397,"depth":491,"text":3398},{"id":3412,"depth":491,"text":3413},{"id":3443,"depth":491,"text":3444},{"id":3460,"depth":491,"text":3461},{"id":3485,"depth":491,"text":3486},{"id":3503,"depth":491,"text":3504},{"id":3537,"depth":491,"text":3538},{"id":3567,"depth":491,"text":3568},{"id":3616,"depth":491,"text":3617},{"id":3653,"depth":491,"text":3654},{"id":3684,"depth":491,"text":3685},{"id":3718,"depth":491,"text":3719},{"id":3829,"depth":491,"text":3830},{"id":3877,"depth":491,"text":3878},{"id":4010,"depth":357,"text":4011,"children":4277},[4278,4279,4280,4281,4282],{"id":4014,"depth":491,"text":4015},{"id":4029,"depth":491,"text":4030},{"id":4059,"depth":491,"text":4060},{"id":4077,"depth":491,"text":4078},{"id":4095,"depth":491,"text":4096},{"id":4113,"depth":357,"text":4114},"Entdecken Sie, wie Open-Source-Ticket-KI moderne Ticketsysteme revolutioniert. Erfahren Sie mehr über OTOBO AI, Zammad AI, OpenTicketAI.com und automatisierte Ticketklassifizierung mit künstlicher Intelligenz für mehr Support-Effizienz.","images/images/blog/open-source-ticketsystems-ai-desktop",{},"images/images/blog/open-source-ticketsystems-ai-mobile",1200,"/de/blog/open-source-ticket-systems-ai",{"title":2246,"description":4284},"de/blog/open-source-ticket-systems-ai",[1213,1214,4293,4294,3002,4295],"ai","ticket-system","zammad","sMNLpomz2CwAn-UUKDs_GSvo3BRhOstgRcdVEovoZuI",{"id":4298,"title":4299,"author":384,"blogId":4300,"body":4301,"description":5983,"extension":365,"externalUrl":366,"layout":366,"mainImage":2235,"meta":5984,"mobileImage":2237,"navigation":369,"order":4288,"path":5985,"seo":5986,"stem":5987,"tags":5988,"__hash__":5989},"blog_de/de/blog/train-ai-text-classification.md","KI-Textklassifizierung für Support-Tickets: BERT-Modelle für automatisiertes Ticket-Routing trainieren","train-ai-text-classification",{"type":138,"value":4302,"toc":5949},[4303,4320,4323,4327,4333,4365,4376,4380,4386,4418,4422,4434,4437,4477,4480,4491,4495,4498,4502,4584,4597,4601,4671,4688,4775,4779,4839,4842,4899,4903,4962,4965,5030,5034,5068,5072,5114,5118,5160,5164,5167,5171,5174,5232,5235,5238,5249,5252,5261,5265,5268,5340,5343,5347,5357,5361,5364,5368,5388,5392,5399,5483,5487,5503,5532,5536,5539,5578,5581,5584,5588,5591,5639,5643,5646,5651,5654,5701,5705,5708,5728,5731,5735,5738,5776,5780,5786,5818,5827,5831,5834,5854,5862,5866,5878,5885,5911,5921,5925,5946],[141,4304,4305,4306,4309,4310,269,4313,166,4316,4319],{},"Dieser umfassende Leitfaden zeigt, wie Sie eine ",[145,4307,4308],{},"Künstliche Intelligenz (KI) zur automatisierten Ticket-Klassifizierung"," in Helpdesk- und Support-Systemen wie OTOBO trainieren. Erfahren Sie, wie Sie ",[145,4311,4312],{},"intelligentes Ticket-Routing",[145,4314,4315],{},"automatisierte Prioritätszuweisung",[145,4317,4318],{},"intelligente Queue-Verteilung"," mithilfe modernster Machine-Learning-Techniken mit BERT (Bidirectional Encoder Representations from Transformers) implementieren.",[141,4321,4322],{},"Egal, ob Sie Ihren IT-Service-Desk optimieren, Customer-Support-Workflows automatisieren oder ein KI-gestütztes Ticket-Management implementieren möchten – dieses Tutorial deckt den gesamten Prozess von der Datenvorbereitung über das Modelltraining bis hin zur Evaluierung ab.",[172,4324,4326],{"id":4325},"warum-ki-gestützte-ticket-klassifizierung-wichtig-ist","Warum KI-gestützte Ticket-Klassifizierung wichtig ist",[141,4328,4329,4330,4332],{},"Moderne Support-Teams bearbeiten täglich Hunderte oder Tausende von Tickets. Die manuelle Klassifizierung ist zeitaufwendig, fehleranfällig und inkonsistent. ",[145,4331,2577],{}," bietet:",[407,4334,4335,4341,4347,4353,4359],{},[207,4336,4337,4340],{},[145,4338,4339],{},"Reduzierte Antwortzeiten"," durch sofortiges, präzises Routing",[207,4342,4343,4346],{},[145,4344,4345],{},"Verbesserte First-Contact-Resolution"," durch Zuweisung der Tickets an die richtigen Experten",[207,4348,4349,4352],{},[145,4350,4351],{},"Konsistente Klassifizierung"," über alle eingehenden Anfragen hinweg",[207,4354,4355,4358],{},[145,4356,4357],{},"Automatisierte 24/7-Ticket-Verarbeitung"," ohne menschliches Eingreifen",[207,4360,4361,4364],{},[145,4362,4363],{},"Kosteneinsparungen"," durch Workflow-Optimierung und Automatisierung",[141,4366,4367,4368,4371,4372,4375],{},"Für Unternehmen, die professionelle ",[145,4369,4370],{},"Ticket-Automatisierungs-Services"," suchen, bieten wir umfassende Lösungen zur Implementierung von KI-Klassifizierungssystemen. ",[152,4373,4374],{"href":1178},"Kontaktieren Sie uns",", um zu erfahren, wie wir Ihre Support-Workflows mit maßgeschneiderten KI-Modellen und Integrations-Services optimieren können.",[172,4377,4379],{"id":4378},"wichtige-anwendungsfälle-für-ki-ticket-klassifizierung","Wichtige Anwendungsfälle für KI-Ticket-Klassifizierung",[141,4381,4382,4385],{},[145,4383,4384],{},"Automatisierte Ticket-Klassifizierung"," auf Basis von Machine Learning kann verschiedene Support-Szenarien transformieren:",[407,4387,4388,4394,4400,4406,4412],{},[207,4389,4390,4393],{},[145,4391,4392],{},"IT-Helpdesk",": Automatisches Routing von Hardware-, Software- und Netzwerkproblemen an spezialisierte Teams",[207,4395,4396,4399],{},[145,4397,4398],{},"Customer Support",": Klassifizierung von Produktanfragen, Beschwerden und technischen Fragen",[207,4401,4402,4405],{},[145,4403,4404],{},"E-Commerce",": Sortierung von Bestellproblemen, Zahlungsschwierigkeiten und Versandfragen",[207,4407,4408,4411],{},[145,4409,4410],{},"SaaS-Plattformen",": Angemessene Weiterleitung von Bug-Reports, Feature-Requests und Anwendungsfragen",[207,4413,4414,4417],{},[145,4415,4416],{},"Multi-Channel-Support",": Vereinheitlichung der Klassifizierung über E-Mail, Chat, Telefon und Social Media",[172,4419,4421],{"id":4420},"anforderungen","Anforderungen",[407,4423,4424,4427],{},[207,4425,4426],{},"Python 3.10+",[207,4428,4429,4430,4433],{},"Libraries: datasets, transformers",[465,4431,4432],{},"torch",", psutil, gputil, nvidia_smi, huggingface_hub, nlpaug, nltk, sentencepiece",[141,4435,4436],{},"Installieren Sie die erforderlichen Pakete mit:",[457,4438,4440],{"className":2686,"code":4439,"language":2688,"meta":356,"style":356},"pip install datasets transformers[torch] psutil gputil nvidia_smi huggingface_hub nlpaug nltk sentencepiece\n",[412,4441,4442],{"__ignoreMap":356},[465,4443,4444,4447,4450,4453,4456,4459,4462,4465,4468,4471,4474],{"class":467,"line":468},[465,4445,4446],{"class":2701},"pip",[465,4448,4449],{"class":484}," install",[465,4451,4452],{"class":484}," datasets",[465,4454,4455],{"class":484}," transformers[torch]",[465,4457,4458],{"class":484}," psutil",[465,4460,4461],{"class":484}," gputil",[465,4463,4464],{"class":484}," nvidia_smi",[465,4466,4467],{"class":484}," huggingface_hub",[465,4469,4470],{"class":484}," nlpaug",[465,4472,4473],{"class":484}," nltk",[465,4475,4476],{"class":484}," sentencepiece\n",[141,4478,4479],{},"oder in einem Jupyter Notebook:",[457,4481,4485],{"className":4482,"code":4483,"language":4484,"meta":356,"style":356},"language-jupyter shiki shiki-themes github-light github-dark","!pip install datasets transformers[torch] psutil gputil nvidia_smi huggingface_hub nlpaug nltk sentencepiece\n","jupyter",[412,4486,4487],{"__ignoreMap":356},[465,4488,4489],{"class":467,"line":468},[465,4490,4483],{},[172,4492,4494],{"id":4493},"schritt-1-datenvorbereitung","Schritt 1: Datenvorbereitung",[141,4496,4497],{},"Zuerst müssen die Ticket-Daten vorbereitet werden. Dies umfasst das Laden der Daten, die Bereinigung und die Vorverarbeitung des Textes. Für dieses Tutorial verwenden wir die folgenden Daten:",[399,4499,4501],{"id":4500},"beispieldaten","Beispieldaten",[1340,4503,4504,4518],{},[1343,4505,4506],{},[1346,4507,4508,4510,4512,4515],{},[1349,4509,420],{},[1349,4511,426],{},[1349,4513,4514],{},"priority",[1349,4516,4517],{},"queue",[1359,4519,4520,4534,4546,4560,4572],{},[1346,4521,4522,4525,4528,4531],{},[1364,4523,4524],{},"Login Issue",[1364,4526,4527],{},"Unable to login to the system",[1364,4529,4530],{},"High",[1364,4532,4533],{},"Software",[1346,4535,4536,4538,4541,4543],{},[1364,4537,1926],{},[1364,4539,4540],{},"Need to reset my password",[1364,4542,105],{},[1364,4544,4545],{},"Hardware",[1346,4547,4548,4551,4554,4557],{},[1364,4549,4550],{},"Email Problem",[1364,4552,4553],{},"Not receiving emails",[1364,4555,4556],{},"Low",[1364,4558,4559],{},"Accounting",[1346,4561,4562,4565,4568,4570],{},[1364,4563,4564],{},"Network Down",[1364,4566,4567],{},"Network is down in building 5",[1364,4569,4530],{},[1364,4571,4533],{},[1346,4573,4574,4577,4580,4582],{},[1364,4575,4576],{},"Printer Issue",[1364,4578,4579],{},"Printer not working",[1364,4581,105],{},[1364,4583,4545],{},[141,4585,4586,4587,166,4589,4591,4592,166,4594,4596],{},"Wir verwenden ",[412,4588,420],{},[412,4590,426],{}," als Features, während ",[412,4593,4514],{},[412,4595,4517],{}," die Labels sind, die wir vorhersagen möchten.",[399,4598,4600],{"id":4599},"features-und-labels","Features und Labels",[1340,4602,4603,4619],{},[1343,4604,4605],{},[1346,4606,4607,4610,4613,4616],{},[1349,4608,4609],{},"Feature 1",[1349,4611,4612],{},"Feature 2",[1349,4614,4615],{},"Label 1",[1349,4617,4618],{},"Label 2",[1359,4620,4621,4631,4641,4651,4661],{},[1346,4622,4623,4625,4627,4629],{},[1364,4624,4524],{},[1364,4626,4527],{},[1364,4628,4530],{},[1364,4630,4533],{},[1346,4632,4633,4635,4637,4639],{},[1364,4634,1926],{},[1364,4636,4540],{},[1364,4638,105],{},[1364,4640,4545],{},[1346,4642,4643,4645,4647,4649],{},[1364,4644,4550],{},[1364,4646,4553],{},[1364,4648,4556],{},[1364,4650,4559],{},[1346,4652,4653,4655,4657,4659],{},[1364,4654,4564],{},[1364,4656,4567],{},[1364,4658,4530],{},[1364,4660,4533],{},[1346,4662,4663,4665,4667,4669],{},[1364,4664,4576],{},[1364,4666,4579],{},[1364,4668,105],{},[1364,4670,4545],{},[141,4672,4673,4674,166,4676,4678,4679,4681,4682,4684,4685,4687],{},"Bei der Text-Sequenz-Klassifizierung mit BERT können wir nur ein Feature verwenden. Daher kombinieren wir ",[412,4675,420],{},[412,4677,426],{},". Da wir dem ",[412,4680,420],{}," mehr Gewicht verleihen möchten, verketten wir die Texte, indem wir das ",[412,4683,420],{}," zweimal und den ",[412,4686,426],{}," einmal einfügen.",[457,4689,4693],{"className":4690,"code":4691,"language":4692,"meta":356,"style":356},"language-python shiki shiki-themes github-light github-dark","import pandas as pd\n\n# Beispieldaten\ndata = {\n    'subject': [\"Login Issue\", \"Password Reset\", \"Email Problem\", \"Network Down\", \"Printer Issue\"],\n    'body': [\"Unable to login to the system\", \"Need to reset my password\", \"Not receiving emails\",\n             \"Network is down in building 5\", \"Printer not working\"],\n    'priority': [\"High\", \"Medium\", \"Low\", \"High\", \"Medium\"],\n    'queue': [\"Software\", \"Hardware\", \"Accounting\", \"Software\", \"Hardware\"]\n}\n\ndf = pd.DataFrame(data)\n\n# Kombiniertes Feature erstellen\ndf['combined_feature'] = df.apply(lambda row: f\"{row['subject']} {row['subject']} {row['body']}\", axis=1)\n\nprint(df[['combined_feature', 'priority', 'queue']])\n","python",[412,4694,4695,4700,4704,4709,4714,4719,4724,4729,4734,4739,4743,4747,4752,4756,4761,4766,4770],{"__ignoreMap":356},[465,4696,4697],{"class":467,"line":468},[465,4698,4699],{},"import pandas as pd\n",[465,4701,4702],{"class":467,"line":357},[465,4703,2992],{"emptyLinePlaceholder":369},[465,4705,4706],{"class":467,"line":491},[465,4707,4708],{},"# Beispieldaten\n",[465,4710,4711],{"class":467,"line":504},[465,4712,4713],{},"data = {\n",[465,4715,4716],{"class":467,"line":517},[465,4717,4718],{},"    'subject': [\"Login Issue\", \"Password Reset\", \"Email Problem\", \"Network Down\", \"Printer Issue\"],\n",[465,4720,4721],{"class":467,"line":530},[465,4722,4723],{},"    'body': [\"Unable to login to the system\", \"Need to reset my password\", \"Not receiving emails\",\n",[465,4725,4726],{"class":467,"line":539},[465,4727,4728],{},"             \"Network is down in building 5\", \"Printer not working\"],\n",[465,4730,4731],{"class":467,"line":552},[465,4732,4733],{},"    'priority': [\"High\", \"Medium\", \"Low\", \"High\", \"Medium\"],\n",[465,4735,4736],{"class":467,"line":563},[465,4737,4738],{},"    'queue': [\"Software\", \"Hardware\", \"Accounting\", \"Software\", \"Hardware\"]\n",[465,4740,4741],{"class":467,"line":569},[465,4742,808],{},[465,4744,4745],{"class":467,"line":577},[465,4746,2992],{"emptyLinePlaceholder":369},[465,4748,4749],{"class":467,"line":590},[465,4750,4751],{},"df = pd.DataFrame(data)\n",[465,4753,4754],{"class":467,"line":599},[465,4755,2992],{"emptyLinePlaceholder":369},[465,4757,4758],{"class":467,"line":605},[465,4759,4760],{},"# Kombiniertes Feature erstellen\n",[465,4762,4763],{"class":467,"line":618},[465,4764,4765],{},"df['combined_feature'] = df.apply(lambda row: f\"{row['subject']} {row['subject']} {row['body']}\", axis=1)\n",[465,4767,4768],{"class":467,"line":631},[465,4769,2992],{"emptyLinePlaceholder":369},[465,4771,4772],{"class":467,"line":644},[465,4773,4774],{},"print(df[['combined_feature', 'priority', 'queue']])\n",[399,4776,4778],{"id":4777},"transformierte-tabelle","Transformierte Tabelle",[1340,4780,4781,4792],{},[1343,4782,4783],{},[1346,4784,4785,4788,4790],{},[1349,4786,4787],{},"Combined Feature",[1349,4789,4615],{},[1349,4791,4618],{},[1359,4793,4794,4803,4812,4821,4830],{},[1346,4795,4796,4799,4801],{},[1364,4797,4798],{},"Login Issue Login Issue Unable to login to the system",[1364,4800,4530],{},[1364,4802,4533],{},[1346,4804,4805,4808,4810],{},[1364,4806,4807],{},"Password Reset Password Reset Need to reset my password",[1364,4809,105],{},[1364,4811,4545],{},[1346,4813,4814,4817,4819],{},[1364,4815,4816],{},"Email Problem Email Problem Not receiving emails",[1364,4818,4556],{},[1364,4820,4559],{},[1346,4822,4823,4826,4828],{},[1364,4824,4825],{},"Network Down Network Down Network is down in building 5",[1364,4827,4530],{},[1364,4829,4533],{},[1346,4831,4832,4835,4837],{},[1364,4833,4834],{},"Printer Issue Printer Issue Printer not working",[1364,4836,105],{},[1364,4838,4545],{},[141,4840,4841],{},"Um das Modell zu trainieren, müssen wir die Labels in Zahlen umwandeln. Hier ist der Code dafür:",[457,4843,4845],{"className":4690,"code":4844,"language":4692,"meta":356,"style":356},"from sklearn.preprocessing import LabelEncoder\n\n# Label Encoder initialisieren\nle_priority = LabelEncoder()\nle_queue = LabelEncoder()\n\n# Labels in Zahlen umwandeln\ndf['priority_encoded'] = le_priority.fit_transform(df['priority'])\ndf['queue_encoded'] = le_queue.fit_transform(df['queue'])\n\nprint(df[['combined_feature', 'priority_encoded', 'queue_encoded']])\n",[412,4846,4847,4852,4856,4861,4866,4871,4875,4880,4885,4890,4894],{"__ignoreMap":356},[465,4848,4849],{"class":467,"line":468},[465,4850,4851],{},"from sklearn.preprocessing import LabelEncoder\n",[465,4853,4854],{"class":467,"line":357},[465,4855,2992],{"emptyLinePlaceholder":369},[465,4857,4858],{"class":467,"line":491},[465,4859,4860],{},"# Label Encoder initialisieren\n",[465,4862,4863],{"class":467,"line":504},[465,4864,4865],{},"le_priority = LabelEncoder()\n",[465,4867,4868],{"class":467,"line":517},[465,4869,4870],{},"le_queue = LabelEncoder()\n",[465,4872,4873],{"class":467,"line":530},[465,4874,2992],{"emptyLinePlaceholder":369},[465,4876,4877],{"class":467,"line":539},[465,4878,4879],{},"# Labels in Zahlen umwandeln\n",[465,4881,4882],{"class":467,"line":552},[465,4883,4884],{},"df['priority_encoded'] = le_priority.fit_transform(df['priority'])\n",[465,4886,4887],{"class":467,"line":563},[465,4888,4889],{},"df['queue_encoded'] = le_queue.fit_transform(df['queue'])\n",[465,4891,4892],{"class":467,"line":569},[465,4893,2992],{"emptyLinePlaceholder":369},[465,4895,4896],{"class":467,"line":577},[465,4897,4898],{},"print(df[['combined_feature', 'priority_encoded', 'queue_encoded']])\n",[399,4900,4902],{"id":4901},"ergebnis","Ergebnis:",[1340,4904,4905,4917],{},[1343,4906,4907],{},[1346,4908,4909,4911,4914],{},[1349,4910,4787],{},[1349,4912,4913],{},"priority_encoded",[1349,4915,4916],{},"queue_encoded",[1359,4918,4919,4929,4938,4946,4954],{},[1346,4920,4921,4923,4926],{},[1364,4922,4798],{},[1364,4924,4925],{},"0",[1364,4927,4928],{},"2",[1346,4930,4931,4933,4935],{},[1364,4932,4807],{},[1364,4934,4928],{},[1364,4936,4937],{},"1",[1346,4939,4940,4942,4944],{},[1364,4941,4816],{},[1364,4943,4937],{},[1364,4945,4925],{},[1346,4947,4948,4950,4952],{},[1364,4949,4825],{},[1364,4951,4925],{},[1364,4953,4928],{},[1346,4955,4956,4958,4960],{},[1364,4957,4834],{},[1364,4959,4928],{},[1364,4961,4937],{},[141,4963,4964],{},"Da wir für unsere Klassifizierung nur ein Label haben können, haben wir nun zwei Optionen.",[204,4966,4967,5022],{},[207,4968,4969,4970,4973,4974,269,4977,269,4980,4983,4984,4987,4988,4991,4992,198,4995,4998,5001,5009,5011,5014],{},"Die beiden Labels zu einem kombinieren. Dies würde zu ",[412,4971,4972],{},"priority_queue"," führen: ",[412,4975,4976],{},"HIGHSoftware",[412,4978,4979],{},"HIGHHardware",[412,4981,4982],{},"HIGHAccounting"," usw. Dies würde zu ",[412,4985,4986],{},"PRODUCT[len(unique(label)) for label in labels]"," führen, in unserem Fall ",[412,4989,4990],{},"len(unique(priorities)) * len(unique(queues))",", also ",[412,4993,4994],{},"3 * 3 = 9",[4996,4997],"br",{},[145,4999,5000],{},"Vorteile:",[407,5002,5003,5006],{},[207,5004,5005],{},"Einfache Implementierung und Verwaltung.",[207,5007,5008],{},"Ein Modell für die gesamte Klassifizierung.",[4996,5010],{},[145,5012,5013],{},"Nachteile:",[407,5015,5016,5019],{},[207,5017,5018],{},"Erhöhte Komplexität und Größe des Klassifizierungsproblems.",[207,5020,5021],{},"Potenziell schlechtere Performance bei geringer Datenmenge pro Kombination.",[207,5023,5024,5025,166,5027,198],{},"Ein separates Modell für jedes Label trainieren. In diesem Tutorial verwenden wir Methode 2. Wir haben ein separates Modell für ",[412,5026,1369],{},[412,5028,5029],{},"Priority",[399,5031,5033],{"id":5032},"code-zum-aufteilen-der-tabelle-in-queue-und-priority-tabelle","Code zum Aufteilen der Tabelle in Queue- und Priority-Tabelle",[457,5035,5037],{"className":4690,"code":5036,"language":4692,"meta":356,"style":356},"# In Queue- und Priority-Tabellen aufteilen\nqueue_df = df[['combined_feature', 'queue_encoded']]\npriority_df = df[['combined_feature', 'priority_encoded']]\n\nprint(queue_df)\nprint(priority_df)\n",[412,5038,5039,5044,5049,5054,5058,5063],{"__ignoreMap":356},[465,5040,5041],{"class":467,"line":468},[465,5042,5043],{},"# In Queue- und Priority-Tabellen aufteilen\n",[465,5045,5046],{"class":467,"line":357},[465,5047,5048],{},"queue_df = df[['combined_feature', 'queue_encoded']]\n",[465,5050,5051],{"class":467,"line":491},[465,5052,5053],{},"priority_df = df[['combined_feature', 'priority_encoded']]\n",[465,5055,5056],{"class":467,"line":504},[465,5057,2992],{"emptyLinePlaceholder":369},[465,5059,5060],{"class":467,"line":517},[465,5061,5062],{},"print(queue_df)\n",[465,5064,5065],{"class":467,"line":530},[465,5066,5067],{},"print(priority_df)\n",[399,5069,5071],{"id":5070},"tabelle-für-das-queue-modell","Tabelle für das Queue-Modell",[1340,5073,5074,5082],{},[1343,5075,5076],{},[1346,5077,5078,5080],{},[1349,5079,4787],{},[1349,5081,4916],{},[1359,5083,5084,5090,5096,5102,5108],{},[1346,5085,5086,5088],{},[1364,5087,4798],{},[1364,5089,4928],{},[1346,5091,5092,5094],{},[1364,5093,4807],{},[1364,5095,4937],{},[1346,5097,5098,5100],{},[1364,5099,4816],{},[1364,5101,4925],{},[1346,5103,5104,5106],{},[1364,5105,4825],{},[1364,5107,4928],{},[1346,5109,5110,5112],{},[1364,5111,4834],{},[1364,5113,4937],{},[399,5115,5117],{"id":5116},"tabelle-für-das-priority-modell","Tabelle für das Priority-Modell",[1340,5119,5120,5128],{},[1343,5121,5122],{},[1346,5123,5124,5126],{},[1349,5125,4787],{},[1349,5127,4913],{},[1359,5129,5130,5136,5142,5148,5154],{},[1346,5131,5132,5134],{},[1364,5133,4798],{},[1364,5135,4925],{},[1346,5137,5138,5140],{},[1364,5139,4807],{},[1364,5141,4928],{},[1346,5143,5144,5146],{},[1364,5145,4816],{},[1364,5147,4937],{},[1346,5149,5150,5152],{},[1364,5151,4825],{},[1364,5153,4925],{},[1346,5155,5156,5158],{},[1364,5157,4834],{},[1364,5159,4928],{},[399,5161,5163],{"id":5162},"tokenizer-erklärung","Tokenizer-Erklärung",[141,5165,5166],{},"Ein Tokenizer wandelt Text in kleinere Einheiten um, die Tokens genannt werden. Diese Tokens können Wörter, Satzzeichen oder Satzbestandteile sein. Tokenizer sind wichtig, da Machine-Learning- und NLP-Modelle Text in einer Form benötigen, die sie verarbeiten können. Durch Tokenisierung können Modelle Text analysieren und lernen, Muster zu erkennen.",[399,5168,5170],{"id":5169},"token-encoding","Token-Encoding",[141,5172,5173],{},"Beim Token-Encoding werden Tokens in Zahlen umgewandelt, damit sie von Machine-Learning-Modellen verarbeitet werden können. Hier ist ein Beispiel, wie ein tokenisierter und kodierter Text für unsere Tabelle aussehen könnte:",[457,5175,5177],{"className":4690,"code":5176,"language":4692,"meta":356,"style":356},"from transformers import BertTokenizer\n\n# BERT Tokenizer initialisieren\ntokenizer = BertTokenizer.from_pretrained('bert-base-uncased')\n\n# Tokenisierung und Encoding eines Beispiels\nexample_text = df['combined_feature'][0]\ntokens = tokenizer.tokenize(example_text)\nencoded_tokens = tokenizer.convert_tokens_to_ids(tokens)\nprint(tokens)\nprint(encoded_tokens)\n",[412,5178,5179,5184,5188,5193,5198,5202,5207,5212,5217,5222,5227],{"__ignoreMap":356},[465,5180,5181],{"class":467,"line":468},[465,5182,5183],{},"from transformers import BertTokenizer\n",[465,5185,5186],{"class":467,"line":357},[465,5187,2992],{"emptyLinePlaceholder":369},[465,5189,5190],{"class":467,"line":491},[465,5191,5192],{},"# BERT Tokenizer initialisieren\n",[465,5194,5195],{"class":467,"line":504},[465,5196,5197],{},"tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')\n",[465,5199,5200],{"class":467,"line":517},[465,5201,2992],{"emptyLinePlaceholder":369},[465,5203,5204],{"class":467,"line":530},[465,5205,5206],{},"# Tokenisierung und Encoding eines Beispiels\n",[465,5208,5209],{"class":467,"line":539},[465,5210,5211],{},"example_text = df['combined_feature'][0]\n",[465,5213,5214],{"class":467,"line":552},[465,5215,5216],{},"tokens = tokenizer.tokenize(example_text)\n",[465,5218,5219],{"class":467,"line":563},[465,5220,5221],{},"encoded_tokens = tokenizer.convert_tokens_to_ids(tokens)\n",[465,5223,5224],{"class":467,"line":569},[465,5225,5226],{},"print(tokens)\n",[465,5228,5229],{"class":467,"line":577},[465,5230,5231],{},"print(encoded_tokens)\n",[141,5233,5234],{},"Beispiel-Output für \"Login Issue Login Issue Unable to login to the system\":",[141,5236,5237],{},"Tokens:",[457,5239,5243],{"className":5240,"code":5241,"language":5242,"meta":356,"style":356},"language-plaintext shiki shiki-themes github-light github-dark","['login', 'issue', 'login', 'issue', 'unable', 'to', 'login', 'to', 'the', 'system']\n","plaintext",[412,5244,5245],{"__ignoreMap":356},[465,5246,5247],{"class":467,"line":468},[465,5248,5241],{},[141,5250,5251],{},"Encoded Tokens:",[457,5253,5255],{"className":5240,"code":5254,"language":5242,"meta":356,"style":356},"[2653, 3277, 2653, 3277, 3928, 2000, 2653, 2000, 1996, 2291]\n",[412,5256,5257],{"__ignoreMap":356},[465,5258,5259],{"class":467,"line":468},[465,5260,5254],{},[399,5262,5264],{"id":5263},"aufteilen-der-tabellen-in-train-und-test-dataset","Aufteilen der Tabellen in Train- und Test-Dataset",[141,5266,5267],{},"Um unsere Modelle zu trainieren und zu testen, teilen wir die Daten in Trainings- und Test-Datensätze auf. Hier ist der Code dafür:",[457,5269,5271],{"className":4690,"code":5270,"language":4692,"meta":356,"style":356},"from sklearn.model_selection import train_test_split\n\n# Queue-Tabelle in Train- und Test-Datensätze aufteilen\nqueue_train, queue_test, y_queue_train, y_queue_test = train_test_split(queue_df['combined_feature'],\n                                                                        queue_df['queue_encoded'], test_size=0.2,\n                                                                        random_state=42)\n\n# Priority-Tabelle in Train- und Test-Datensätze aufteilen\npriority_train, priority_test, y_priority_train, y_priority_test = train_test_split(priority_df['combined_feature'],\n                                                                                    priority_df['priority_encoded'],\n                                                                                    test_size=0.2, random_state=42)\n\nprint(queue_train, queue_test, y_queue_train, y_queue_test)\nprint(priority_train, priority_test, y_priority_train, y_priority_test)\n",[412,5272,5273,5278,5282,5287,5292,5297,5302,5306,5311,5316,5321,5326,5330,5335],{"__ignoreMap":356},[465,5274,5275],{"class":467,"line":468},[465,5276,5277],{},"from sklearn.model_selection import train_test_split\n",[465,5279,5280],{"class":467,"line":357},[465,5281,2992],{"emptyLinePlaceholder":369},[465,5283,5284],{"class":467,"line":491},[465,5285,5286],{},"# Queue-Tabelle in Train- und Test-Datensätze aufteilen\n",[465,5288,5289],{"class":467,"line":504},[465,5290,5291],{},"queue_train, queue_test, y_queue_train, y_queue_test = train_test_split(queue_df['combined_feature'],\n",[465,5293,5294],{"class":467,"line":517},[465,5295,5296],{},"                                                                        queue_df['queue_encoded'], test_size=0.2,\n",[465,5298,5299],{"class":467,"line":530},[465,5300,5301],{},"                                                                        random_state=42)\n",[465,5303,5304],{"class":467,"line":539},[465,5305,2992],{"emptyLinePlaceholder":369},[465,5307,5308],{"class":467,"line":552},[465,5309,5310],{},"# Priority-Tabelle in Train- und Test-Datensätze aufteilen\n",[465,5312,5313],{"class":467,"line":563},[465,5314,5315],{},"priority_train, priority_test, y_priority_train, y_priority_test = train_test_split(priority_df['combined_feature'],\n",[465,5317,5318],{"class":467,"line":569},[465,5319,5320],{},"                                                                                    priority_df['priority_encoded'],\n",[465,5322,5323],{"class":467,"line":577},[465,5324,5325],{},"                                                                                    test_size=0.2, random_state=42)\n",[465,5327,5328],{"class":467,"line":590},[465,5329,2992],{"emptyLinePlaceholder":369},[465,5331,5332],{"class":467,"line":599},[465,5333,5334],{},"print(queue_train, queue_test, y_queue_train, y_queue_test)\n",[465,5336,5337],{"class":467,"line":605},[465,5338,5339],{},"print(priority_train, priority_test, y_priority_train, y_priority_test)\n",[141,5341,5342],{},"Durch das Aufteilen der Daten stellen wir sicher, dass wir genügend Daten zum Trainieren und Testen unserer Modelle haben, was uns ermöglicht, deren Performance zu bewerten.",[172,5344,5346],{"id":5345},"modelltraining","Modelltraining",[141,5348,5349,5350,5353,5354,5356],{},"In diesem Abschnitt beschreiben wir, wie das Modell mit unseren Trainingsdaten trainiert wird. Wir verwenden die ",[412,5351,5352],{},"transformers","-Library von Hugging Face und ",[412,5355,4432],{}," für das Training von BERT-Modellen.",[399,5358,5360],{"id":5359},"bert-modell","BERT-Modell",[141,5362,5363],{},"BERT (Bidirectional Encoder Representations from Transformers) ist ein vortrainiertes Sprachmodell, das in der Lage ist, den Kontext von Wörtern in einem Satz zu erfassen. Es wird häufig für Aufgaben wie Textklassifizierung, Question Answering und viele andere NLP-Aufgaben verwendet.",[399,5365,5367],{"id":5366},"parameter-für-das-training","Parameter für das Training",[407,5369,5370,5376,5382],{},[207,5371,5372,5375],{},[145,5373,5374],{},"batch_size",": Die Anzahl der Beispiele, die in einem Durchgang durch das Modell verarbeitet werden. Kleinere Batch-Größen benötigen weniger Speicher, führen aber zu häufigeren Aktualisierungen der Modellparameter.",[207,5377,5378,5381],{},[145,5379,5380],{},"epochs",": Die Anzahl der vollständigen Durchläufe durch den gesamten Trainingsdatensatz. Mehr Epochen können zu einem besseren Modell führen, bergen aber das Risiko von Overfitting.",[207,5383,5384,5387],{},[145,5385,5386],{},"learning_rate",": Die Schrittweite, mit der das Modell seine Parameter anpasst. Eine zu hohe Learning Rate kann zu instabilen Trainingsprozessen führen, während eine zu niedrige Learning Rate zu langsamem Lernen führen kann.",[399,5389,5391],{"id":5390},"initialisierung-des-modells","Initialisierung des Modells",[141,5393,5394,5395,5398],{},"Wir definieren eine Klasse ",[412,5396,5397],{},"TicketClassifier",", die das Modell und die Trainingsparameter initialisiert.",[457,5400,5402],{"className":4690,"code":5401,"language":4692,"meta":356,"style":356},"from transformers import BertForSequenceClassification, BertTokenizer, Trainer, TrainingArguments\n\n\nclass TicketClassifier:\n    def __init__(self, model_name: str):\n        self.tokenizer = BertTokenizer.from_pretrained(model_name)\n        self.model = BertForSequenceClassification.from_pretrained(model_name, num_labels=3)  # Für 3 Klassen (Low, Medium, High)\n\n    def train(self, train_data, train_labels):\n        training_args = TrainingArguments(output_dir='./results')\n\n        trainer = Trainer(model=self.model, args=training_args, train_dataset=train_data)\n        trainer.train()\n        return trainer\n\n\nclassifier = TicketClassifier(model_name='bert-base-uncased')\n",[412,5403,5404,5409,5413,5417,5422,5427,5432,5437,5441,5446,5451,5455,5460,5465,5470,5474,5478],{"__ignoreMap":356},[465,5405,5406],{"class":467,"line":468},[465,5407,5408],{},"from transformers import BertForSequenceClassification, BertTokenizer, Trainer, TrainingArguments\n",[465,5410,5411],{"class":467,"line":357},[465,5412,2992],{"emptyLinePlaceholder":369},[465,5414,5415],{"class":467,"line":491},[465,5416,2992],{"emptyLinePlaceholder":369},[465,5418,5419],{"class":467,"line":504},[465,5420,5421],{},"class TicketClassifier:\n",[465,5423,5424],{"class":467,"line":517},[465,5425,5426],{},"    def __init__(self, model_name: str):\n",[465,5428,5429],{"class":467,"line":530},[465,5430,5431],{},"        self.tokenizer = BertTokenizer.from_pretrained(model_name)\n",[465,5433,5434],{"class":467,"line":539},[465,5435,5436],{},"        self.model = BertForSequenceClassification.from_pretrained(model_name, num_labels=3)  # Für 3 Klassen (Low, Medium, High)\n",[465,5438,5439],{"class":467,"line":552},[465,5440,2992],{"emptyLinePlaceholder":369},[465,5442,5443],{"class":467,"line":563},[465,5444,5445],{},"    def train(self, train_data, train_labels):\n",[465,5447,5448],{"class":467,"line":569},[465,5449,5450],{},"        training_args = TrainingArguments(output_dir='./results')\n",[465,5452,5453],{"class":467,"line":577},[465,5454,2992],{"emptyLinePlaceholder":369},[465,5456,5457],{"class":467,"line":590},[465,5458,5459],{},"        trainer = Trainer(model=self.model, args=training_args, train_dataset=train_data)\n",[465,5461,5462],{"class":467,"line":599},[465,5463,5464],{},"        trainer.train()\n",[465,5466,5467],{"class":467,"line":605},[465,5468,5469],{},"        return trainer\n",[465,5471,5472],{"class":467,"line":618},[465,5473,2992],{"emptyLinePlaceholder":369},[465,5475,5476],{"class":467,"line":631},[465,5477,2992],{"emptyLinePlaceholder":369},[465,5479,5480],{"class":467,"line":644},[465,5481,5482],{},"classifier = TicketClassifier(model_name='bert-base-uncased')\n",[399,5484,5486],{"id":5485},"training-des-modells","Training des Modells",[141,5488,5489,5490,269,5493,269,5496,269,5499,5502],{},"Wir verwenden die vorbereiteten Datensätze ",[412,5491,5492],{},"queue_train",[412,5494,5495],{},"queue_test",[412,5497,5498],{},"priority_train",[412,5500,5501],{},"priority_test"," für Training und Evaluierung.",[457,5504,5506],{"className":4690,"code":5505,"language":4692,"meta":356,"style":356},"# Training des Queue-Modells\ntrainer_queue = classifier.train(queue_train, y_queue_train)\n\n# Training des Priority-Modells\ntrainer_priority = classifier.train(priority_train, y_priority_train)\n",[412,5507,5508,5513,5518,5522,5527],{"__ignoreMap":356},[465,5509,5510],{"class":467,"line":468},[465,5511,5512],{},"# Training des Queue-Modells\n",[465,5514,5515],{"class":467,"line":357},[465,5516,5517],{},"trainer_queue = classifier.train(queue_train, y_queue_train)\n",[465,5519,5520],{"class":467,"line":491},[465,5521,2992],{"emptyLinePlaceholder":369},[465,5523,5524],{"class":467,"line":504},[465,5525,5526],{},"# Training des Priority-Modells\n",[465,5528,5529],{"class":467,"line":517},[465,5530,5531],{},"trainer_priority = classifier.train(priority_train, y_priority_train)\n",[172,5533,5535],{"id":5534},"modell-evaluierung","Modell-Evaluierung",[141,5537,5538],{},"Nach dem Training evaluieren wir das Modell mit den Testdaten.",[457,5540,5542],{"className":4690,"code":5541,"language":4692,"meta":356,"style":356},"# Evaluierung des Queue-Modells\neval_queue_results = trainer_queue.evaluate(eval_dataset=queue_test)\nprint(eval_queue_results)\n\n# Evaluierung des Priority-Modells\neval_priority_results = trainer_priority.evaluate(eval_dataset=priority_test)\nprint(eval_priority_results)\n",[412,5543,5544,5549,5554,5559,5563,5568,5573],{"__ignoreMap":356},[465,5545,5546],{"class":467,"line":468},[465,5547,5548],{},"# Evaluierung des Queue-Modells\n",[465,5550,5551],{"class":467,"line":357},[465,5552,5553],{},"eval_queue_results = trainer_queue.evaluate(eval_dataset=queue_test)\n",[465,5555,5556],{"class":467,"line":491},[465,5557,5558],{},"print(eval_queue_results)\n",[465,5560,5561],{"class":467,"line":504},[465,5562,2992],{"emptyLinePlaceholder":369},[465,5564,5565],{"class":467,"line":517},[465,5566,5567],{},"# Evaluierung des Priority-Modells\n",[465,5569,5570],{"class":467,"line":530},[465,5571,5572],{},"eval_priority_results = trainer_priority.evaluate(eval_dataset=priority_test)\n",[465,5574,5575],{"class":467,"line":539},[465,5576,5577],{},"print(eval_priority_results)\n",[141,5579,5580],{},"Durch diese Schritte stellen wir sicher, dass unsere Modelle gut trainiert und evaluiert sind, um die Klassifizierungsaufgabe erfolgreich zu lösen.",[141,5582,5583],{},"Nach der Evaluierung der Modelle erhalten wir verschiedene Metriken, die die Performance des Modells beschreiben. Eine der wichtigsten Metriken ist die Accuracy (Genauigkeit), die angibt, wie viele der Vorhersagen korrekt sind.",[399,5585,5587],{"id":5586},"vorhersage-genauigkeit","Vorhersage-Genauigkeit",[141,5589,5590],{},"Die Accuracy wird berechnet, indem die Anzahl der korrekten Vorhersagen durch die Gesamtzahl der Vorhersagen geteilt wird. Hier ist ein Python-Code zur Berechnung der Accuracy:",[457,5592,5594],{"className":4690,"code":5593,"language":4692,"meta":356,"style":356},"from sklearn.metrics import accuracy_score\n\n# Beispiel-Vorhersagen und tatsächliche Labels\ny_true = [0, 2, 1, 0, 2]  # Tatsächliche Labels\ny_pred = [0, 2, 1, 0, 1]  # Vorhergesagte Labels\n\n# Berechnung der Accuracy\naccuracy = accuracy_score(y_true, y_pred)\nprint(f\"Accuracy: {accuracy * 100:.2f}%\")\n",[412,5595,5596,5601,5605,5610,5615,5620,5624,5629,5634],{"__ignoreMap":356},[465,5597,5598],{"class":467,"line":468},[465,5599,5600],{},"from sklearn.metrics import accuracy_score\n",[465,5602,5603],{"class":467,"line":357},[465,5604,2992],{"emptyLinePlaceholder":369},[465,5606,5607],{"class":467,"line":491},[465,5608,5609],{},"# Beispiel-Vorhersagen und tatsächliche Labels\n",[465,5611,5612],{"class":467,"line":504},[465,5613,5614],{},"y_true = [0, 2, 1, 0, 2]  # Tatsächliche Labels\n",[465,5616,5617],{"class":467,"line":517},[465,5618,5619],{},"y_pred = [0, 2, 1, 0, 1]  # Vorhergesagte Labels\n",[465,5621,5622],{"class":467,"line":530},[465,5623,2992],{"emptyLinePlaceholder":369},[465,5625,5626],{"class":467,"line":539},[465,5627,5628],{},"# Berechnung der Accuracy\n",[465,5630,5631],{"class":467,"line":552},[465,5632,5633],{},"accuracy = accuracy_score(y_true, y_pred)\n",[465,5635,5636],{"class":467,"line":563},[465,5637,5638],{},"print(f\"Accuracy: {accuracy * 100:.2f}%\")\n",[399,5640,5642],{"id":5641},"evaluierung-mit-kontinuierlichen-zahlen","Evaluierung mit kontinuierlichen Zahlen",[141,5644,5645],{},"Bei kontinuierlichen Zahlen wie Prioritätsstufen ist es wichtig, die Nähe der Vorhersagen zu berücksichtigen. Zum Beispiel ist die Vorhersage 2 näher an 1 als 3 an 1. Eine Möglichkeit, dies zu evaluieren, ist die Berechnung des Mean Absolute Error und des Mean Squared Error.",[5647,5648,5650],"h4",{"id":5649},"mean-absolute-error","Mean Absolute Error",[141,5652,5653],{},"Der Mean Absolute Error misst, wie weit Vorhersagen von den tatsächlichen Werten entfernt sind. Hier ist ein Python-Code zur Berechnung des Mean Absolute Error:",[457,5655,5657],{"className":4690,"code":5656,"language":4692,"meta":356,"style":356},"import numpy as np\n\n# Beispiel-Vorhersagen und tatsächliche Labels\ny_true = np.array([0, 2, 1, 0, 2])  # Tatsächliche Labels\ny_pred = np.array([0, 2, 1, 0, 1])  # Vorhergesagte Labels\n\n# Berechnung des Mean Absolute Error\nmean_absolute_error = np.mean(np.abs(y_true - y_pred))\nprint(f\"Mean Absolute Error: {mean_absolute_error}\")\n",[412,5658,5659,5664,5668,5672,5677,5682,5686,5691,5696],{"__ignoreMap":356},[465,5660,5661],{"class":467,"line":468},[465,5662,5663],{},"import numpy as np\n",[465,5665,5666],{"class":467,"line":357},[465,5667,2992],{"emptyLinePlaceholder":369},[465,5669,5670],{"class":467,"line":491},[465,5671,5609],{},[465,5673,5674],{"class":467,"line":504},[465,5675,5676],{},"y_true = np.array([0, 2, 1, 0, 2])  # Tatsächliche Labels\n",[465,5678,5679],{"class":467,"line":517},[465,5680,5681],{},"y_pred = np.array([0, 2, 1, 0, 1])  # Vorhergesagte Labels\n",[465,5683,5684],{"class":467,"line":530},[465,5685,2992],{"emptyLinePlaceholder":369},[465,5687,5688],{"class":467,"line":539},[465,5689,5690],{},"# Berechnung des Mean Absolute Error\n",[465,5692,5693],{"class":467,"line":552},[465,5694,5695],{},"mean_absolute_error = np.mean(np.abs(y_true - y_pred))\n",[465,5697,5698],{"class":467,"line":563},[465,5699,5700],{},"print(f\"Mean Absolute Error: {mean_absolute_error}\")\n",[5647,5702,5704],{"id":5703},"mean-squared-error","Mean Squared Error",[141,5706,5707],{},"Der Mean Squared Error misst die quadratische Abweichung der Vorhersagen von den tatsächlichen Werten, wodurch größere Fehler stärker gewichtet werden. Hier ist ein Python-Code zur Berechnung des Mean Squared Error:",[457,5709,5711],{"className":4690,"code":5710,"language":4692,"meta":356,"style":356},"# Berechnung des Mean Squared Error\nmean_squared_error = np.mean((y_true - y_pred) ** 2)\nprint(f\"Mean Squared Error: {mean_squared_error}\")\n",[412,5712,5713,5718,5723],{"__ignoreMap":356},[465,5714,5715],{"class":467,"line":468},[465,5716,5717],{},"# Berechnung des Mean Squared Error\n",[465,5719,5720],{"class":467,"line":357},[465,5721,5722],{},"mean_squared_error = np.mean((y_true - y_pred) ** 2)\n",[465,5724,5725],{"class":467,"line":491},[465,5726,5727],{},"print(f\"Mean Squared Error: {mean_squared_error}\")\n",[141,5729,5730],{},"Mit diesen Metriken können wir die Performance unserer Modelle besser verstehen und verbessern. Die Accuracy gibt uns einen Gesamtüberblick über die Performance, während Mean Absolute Error und Mean Squared Error für kontinuierliche Zahlen eine detailliertere Evaluierung ermöglichen.",[172,5732,5734],{"id":5733},"professionelle-ticket-automatisierungs-services","Professionelle Ticket-Automatisierungs-Services",[141,5736,5737],{},"Während dieses Tutorial die Grundlage für den Aufbau KI-gestützter Ticket-Klassifizierungssysteme bietet, erfordert die Implementierung produktionsreifer Lösungen zusätzliche Expertise in:",[407,5739,5740,5746,5752,5758,5764,5770],{},[207,5741,5742,5745],{},[145,5743,5744],{},"Modell-Optimierung und Fine-Tuning"," für Ihre spezifischen Ticket-Typen",[207,5747,5748,5751],{},[145,5749,5750],{},"Integration in bestehende Ticket-Systeme"," (OTOBO, Znuny, Zammad und andere)",[207,5753,5754,5757],{},[145,5755,5756],{},"Skalierbares Deployment"," und Infrastruktur-Setup",[207,5759,5760,5763],{},[145,5761,5762],{},"Kontinuierliche Modellverbesserung"," basierend auf Feedback und neuen Daten",[207,5765,5766,5769],{},[145,5767,5768],{},"Mehrsprachigkeits-Support"," für internationale Helpdesks",[207,5771,5772,5775],{},[145,5773,5774],{},"Benutzerdefinierte Klassifizierungskategorien",", die auf Ihre geschäftlichen Anforderungen zugeschnitten sind",[399,5777,5779],{"id":5778},"unsere-ticket-automatisierungs-services","Unsere Ticket-Automatisierungs-Services",[141,5781,5782,5783,2461],{},"Wir bieten umfassende ",[145,5784,5785],{},"Beratungs- und Implementierungs-Services für Ticket-Automatisierung",[407,5787,5788,5794,5800,5806,5812],{},[207,5789,5790,5793],{},[145,5791,5792],{},"KI-Modellentwicklung",": Maßgeschneiderte Modelle für Ihre spezifischen Ticket-Typen und Workflows",[207,5795,5796,5799],{},[145,5797,5798],{},"Systemintegration",": Nahtlose Integration in OTOBO, OTRS, Znuny und andere Ticketing-Plattformen",[207,5801,5802,5805],{},[145,5803,5804],{},"API-Entwicklung",": REST APIs für Echtzeit-Ticket-Klassifizierung und Routing",[207,5807,5808,5811],{},[145,5809,5810],{},"Training & Support",": Team-Schulungen und laufender technischer Support",[207,5813,5814,5817],{},[145,5815,5816],{},"Performance-Optimierung",": Kontinuierliche Modellverbesserung und Fine-Tuning",[141,5819,5820,5821,5826],{},"Erfahren Sie mehr über unsere automatisierten Ticket-Klassifizierungslösungen unter ",[145,5822,5823],{},[152,5824,2573],{"href":82,"rel":5825},[156]," – einer spezialisierten Plattform für KI-gestütztes Ticket-Management und intelligente Helpdesk-Automatisierung.",[399,5828,5830],{"id":5829},"sofort-einsatzbereite-lösungen","Sofort einsatzbereite Lösungen",[141,5832,5833],{},"Wenn Sie eine verwaltete Lösung dem Eigenbau vorziehen, schauen Sie sich an:",[407,5835,5836,5844],{},[207,5837,5838,5843],{},[145,5839,5840],{},[152,5841,2573],{"href":82,"rel":5842},[156],": Cloud-basierte KI-Ticket-Klassifizierung mit einfacher Integration",[207,5845,5846,5849,5850,5853],{},[145,5847,5848],{},"REST API für Ticket-Klassifizierung",": Lesen Sie unseren Leitfaden zur ",[152,5851,383],{"href":5852},"/blog/ticket-classification-api"," für API-basierte Lösungen",[141,5855,5856,5857,5861],{},"Für individuelle Anforderungen oder Enterprise-Implementierungen kontaktieren Sie uns unter ",[145,5858,5859],{},[152,5860,1179],{"href":1178},", um Ihre Anforderungen an die Ticket-Automatisierung zu besprechen.",[172,5863,5865],{"id":5864},"zusammenfassung","Zusammenfassung",[141,5867,5868,5869,4119,5872,166,5875,5877],{},"In diesem Artikel haben wir gezeigt, wie man ein KI-Modell für die ",[145,5870,5871],{},"automatisierte Ticket-Klassifizierung",[145,5873,5874],{},"BERT",[145,5876,3659],{}," trainiert. Durch die Nutzung von Machine-Learning-Libraries wie Transformers und Scikit-Learn können Sie intelligente Systeme erstellen, die Support-Tickets automatisch nach Priorität, Queue und Kategorie klassifizieren.",[141,5879,5880,5881,5884],{},"Dieser ",[145,5882,5883],{},"KI-gestützte Ansatz für das Ticket-Management"," verbessert signifikant:",[407,5886,5887,5893,5899,5905],{},[207,5888,5889,5892],{},[145,5890,5891],{},"Effizienz des Support-Teams"," durch automatisiertes Routing",[207,5894,5895,5898],{},[145,5896,5897],{},"Kundenzufriedenheit"," durch schnellere Antwortzeiten",[207,5900,5901,5904],{},[145,5902,5903],{},"Betriebskosten"," durch Reduzierung manueller Klassifizierungsarbeit",[207,5906,5907,5910],{},[145,5908,5909],{},"Konsistenz der Ticket-Bearbeitung"," im gesamten Unternehmen",[141,5912,5913,5914,166,5917,5920],{},"Die hier behandelten Techniken bilden das Fundament für den Aufbau anspruchsvoller ",[145,5915,5916],{},"Helpdesk-Automatisierungs-",[145,5918,5919],{},"intelligenter Ticket-Routing-Systeme",". Egal, ob Sie dies selbst implementieren oder professionelle Unterstützung suchen – die KI-gestützte Ticket-Klassifizierung transformiert moderne Customer-Support-Operationen.",[399,5922,5924],{"id":5923},"weiterführende-ressourcen","Weiterführende Ressourcen",[407,5926,5927,5932,5938],{},[207,5928,5929,5931],{},[152,5930,383],{"href":5852}," - Erfahren Sie mehr über REST-API-Lösungen",[207,5933,5934,5937],{},[152,5935,2573],{"href":82,"rel":5936},[156]," - Managed KI-Ticket-Klassifizierungs-Service",[207,5939,5940,5945],{},[152,5941,5944],{"href":5942,"rel":5943},"https://otobo-docs.softoft.de/",[156],"OTOBO Dokumentation"," - Open-Source-Ticketing-System-Integration",[1188,5947,5948],{},"html pre.shiki code .sScJk, html code.shiki .sScJk{--shiki-default:#6F42C1;--shiki-dark:#B392F0}html pre.shiki code .sZZnC, html code.shiki .sZZnC{--shiki-default:#032F62;--shiki-dark:#9ECBFF}html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}html.dark .shiki span {color: var(--shiki-dark);background: var(--shiki-dark-bg);font-style: var(--shiki-dark-font-style);font-weight: var(--shiki-dark-font-weight);text-decoration: var(--shiki-dark-text-decoration);}",{"title":356,"searchDepth":357,"depth":357,"links":5950},[5951,5952,5953,5954,5966,5972,5976,5980],{"id":4325,"depth":357,"text":4326},{"id":4378,"depth":357,"text":4379},{"id":4420,"depth":357,"text":4421},{"id":4493,"depth":357,"text":4494,"children":5955},[5956,5957,5958,5959,5960,5961,5962,5963,5964,5965],{"id":4500,"depth":491,"text":4501},{"id":4599,"depth":491,"text":4600},{"id":4777,"depth":491,"text":4778},{"id":4901,"depth":491,"text":4902},{"id":5032,"depth":491,"text":5033},{"id":5070,"depth":491,"text":5071},{"id":5116,"depth":491,"text":5117},{"id":5162,"depth":491,"text":5163},{"id":5169,"depth":491,"text":5170},{"id":5263,"depth":491,"text":5264},{"id":5345,"depth":357,"text":5346,"children":5967},[5968,5969,5970,5971],{"id":5359,"depth":491,"text":5360},{"id":5366,"depth":491,"text":5367},{"id":5390,"depth":491,"text":5391},{"id":5485,"depth":491,"text":5486},{"id":5534,"depth":357,"text":5535,"children":5973},[5974,5975],{"id":5586,"depth":491,"text":5587},{"id":5641,"depth":491,"text":5642},{"id":5733,"depth":357,"text":5734,"children":5977},[5978,5979],{"id":5778,"depth":491,"text":5779},{"id":5829,"depth":491,"text":5830},{"id":5864,"depth":357,"text":5865,"children":5981},[5982],{"id":5923,"depth":491,"text":5924},"Trainieren Sie KI-Modelle für die Ticket-Klassifizierung mit BERT und Machine Learning. Automatisieren Sie Ticket-Routing, Prioritätsvorhersage und Queue-Zuweisung mit Python.",{},"/de/blog/train-ai-text-classification",{"title":4299,"description":5983},"de/blog/train-ai-text-classification",[1213,1214],"V2J7MpJxIKOVUaSNxu1yJuoEIYyNzxPsLFtjrHY-S-4",{"id":5991,"title":5992,"author":384,"blogId":5993,"body":5994,"description":6619,"extension":365,"externalUrl":366,"layout":366,"mainImage":6620,"meta":6621,"mobileImage":6622,"navigation":369,"order":6623,"path":6624,"seo":6625,"stem":6626,"tags":6627,"__hash__":6628},"blog_de/de/blog/otobo-version-11.md","OTOBO Version 11: Neue Funktionen, Verbesserungen & Updates 2025","otobo-version-11",{"type":138,"value":5995,"toc":6591},[5996,5999,6002,6006,6038,6042,6045,6049,6081,6085,6099,6103,6117,6121,6132,6139,6143,6146,6184,6188,6202,6206,6209,6241,6247,6251,6271,6275,6289,6293,6307,6310,6314,6334,6338,6355,6359,6362,6366,6404,6408,6439,6443,6486,6490,6493,6516,6520,6534,6538,6541,6572,6574,6582,6585],[2252,5997,5992],{"id":5998},"otobo-version-11-neue-funktionen-verbesserungen-updates-2025",[141,6000,6001],{},"OTOBO Version 11 setzt neue Maßstäbe bei Open-Source-Ticketing-Systemen mit einer komplett neu gestalteten CMDB, erweiterter ITSM-Funktionalität, flexiblen dynamischen Formularen, modernen UI-Verbesserungen, umfassender Docker-Integration sowie entscheidenden Sicherheits- und Performance-Optimierungen.",[172,6003,6005],{"id":6004},"die-wichtigsten-funktionen-auf-einen-blick","Die wichtigsten Funktionen auf einen Blick",[407,6007,6008,6014,6020,6026,6032],{},[207,6009,6010,6013],{},[145,6011,6012],{},"ITSM, CSM & ESM",": Incident-, Problem- und Change-Management sowie Customer und Enterprise Service Management in einem leistungsstarken Tool",[207,6015,6016,6019],{},[145,6017,6018],{},"CMDB-Redesign",": Baumansicht, Formelfelder, Referenz- & Lens-Felder, granulare CI-Zugriffskontrolle",[207,6021,6022,6025],{},[145,6023,6024],{},"Dynamische Formulare",": Neue Feldtypen, mehrspaltige Layouts, Hide/Show-Logik, Prozess-Support",[207,6027,6028,6031],{},[145,6029,6030],{},"Docker & Skalierbarkeit",": Empfohlener containerbasierter Betrieb für einfache Wartung und hohe Verfügbarkeit",[207,6033,6034,6037],{},[145,6035,6036],{},"Sicherheit & Performance",": CVE-Fixes, optimiertes Passwort-Hashing, schnelle Formularverarbeitung",[172,6039,6041],{"id":6040},"dynamische-felder-ticket-formulare","Dynamische Felder & Ticket-Formulare",[141,6043,6044],{},"OTOBO 11 führt leistungsstarke neue Möglichkeiten zur Erstellung anspruchsvoller Ticket-Formulare ein:",[399,6046,6048],{"id":6047},"_1-neue-feldtypen","1. Neue Feldtypen",[407,6050,6051,6057,6063,6069],{},[207,6052,6053,6056],{},[145,6054,6055],{},"DynamicFieldSet",": Gruppierung mehrerer Felder (z. B. Adressinformationen)",[207,6058,6059,6062],{},[145,6060,6061],{},"MultiValue",": Wiederholbare Feldgruppen mit \"⊕\"/\"⊖\"-Steuerelementen",[207,6064,6065,6068],{},[145,6066,6067],{},"Script",": Automatisierung durch benutzerdefinierte Scripts",[207,6070,6071,269,6074,269,6077,6080],{},[145,6072,6073],{},"GeneralCatalog",[145,6075,6076],{},"Richtext",[145,6078,6079],{},"Attachment",": Verbessertes Content-Management",[399,6082,6084],{"id":6083},"_2-referenzen-lenses","2. Referenzen & Lenses",[407,6086,6087,6090,6096],{},[207,6088,6089],{},"Verknüpfung zu Agenten, Kunden, Tickets und Configuration Items",[207,6091,6092,6095],{},[145,6093,6094],{},"Lens-Felder",": Bearbeitung von CI-Attributen direkt innerhalb von Tickets",[207,6097,6098],{},"Automatische Beziehungsverwaltung",[399,6100,6102],{"id":6101},"_3-layout-logik","3. Layout & Logik",[407,6104,6105,6108,6111,6114],{},[207,6106,6107],{},"Mehrspaltiges Design für Ticket-Masken",[207,6109,6110],{},"Hide/Show- und Read-Only-Funktionen für Felder",[207,6112,6113],{},"Pflichtfelder mit erklärendem Hilfetext",[207,6115,6116],{},"Alle Formularfunktionen in Prozess-Tickets verfügbar",[399,6118,6120],{"id":6119},"_4-administration","4. Administration",[407,6122,6123,6126,6129],{},[207,6124,6125],{},"YAML-basierter Screen-Editor für einfachere Konfiguration",[207,6127,6128],{},"Filter und Namespaces für die Organisation dynamischer Felder",[207,6130,6131],{},"Import/Export-Funktionalität für Kataloglisten",[141,6133,6134],{},[6135,6136],"img",{"alt":6137,"src":6138},"OTOBO 11 Dynamic Field Set","https://softoft.sirv.com/Images/otobo/docs/otobo-11-features/dynamic-field-set-create-df.png",[172,6140,6142],{"id":6141},"cmdb-configuration-management-database","CMDB (Configuration Management Database)",[141,6144,6145],{},"Die komplett neu gestaltete CMDB konzentriert sich sowohl auf IT- als auch auf Nicht-IT-Assets:",[407,6147,6148,6154,6160,6166,6172,6178],{},[207,6149,6150,6153],{},[145,6151,6152],{},"Neu & Beta",": Vollständig überarbeitete CMDB mit erweiterten Funktionen",[207,6155,6156,6159],{},[145,6157,6158],{},"Baumansicht",": Visuelle Darstellung von Abhängigkeiten und Beziehungen",[207,6161,6162,6165],{},[145,6163,6164],{},"Formelfelder",": Dynamische Berechnungen und Datenvalidierung",[207,6167,6168,6171],{},[145,6169,6170],{},"Referenz- & Lens-Felder",": Bearbeitung von CI-Attributen direkt in Tickets",[207,6173,6174,6177],{},[145,6175,6176],{},"Berechtigungen",": Granulare Zugriffskontrolle für Agenten und Kunden",[207,6179,6180,6183],{},[145,6181,6182],{},"Datenmigration",": Nahtlose Migration bestehender CI-Daten aus Version 10",[172,6185,6187],{"id":6186},"itsm-add-ons-workflow-optimierung","ITSM Add-Ons & Workflow-Optimierung",[407,6189,6190,6193,6196,6199],{},[207,6191,6192],{},"Erweiterte Module für Incident-, Problem- und Change-Management",[207,6194,6195],{},"Prozess-Tickets mit direkten Approve/Reject-Buttons",[207,6197,6198],{},"Automatisierte Workflows mittels Script-Feldern und Web Services",[207,6200,6201],{},"Optimierte Genehmigungsprozesse",[172,6203,6205],{"id":6204},"user-interface-usability","User Interface & Usability",[141,6207,6208],{},"OTOBO 11 bringt signifikante UI-Verbesserungen:",[407,6210,6211,6217,6223,6229,6235],{},[207,6212,6213,6216],{},[145,6214,6215],{},"Quick-Time-Buttons",": Anpassung von Pending-Zeiten mit einem Klick",[207,6218,6219,6222],{},[145,6220,6221],{},"Gelesen/Ungelesen",": Markieren von Tickets und Artikeln als gelesen oder ungelesen",[207,6224,6225,6228],{},[145,6226,6227],{},"CKEditor 5",": Moderner WYSIWYG-Editor für Artikeltexte",[207,6230,6231,6234],{},[145,6232,6233],{},"Kundeninfo-Kachel",": Anzeige wichtiger Hinweise im Kundenportal",[207,6236,6237,6240],{},[145,6238,6239],{},"Artikel-Revisionen",": Bearbeitung von Artikeln nach der Erstellung mit vollständigem Audit-Logging",[141,6242,6243],{},[6135,6244],{"alt":6245,"src":6246},"OTOBO 11 Dynamic Field Script","https://softoft.sirv.com/Images/otobo/docs/otobo-11-features/script-create-df.png",[172,6248,6250],{"id":6249},"rollen-rechte-lightadmin","Rollen, Rechte & LightAdmin",[407,6252,6253,6259,6265],{},[207,6254,6255,6258],{},[145,6256,6257],{},"LightAdmin-Modus",": Delegierung spezifischer Admin-Bereiche (z. B. Signaturen) an Nicht-Admin-Benutzer",[207,6260,6261,6264],{},[145,6262,6263],{},"Zugriffskontrolle",": Fein abgestufte Kontrolle für CI-Ansichten und Feldberechtigungen",[207,6266,6267,6270],{},[145,6268,6269],{},"Erhöhte Sicherheit",": Verbessertes Berechtigungsmanagement im gesamten System",[172,6272,6274],{"id":6273},"mehrsprachigkeit-übersetzungsmanagement","Mehrsprachigkeit & Übersetzungsmanagement",[407,6276,6277,6280,6283,6286],{},[207,6278,6279],{},"UI-basierte Übersetzungen ohne Code-Änderungen",[207,6281,6282],{},"Excel-Import/Export zur direkten Bearbeitung",[207,6284,6285],{},"Filter für fehlende Übersetzungen",[207,6287,6288],{},"Verbesserte Weblate-Integration für Community-Übersetzungen",[172,6290,6292],{"id":6291},"rest-api-integrationen","REST API & Integrationen",[407,6294,6295,6298,6301,6304],{},[207,6296,6297],{},"Anpassbare HTTP-Header in Web Services",[207,6299,6300],{},"Neue CLI-Befehle zum manuellen Auslösen von Schnittstellen",[207,6302,6303],{},"Migration von Legacy-OTOPar-Feldern via Konsole",[207,6305,6306],{},"Optionale Kerberos-Authentifizierung (Beta)",[172,6308,6036],{"id":6309},"sicherheit-performance",[399,6311,6313],{"id":6312},"sicherheitsverbesserungen","Sicherheitsverbesserungen",[407,6315,6316,6322,6325,6328,6331],{},[207,6317,6318,6321],{},[145,6319,6320],{},"CVE-2025-43926",": Schwachstelle zur Privilegienerweiterung behoben",[207,6323,6324],{},"Verbessertes sicheres Hashing und 2FA-Generierung",[207,6326,6327],{},"Sicherheitsverbesserungen bei der LDAP-Synchronisation (11.0.12+)",[207,6329,6330],{},"Erweiterte Einschränkungen bei der Artikelbearbeitung",[207,6332,6333],{},"Regelmäßige Sicherheitsaudits und Updates",[399,6335,6337],{"id":6336},"performance-optimierungen","Performance-Optimierungen",[407,6339,6340,6343,6346,6349,6352],{},[207,6341,6342],{},"Optimierte Container-Images für schnelleres Deployment",[207,6344,6345],{},"Schnelleres Formular-Rendering und API-Antworten",[207,6347,6348],{},"Verbessertes Datenbank-Verbindungsmanagement",[207,6350,6351],{},"Erweiterte Caching-Mechanismen",[207,6353,6354],{},"Bessere Ressourcennutzung in Docker-Umgebungen",[172,6356,6358],{"id":6357},"otobo-110x-patch-releases-was-ist-neu","OTOBO 11.0.x Patch Releases: Was ist neu?",[141,6360,6361],{},"Das OTOBO-Entwicklungsteam hat mehrere Patch-Versionen mit wichtigen Bugfixes und Verbesserungen veröffentlicht:",[399,6363,6365],{"id":6364},"version-11014-dezember-2025","Version 11.0.14 (Dezember 2025)",[407,6367,6368,6374,6380,6386,6392,6398],{},[207,6369,6370,6373],{},[145,6371,6372],{},"CKEditor-Updates",": Upgrade auf Version 47.3.0 mit verbesserten Überschriften-Styles und Farb-CSS-Handling",[207,6375,6376,6379],{},[145,6377,6378],{},"UI-Verbesserungen",": Fehler bei der Textkürzung von Titeln dynamischer Felder in AgentTicketPhone behoben",[207,6381,6382,6385],{},[145,6383,6384],{},"JavaScript-Updates",": jquery-validate auf 1.21.0, nunjucks auf 3.2.4, Codemirror auf 5.65.20 aktualisiert",[207,6387,6388,6391],{},[145,6389,6390],{},"Bugfixes",": Fehler bei der Textänderung im Übersetzungstool behoben, Darstellungsprobleme im High-Contrast-Skin gelöst",[207,6393,6394,6397],{},[145,6395,6396],{},"Docker-Verbesserungen",": Perl-Module werden nun für bessere Zuverlässigkeit von cpan.metacpan.org installiert",[207,6399,6400,6403],{},[145,6401,6402],{},"Neue Funktionen",": TicketPrioritySet-Übergangsaktion hinzugefügt",[399,6405,6407],{"id":6406},"version-11013-oktober-2025","Version 11.0.13 (Oktober 2025)",[407,6409,6410,6416,6421,6427,6433],{},[207,6411,6412,6415],{},[145,6413,6414],{},"Erweiterte Referenzfelder",": Lenses nun für Kunden- und Kundenbenutzer-Referenzen aktiviert",[207,6417,6418,6420],{},[145,6419,6390],{},": Automatische Verknüpfung von Referenzfeldern bei Sets und MultiValue-Fällen korrigiert",[207,6422,6423,6426],{},[145,6424,6425],{},"Datenbank-Support",": System erkennt nun mariadb-dump für Backups",[207,6428,6429,6432],{},[145,6430,6431],{},"Validierungsverbesserungen",": Validierungslogik für Pflichtfelder bei dynamischen Feldern mit Regex-Validierung korrigiert",[207,6434,6435,6438],{},[145,6436,6437],{},"CPAN-Updates",": Mehrere Abhängigkeits-Updates für verbesserte Stabilität",[399,6440,6442],{"id":6441},"version-11012-september-2025","Version 11.0.12 (September 2025)",[407,6444,6445,6451,6457,6463,6468,6474,6480],{},[207,6446,6447,6450],{},[145,6448,6449],{},"Sicherheits-Fix",": LDAP-Sync-Schwachstelle bei verschachtelter Gruppensuche behoben (CVE gemeldet)",[207,6452,6453,6456],{},[145,6454,6455],{},"Dynamische Felder",": Backend-Validierung von Pflicht-Multivalue-Feldern an das Frontend angepasst",[207,6458,6459,6462],{},[145,6460,6461],{},"CKEditor-Fixes",": Code-Blöcke werden nun korrekt in Monospace-Schriftart angezeigt",[207,6464,6465,6467],{},[145,6466,6396],{},": Verbesserte Cache-Bereinigung während Docker-basierter Upgrades",[207,6469,6470,6473],{},[145,6471,6472],{},"Datenbank-Verbesserungen",": Ermöglicht die Angabe von Datenbank-Verbindungsattributen in der Kernel/Config.pm",[207,6475,6476,6479],{},[145,6477,6478],{},"UI-Fixes",": CKEditor- und Anhang-Breiten in der mobilen Ansicht korrigiert",[207,6481,6482,6485],{},[145,6483,6484],{},"Set-Felder",": Grid-bezogene interne Serverfehler bei Suche und Übersichten behoben",[399,6487,6489],{"id":6488},"frühere-releases-1100-11011","Frühere Releases (11.0.0 - 11.0.11)",[141,6491,6492],{},"Die initiale 11.0-Serie führte wichtige Funktionen ein, darunter:",[407,6494,6495,6498,6501,6504,6507,6510,6513],{},[207,6496,6497],{},"Komplettes CMDB-Redesign mit Baumansicht",[207,6499,6500],{},"Neue dynamische Feldtypen (Set, MultiValue, Script)",[207,6502,6503],{},"Erweiterte ITSM-Funktionen",[207,6505,6506],{},"CKEditor 5-Integration",[207,6508,6509],{},"Docker-First-Deployment-Ansatz",[207,6511,6512],{},"Elasticsearch-Verbesserungen",[207,6514,6515],{},"Prozessmanagement-Erweiterungen",[172,6517,6519],{"id":6518},"migration-auf-version-11","Migration auf Version 11",[407,6521,6522,6525,6528,6531],{},[207,6523,6524],{},"Detaillierte Upgrade-Guides für OTOBO 10- und OTRS-Migrationen verfügbar",[207,6526,6527],{},"Nahtlose Übernahme bestehender Konfigurationen und Daten",[207,6529,6530],{},"Docker-basierte Migrationstools für vereinfachte Upgrades",[207,6532,6533],{},"Umfassende Dokumentation und Community-Support",[172,6535,6537],{"id":6536},"warum-otobo-11-wählen","Warum OTOBO 11 wählen?",[141,6539,6540],{},"OTOBO 11 kombiniert moderne ITSM-Funktionalität mit außergewöhnlicher Flexibilität, effizientem CMDB-Management und robuster Sicherheit. Perfekt für Organisationen, die Wert legen auf:",[407,6542,6543,6549,6555,6561,6567],{},[207,6544,6545,6548],{},[145,6546,6547],{},"Offene Standards",": Kein Vendor Lock-in, volle Kontrolle über Ihre Daten",[207,6550,6551,6554],{},[145,6552,6553],{},"Flexibilität",": Hochgradig anpassbar an Ihre spezifischen Bedürfnisse",[207,6556,6557,6560],{},[145,6558,6559],{},"Skalierbarkeit",": Bewährte Performance von kleinen Teams bis hin zu Enterprise-Deployments",[207,6562,6563,6566],{},[145,6564,6565],{},"Sicherheit",": Regelmäßige Updates und aktives Sicherheitsmanagement",[207,6568,6569,6571],{},[145,6570,3811],{},": Starke Open-Source-Community und kommerzieller Support verfügbar",[172,6573,2157],{"id":2156},[141,6575,6576,6577,6581],{},"Besuchen Sie die ",[152,6578,5944],{"href":6579,"rel":6580},"https://otobo-docs.softoft.de/other/otobo-version-11.html",[156]," für detaillierte Installationsanleitungen, Migrationshinweise und eine umfassende Funktionsdokumentation.",[6583,6584],"hr",{},[141,6586,6587,6590],{},[145,6588,6589],{},"Keywords",": OTOBO 11, OTRS Alternative, Open Source Ticketing System, ITSM Software, Service Desk Software, CMDB, Ticket Management, Help Desk System, IT Service Management, Docker Ticketing System, Change Management Software, Incident Management, Problem Management",{"title":356,"searchDepth":357,"depth":357,"links":6592},[6593,6594,6600,6601,6602,6603,6604,6605,6606,6610,6616,6617,6618],{"id":6004,"depth":357,"text":6005},{"id":6040,"depth":357,"text":6041,"children":6595},[6596,6597,6598,6599],{"id":6047,"depth":491,"text":6048},{"id":6083,"depth":491,"text":6084},{"id":6101,"depth":491,"text":6102},{"id":6119,"depth":491,"text":6120},{"id":6141,"depth":357,"text":6142},{"id":6186,"depth":357,"text":6187},{"id":6204,"depth":357,"text":6205},{"id":6249,"depth":357,"text":6250},{"id":6273,"depth":357,"text":6274},{"id":6291,"depth":357,"text":6292},{"id":6309,"depth":357,"text":6036,"children":6607},[6608,6609],{"id":6312,"depth":491,"text":6313},{"id":6336,"depth":491,"text":6337},{"id":6357,"depth":357,"text":6358,"children":6611},[6612,6613,6614,6615],{"id":6364,"depth":491,"text":6365},{"id":6406,"depth":491,"text":6407},{"id":6441,"depth":491,"text":6442},{"id":6488,"depth":491,"text":6489},{"id":6518,"depth":357,"text":6519},{"id":6536,"depth":357,"text":6537},{"id":2156,"depth":357,"text":2157},"Entdecken Sie die Funktionen und Verbesserungen von OTOBO Version 11 – die führende OTRS-Alternative mit neu gestalteter CMDB, erweiterten ITSM-Funktionen, dynamischen Formularen, Docker-Support, Sicherheitsverbesserungen und umfassenden Patch-Release-Updates.\n","images/images/blog/otobo-version-11-desktop",{},"images/images/blog/otobo-version-11-mobile",900,"/de/blog/otobo-version-11",{"title":5992,"description":6619},"de/blog/otobo-version-11",[3002],"isHA481wyee-NRusGwvUNyMPHae2Mmy2vvp3kMVfv6g",{"id":6630,"title":6631,"author":384,"blogId":6632,"body":6633,"description":6650,"extension":365,"externalUrl":58,"layout":366,"mainImage":6651,"meta":6652,"mobileImage":6653,"navigation":369,"order":6654,"path":6655,"seo":6656,"stem":6657,"tags":6658,"__hash__":6660},"blog_de/de/blog/znuny-docs.md","Znuny Dokumentation - Umfassender Leitfaden für das Znuny Ticketsystem","znuny-docs",{"type":138,"value":6634,"toc":6648},[6635,6642],[141,6636,6637,6638,198],{},"Unsere umfassende Znuny Dokumentation finden Sie unter ",[152,6639,6641],{"href":58,"rel":6640},[156],"znuny-docs.softoft.de",[141,6643,6644,6645,198],{},"Für Informationen zu OTOBO besuchen Sie bitte unsere ",[152,6646,5944],{"href":6647},"/blog/otobo-docs",{"title":356,"searchDepth":357,"depth":357,"links":6649},[],"Znuny ist ein Fork der OTRS Community Edition und hat sich zu einem eigenständigen Open-Source-Ticketsystem entwickelt. Unsere umfassende Dokumentation deckt alle Aspekte von Znuny ab, von der Installation bis hin zu fortgeschrittenen Funktionen.","images/images/blog/otobo-vs-znuny-blog-desktop",{},"images/images/blog/otobo-vs-znuny-blog-mobile",301,"/de/blog/znuny-docs",{"title":6631,"description":6650},"de/blog/znuny-docs",[6659],"znuny","HocfxCo2yw5AO2SwjCwbZ-9TJuqfKydGTeudbCEHyaE",{"id":6662,"title":6663,"author":384,"blogId":6664,"body":6665,"description":6683,"extension":365,"externalUrl":55,"layout":366,"mainImage":6651,"meta":6684,"mobileImage":6653,"navigation":369,"order":6685,"path":6686,"seo":6687,"stem":6688,"tags":6689,"__hash__":6690},"blog_de/de/blog/otobo-docs.md","OTOBO Dokumentation - Umfassender Leitfaden zum OTOBO Ticketsystem","otobo-docs",{"type":138,"value":6666,"toc":6681},[6667,6674],[141,6668,6669,6670,198],{},"Unsere umfassende OTOBO Dokumentation finden Sie unter ",[152,6671,6673],{"href":55,"rel":6672},[156],"otobo-docs.softoft.de",[141,6675,6676,6677,198],{},"Für Informationen zu Znuny besuchen Sie bitte unsere ",[152,6678,6680],{"href":6679},"/blog/znuny-docs","Znuny Dokumentation",{"title":356,"searchDepth":357,"depth":357,"links":6682},[],"OTOBO ist ein Fork der OTRS Community Edition und hat sich zu einem eigenständigen Open-Source-Ticketsystem entwickelt. Unsere umfassende Dokumentation deckt alle Aspekte von OTOBO ab, von der Installation bis hin zu fortgeschrittenen Funktionen.",{},300,"/de/blog/otobo-docs",{"title":6663,"description":6683},"de/blog/otobo-docs",[3002],"PJX01PFs8cVQ_nsOXObElQsXZSXMA-lws-SgagiFcMo",{"id":6692,"title":6693,"author":135,"blogId":6694,"body":6695,"description":6828,"extension":365,"externalUrl":366,"layout":366,"mainImage":6829,"meta":6830,"mobileImage":366,"navigation":369,"order":6831,"path":6832,"seo":6833,"stem":6834,"tags":6835,"__hash__":6839},"blog_de/de/blog/otrs-migration-path-2026.md","Von OTRS zum Erfolg: Der Migrationspfad 2026","otrs-migration-path-2026",{"type":138,"value":6696,"toc":6819},[6697,6700,6703,6707,6710,6730,6737,6741,6749,6753,6756,6760,6763,6767,6770,6790,6794,6797],[141,6698,6699],{},"Über viele Jahre hinweg war OTRS (Open Ticket Request System) der unangefochtene König der Open-Source-Helpdesk-Software. Es war das Herzstück tausender IT-Abteilungen weltweit. Doch mit dem Ende der OTRS Community Edition und der Ausrichtung des Mutterunternehmens auf ein rein kommerzielles, Closed-Source-Modell stehen viele Organisationen nun mit nicht mehr unterstützten, anfälligen Legacy-Systemen da.",[141,6701,6702],{},"Wenn Sie im Jahr 2026 noch OTRS 6 (oder älter) betreiben, sitzen Sie auf einer tickenden Zeitbombe.",[172,6704,6706],{"id":6705},"die-risiken-beim-betrieb-von-legacy-otrs","Die Risiken beim Betrieb von Legacy-OTRS",[141,6708,6709],{},"Der Betrieb veralteter ITSM-Software birgt ernsthafte Risiken für Ihr Unternehmen:",[204,6711,6712,6718,6724],{},[207,6713,6714,6717],{},[145,6715,6716],{},"Sicherheitslücken:"," Ohne aktiven Community-Support und Sicherheits-Patches ist Ihr System anfällig für Zero-Day-Exploits.",[207,6719,6720,6723],{},[145,6721,6722],{},"Kompatibilitätsprobleme:"," Legacy-Software hat Schwierigkeiten bei der Integration mit modernen APIs und Authentifizierungsprotokollen (wie OAuth2 für Microsoft 365 oder Google Workspace).",[207,6725,6726,6729],{},[145,6727,6728],{},"Fehlende Funktionen:"," Sie verpassen jahrelange Verbesserungen bei der UX, mobile Reaktionsfähigkeit und KI-Integrationen.",[335,6731,6734],{"title":6732,"type":6733},"Kritische Warnung","warning",[141,6735,6736],{},"Der Betrieb ungepatchter, dem Internet ausgesetzter Ticket-Software stellt einen schwerwiegenden Compliance-Verstoß und ein erhebliches Cybersicherheitsrisiko dar.",[172,6738,6740],{"id":6739},"die-zwei-unterschiedlichen-pfade-otobo-und-znuny","Die zwei unterschiedlichen Pfade: OTOBO und Znuny",[141,6742,6743,6744,166,6746,198],{},"Glücklicherweise hat die Open-Source-Community reagiert. Aus der OTRS-Codebasis sind zwei eigenständige, äußerst erfolgreiche Forks hervorgegangen: ",[145,6745,2457],{},[145,6747,6748],{},"Znuny",[399,6750,6752],{"id":6751},"_1-migration-zu-znuny","1. Migration zu Znuny",[141,6754,6755],{},"Znuny ist konzeptionell näher am ursprünglichen OTRS-Framework geblieben und ist damit eine exzellente Wahl für Organisationen, die einfach eine sichere und unterstützte Version dessen haben möchten, was sie bereits nutzen. Der Migrationspfad von OTRS 6 zu Znuny 7 ist hochgradig standardisiert und relativ unkompliziert.",[399,6757,6759],{"id":6758},"_2-migration-zu-otobo","2. Migration zu OTOBO",[141,6761,6762],{},"OTOBO hat das Fundament von OTRS genommen und das Frontend komplett neu geschrieben, wodurch eine moderne, hochgradig responsive UI und eine robuste neue Struktur eingeführt wurden. Eine Migration zu OTOBO bedeutet ein Upgrade auf eine Plattform der nächsten Generation, erfordert jedoch etwas mehr Planung, insbesondere wenn Sie benutzerdefinierte Pakete installiert haben.",[172,6764,6766],{"id":6765},"so-planen-sie-ihre-migration","So planen Sie Ihre Migration",[141,6768,6769],{},"Eine erfolgreiche Migration erfordert drei Schritte:",[204,6771,6772,6778,6784],{},[207,6773,6774,6777],{},[145,6775,6776],{},"System-Audit:"," Identifizieren Sie alle benutzerdefinierten Konfigurationen, dynamischen Felder und Drittanbieter-Pakete, die derzeit auf Ihrer OTRS-Instanz laufen.",[207,6779,6780,6783],{},[145,6781,6782],{},"Datensicherung & Test-Migration:"," Führen Sie immer eine Test-Migration auf einem Staging-Server durch. Die Datenbankschemata von modernem OTOBO und Znuny haben sich signifikant von Legacy-OTRS unterschieden.",[207,6785,6786,6789],{},[145,6787,6788],{},"Schulung & Go-Live:"," Da die Kernkonzepte ähnlich bleiben, ist der Schulungsaufwand für die Benutzer in der Regel minimal, was einen nahtlosen Übergang ermöglicht.",[172,6791,6793],{"id":6792},"sorgen-sie-für-eine-risikofreie-migration","Sorgen Sie für eine risikofreie Migration",[141,6795,6796],{},"Lassen Sie Ihren Helpdesk nicht zu einem Sicherheitsrisiko werden.",[6798,6799,6802,6808,6811],"card",{"tone":6800,"variant":6801},"primary","outline",[6803,6804,6805],"template",{"v-slot:title":356},[141,6806,6807],{},"Experten-Migrationsservices",[141,6809,6810],{},"Softoft hat bereits Dutzende von Enterprise-OTRS-Instanzen erfolgreich auf moderne, sichere OTOBO- und Znuny-Umgebungen migriert – ohne Datenverlust.",[6803,6812,6813],{"v-slot:actions":356},[6814,6815,6816],"button",{"to":12,"variant":6800},[141,6817,6818],{},"Migrationsangebot anfordern",{"title":356,"searchDepth":357,"depth":357,"links":6820},[6821,6822,6826,6827],{"id":6705,"depth":357,"text":6706},{"id":6739,"depth":357,"text":6740,"children":6823},[6824,6825],{"id":6751,"depth":491,"text":6752},{"id":6758,"depth":491,"text":6759},{"id":6765,"depth":357,"text":6766},{"id":6792,"depth":357,"text":6793},"Nutzen Sie noch ein altes OTRS? Entdecken Sie die sichersten und effizientesten Migrationspfade zu modernen Open-Source-Alternativen wie OTOBO und Znuny.","/img/blog/otrs-migration.jpg",{},50,"/de/blog/otrs-migration-path-2026",{"title":6693,"description":6828},"de/blog/otrs-migration-path-2026",[6836,6837,6838],"OTRS","Migration","ITSM","OQMPwjB8i8asEASmFhJ7u_qZfUY-3zKJHEQ4u_cm0Ag",{"id":6841,"title":6842,"author":135,"blogId":6843,"body":6844,"description":6967,"extension":365,"externalUrl":366,"layout":366,"mainImage":6968,"meta":6969,"mobileImage":366,"navigation":369,"order":6970,"path":6971,"seo":6972,"stem":6973,"tags":6974,"__hash__":6978},"blog_de/de/blog/otobo-power-bi-integration.md","Schritt-für-Schritt: OTOBO-Daten in Power BI visualisieren","otobo-power-bi-integration",{"type":138,"value":6845,"toc":6957},[6846,6849,6856,6860,6863,6866,6886,6890,6897,6901,6904,6908,6911,6915,6918,6922,6925,6932,6936,6939],[141,6847,6848],{},"Daten sind das Lebenselixier des IT-Service-Managements. Zu wissen, wie lange die Bearbeitung von Tickets dauert, welche Assets am häufigsten ausfallen und zu welchen Tageszeiten das höchste Anfragevolumen herrscht, ist entscheidend für die Optimierung Ihres Teams.",[141,6850,6851,6852,6855],{},"Obwohl OTOBO integrierte Reporting-Funktionen enthält, benötigen viele IT-Manager und CIOs Dashboards auf Führungsebene, die Daten aus dem gesamten Unternehmen aggregieren. Hier kommt ",[145,6853,6854],{},"Microsoft Power BI"," ins Spiel.",[172,6857,6859],{"id":6858},"warum-otobo-mit-power-bi-integrieren","Warum OTOBO mit Power BI integrieren?",[141,6861,6862],{},"Standard-Ticketlisten und CSV-Exporte sind statisch. Power BI ermöglicht es Ihnen, interaktive Echtzeit-Dashboards zu erstellen, die sofortige Klarheit über die Leistung Ihres Service Desks bieten.",[141,6864,6865],{},"Durch die Integration beider Systeme können Sie Folgendes visualisieren:",[407,6867,6868,6874,6880],{},[207,6869,6870,6873],{},[145,6871,6872],{},"SLA-Verletzungen:"," Echtzeit-Verfolgung von Eskalationen.",[207,6875,6876,6879],{},[145,6877,6878],{},"Engpässe:"," Heatmaps, die die Zeit messen, die Tickets in bestimmten Queues verbringen.",[207,6881,6882,6885],{},[145,6883,6884],{},"Agenten-Performance:"," Granulare statistische Verfolgung von Bearbeitungszeiten und Lösungsraten.",[172,6887,6889],{"id":6888},"der-integrationspfad-otobo-generic-interface","Der Integrationspfad: OTOBO Generic Interface",[141,6891,6892,6893,6896],{},"Da OTOBO keinen proprietären Lock-in erzwingt, ist die Verbindung mit Power BI über das ",[145,6894,6895],{},"Generic Interface"," unkompliziert.",[399,6898,6900],{"id":6899},"schritt-1-otobo-web-services-konfigurieren","Schritt 1: OTOBO Web Services konfigurieren",[141,6902,6903],{},"Zuerst müssen Sie einen Web Service innerhalb des Generic Interface von OTOBO einrichten. Dieser Service wird so konfiguriert, dass Ticket-, Artikel- und dynamische Felddaten sicher über REST-Endpoints via HTTPS bereitgestellt werden.",[399,6905,6907],{"id":6906},"schritt-2-die-power-bi-verbindung-herstellen","Schritt 2: Die Power BI-Verbindung herstellen",[141,6909,6910],{},"Verwenden Sie in Microsoft Power BI Desktop die Funktion „Daten abrufen“. Wählen Sie die Quelle „Web“ und geben Sie Ihre hochsicheren OTOBO REST-Endpoint-URLs ein. Sie müssen die Authentifizierung verwalten, in der Regel über Token, um sicherzustellen, dass die Verbindung autorisiert ist.",[399,6912,6914],{"id":6913},"schritt-3-datentransformation-in-power-query","Schritt 3: Datentransformation in Power Query",[141,6916,6917],{},"Der JSON-Output von OTOBO muss flachgelegt und strukturiert werden. Mit Power Query erweitern Sie die Ticket-Datensätze, mappen die Zeitstempel auf lesbare Datums-/Zeitformate und stellen Beziehungen zwischen Benutzern, Queues und Tickets her.",[399,6919,6921],{"id":6920},"schritt-4-das-dashboard-erstellen","Schritt 4: Das Dashboard erstellen",[141,6923,6924],{},"Sobald das Datenmodell erstellt ist, können Sie Visualisierungen per Drag-and-Drop verschieben, um Ihr Executive-Dashboard aufzubauen.",[335,6926,6929],{"title":6927,"type":6928},"Performance-Tipp","tip",[141,6930,6931],{},"Vermeiden Sie bei riesigen Datensätzen aggressive Echtzeit-Abfragen gegen die Live-Datenbank von OTOBO während der Geschäftszeiten. Nutzen Sie eine geplante Datenaktualisierung außerhalb der Geschäftszeiten oder replizieren Sie die OTOBO-Datenbank in ein dediziertes Data Warehouse.",[172,6933,6935],{"id":6934},"der-softoft-power-bi-fast-track","Der Softoft Power BI Fast-Track",[141,6937,6938],{},"Das Erstellen von Web Services und Datenmodellen von Grund auf kann Wochen voller Versuche und Irrtümer in Anspruch nehmen.",[6798,6940,6942,6947,6950],{"tone":338,"variant":6941},"surface",[6803,6943,6944],{"v-slot:title":356},[141,6945,6946],{},"Fertige Reporting-Lösungen",[141,6948,6949],{},"Softoft bietet vorkonfigurierte Power BI-Templates, die speziell für OTOBO- und Znuny-Datenbanken entwickelt wurden und Ihre Zeit bis zur ersten Erkenntnis von Wochen auf Stunden verkürzen.",[6803,6951,6952],{"v-slot:actions":356},[6814,6953,6954],{"to":12,"variant":6941},[141,6955,6956],{},"Entdecken Sie unsere Reporting-Lösungen",{"title":356,"searchDepth":357,"depth":357,"links":6958},[6959,6960,6966],{"id":6858,"depth":357,"text":6859},{"id":6888,"depth":357,"text":6889,"children":6961},[6962,6963,6964,6965],{"id":6899,"depth":491,"text":6900},{"id":6906,"depth":491,"text":6907},{"id":6913,"depth":491,"text":6914},{"id":6920,"depth":491,"text":6921},{"id":6934,"depth":357,"text":6935},"Gehen Sie über einfache Listen hinaus. Erfahren Sie, wie Sie OTOBO mit Microsoft Power BI für fortgeschrittene IT-Service-Management-Analysen und Dashboards verbinden.","/img/blog/power-bi-otobo.jpg",{},40,"/de/blog/otobo-power-bi-integration",{"title":6842,"description":6967},"de/blog/otobo-power-bi-integration",[6975,6976,2457,6977],"Power BI","Reporting","Analytics","uveI4FfHXYVXXajlhDxpQmNiECIQ4gm08M6C3KogOU8",{"id":6980,"title":6981,"author":135,"blogId":6982,"body":6983,"description":7135,"extension":365,"externalUrl":366,"layout":366,"mainImage":367,"meta":7136,"mobileImage":366,"navigation":369,"order":787,"path":7137,"seo":7138,"stem":7139,"tags":7140,"__hash__":7143},"blog_de/de/blog/otobo-znuny-zammad-ai-comparison.md","OTOBO vs. Znuny vs. Zammad: Wer hat das beste AI Agent System?","otobo-znuny-zammad-ai-comparison",{"type":138,"value":6984,"toc":7129},[6985,6992,6995,6999,7002,7006,7025,7031,7035,7038,7042,7062,7067,7071,7074,7078,7092,7097,7101,7107,7110],[141,6986,6987,6988,6991],{},"Der Wettlauf um die Integration von Künstlicher Intelligenz in das IT Service Management hat seinen Höhepunkt erreicht. Wenn wir uns die Landschaft im Jahr 2026 ansehen, haben die führenden Open-Source-Anwärter – ",[145,6989,6990],{},"Zammad, Znuny und OTOBO"," – deutlich unterschiedliche Wege bei der AI-Integration eingeschlagen.",[141,6993,6994],{},"Wenn Sie evaluieren, welches System Ihren Support-Desk zukunftssicher macht, ist die Analyse der AI-Fähigkeiten entscheidend.",[172,6996,6998],{"id":6997},"zammad-70-die-native-ai-erfahrung","Zammad 7.0: Die native AI-Erfahrung",[141,7000,7001],{},"Zammad sorgte mit seinem 7.0-Release für Aufsehen, wobei der Fokus stark darauf lag, \"AI Agents\" tief in den Kern-Workflow zu integrieren.",[141,7003,7004],{},[145,7005,2466],{},[407,7007,7008,7014,7019],{},[207,7009,7010,7013],{},[145,7011,7012],{},"Integrierte Erfahrung:"," Funktionen wie die AI Ticket-Zusammenfassung und der AI Schreibassistent fühlen sich nahtlos an.",[207,7015,7016,7018],{},[145,7017,3350],{}," Ermöglicht Admins die Wahl zwischen kommerziellen Cloud-Modellen (wie OpenAI) oder selbst gehosteten Open-Source-Modellen (wie Meta Llama).",[207,7020,7021,7024],{},[145,7022,7023],{},"Proaktive Kollisionserkennung:"," Verhindert gleichzeitige manuelle und AI-basierte Änderungen an Tickets.",[141,7026,7027,7030],{},[145,7028,7029],{},"Fazit:"," Am besten geeignet für Teams, die eine sofort einsatzbereite, hochglanzpolierte AI-Erfahrung ohne umfangreiche Backend-Konfiguration suchen.",[172,7032,7034],{"id":7033},"znuny-7x-der-modulare-add-on-ansatz","Znuny 7.x: Der modulare Add-on-Ansatz",[141,7036,7037],{},"Znuny nähert sich dem Thema AI über ein leistungsstarkes AI Add-on und schlägt damit effektiv die Brücke zwischen dem Ticketsystem und externer LLM-Middleware (wie AnythingLLM).",[141,7039,7040],{},[145,7041,2466],{},[407,7043,7044,7050,7056],{},[207,7045,7046,7049],{},[145,7047,7048],{},"Dynamische Klassifizierung:"," Exzellent darin, Tickets automatisch basierend auf nuancierter Schlüsselwortanalyse und Sentiment zu kategorisieren.",[207,7051,7052,7055],{},[145,7053,7054],{},"RAG-Integration:"," Starke Knowledge Base-Integration mittels Retrieval-Augmented Generation, um Antworten basierend auf historischen Tickets vorzuschlagen.",[207,7057,7058,7061],{},[145,7059,7060],{},"Modular:"," Einfacher Austausch von AI-Backends, sobald neuere, schnellere Modelle veröffentlicht werden.",[141,7063,7064,7066],{},[145,7065,7029],{}," Ideal für Power-User, die eine granulare Kontrolle darüber wünschen, wie ihre AI-Pipeline mit ihren ITSM-Daten und der Knowledge Base interagiert.",[172,7068,7070],{"id":7069},"otobo-11-der-helfer-ansatz","OTOBO 11: Der Helfer-Ansatz",[141,7072,7073],{},"Während OTOBO 11 mit unglaublicher Stabilität und einer stark verbesserten Benutzeroberfläche glänzt, sind die nativen AI-Funktionen im Vergleich zu Zammad und Znuny weniger direkt in den Ticket-Bearbeitungsprozess eingebettet.",[141,7075,7076],{},[145,7077,2466],{},[407,7079,7080,7086],{},[207,7081,7082,7085],{},[145,7083,7084],{},"OTOBO AI Assistant:"," Ein hochentwickeltes Custom GPT, das speziell auf die OTOBO-Dokumentation trainiert wurde, was die Administration und Konfiguration drastisch vereinfacht.",[207,7087,7088,7091],{},[145,7089,7090],{},"Generic Interface APIs:"," Die extrem robuste API von OTOBO ermöglicht es Entwicklern, einfach maßgeschneiderte AI-Integrationen zu erstellen, die exakt auf Enterprise-Anforderungen zugeschnitten sind.",[141,7093,7094,7096],{},[145,7095,7029],{}," Am besten für Organisationen, die eine hochstabile, komplexe CMDB benötigen und es bevorzugen, ihre eigenen, isolierten AI-Workflows über APIs zu bauen, anstatt sich auf native Agents zu verlassen.",[172,7098,7100],{"id":7099},"den-richtigen-weg-wählen","Den richtigen Weg wählen",[335,7102,7104],{"title":7103,"type":338},"Expertenrat",[141,7105,7106],{},"Das \"beste\" AI-System hängt vollständig von Ihrer Strenge in Bezug auf Datensouveränität und der technischen Fähigkeit Ihres Teams ab, lokale Modelle zu verwalten.",[141,7108,7109],{},"Benötigen Sie Hilfe bei der Evaluierung, welche Plattform für Ihre spezifischen Anforderungen die richtige ist?",[6798,7111,7114,7119,7122],{"tone":7112,"variant":7113},"neutral","subtle",[6803,7115,7116],{"v-slot:title":356},[141,7117,7118],{},"Experten-ITSM-Consulting",[141,7120,7121],{},"Buchen Sie eine Strategie-Session mit Softoft, um sich in der sich entwickelnden Open-Source-AI-Landschaft zurechtzufinden.",[6803,7123,7124],{"v-slot:actions":356},[6814,7125,7126],{"to":21,"variant":6800},[141,7127,7128],{},"Mit einem Experten sprechen",{"title":356,"searchDepth":357,"depth":357,"links":7130},[7131,7132,7133,7134],{"id":6997,"depth":357,"text":6998},{"id":7033,"depth":357,"text":7034},{"id":7069,"depth":357,"text":7070},{"id":7099,"depth":357,"text":7100},"Ein umfassender Vergleich der AI-Fähigkeiten der führenden Open-Source-Helpdesk-Systeme im Jahr 2026.",{},"/de/blog/otobo-znuny-zammad-ai-comparison",{"title":6981,"description":7135},"de/blog/otobo-znuny-zammad-ai-comparison",[7141,7142,375,2457,6748],"Vergleich","AI Agents","kVwcx0HgD54cGUHutp8PdUoGN16dq_lC1t85Tn609YY",{"id":7145,"title":7146,"author":135,"blogId":7147,"body":7148,"description":7241,"extension":365,"externalUrl":366,"layout":366,"mainImage":7242,"meta":7243,"mobileImage":366,"navigation":369,"order":683,"path":7244,"seo":7245,"stem":7246,"tags":7247,"__hash__":7250},"blog_de/de/blog/ticketing-small-business-open-source.md","Ticketing-Systeme für kleine Unternehmen: Warum Open Source im Jahr 2026 gewinnt","ticketing-small-business-open-source",{"type":138,"value":7149,"toc":7232},[7150,7153,7160,7164,7167,7173,7177,7187,7191,7194,7198,7201,7205,7208,7212,7215],[141,7151,7152],{},"Für ein kleines Unternehmen kann die Wahl der richtigen IT-Helpdesk-Software wie die Navigation durch ein Minenfeld wirken. Kommerzielle SaaS-Anbieter (Software as a Service) dominieren den Werbemarkt und versprechen schicke Interfaces und schnelle Setups. Doch zwei Jahre später finden sich viele kleine Unternehmen in teuren, unflexiblen Verträgen wieder.",[141,7154,7155,7156,7159],{},"Im Jahr 2026 ist das Argument für ",[145,7157,7158],{},"Open-Source-Ticketing-Systeme"," stärker denn je.",[172,7161,7163],{"id":7162},"das-problem-die-versteckten-kosten-von-saas","Das Problem: Die versteckten Kosten von SaaS",[141,7165,7166],{},"Kommerzielle Ticketing-Lösungen folgen oft einer Preisstruktur „pro Agent, pro Monat“. Während dies erschwinglich erscheint, wenn Ihr Team nur aus drei Personen besteht, lassen die Softwarekosten bei einer Skalierung Ihres IT- oder Kundenservice-Teams plötzlich in die Höhe schnellen. Zudem sind Sie der Roadmap des Anbieters ausgeliefert – wenn dieser die Preise erhöht oder eine Funktion, auf die Sie angewiesen sind, einstellt, haben Sie keine Handhabe.",[335,7168,7170],{"title":7169,"type":6928},"Kosteneffizienz",[141,7171,7172],{},"Open-Source-Systeme skalieren unendlich ohne restriktive Lizenzgebühren pro Benutzer, sodass Ihr Unternehmen wachsen kann, ohne durch Softwarekosten bestraft zu werden.",[172,7174,7176],{"id":7175},"die-lösung-flexibilität-und-eigentum","Die Lösung: Flexibilität und Eigentum",[141,7178,7179,7180,269,7182,166,7184,7186],{},"Open-Source-Plattformen wie ",[145,7181,2457],{},[145,7183,6748],{},[145,7185,375],{}," bieten Enterprise-Funktionen ohne das Enterprise-Preisschild.",[399,7188,7190],{"id":7189},"_1-sie-besitzen-ihre-daten","1. Sie besitzen Ihre Daten",[141,7192,7193],{},"Ihre Kundeninteraktionen und technischen Problemlösungen gehören zu den wertvollsten Vermögenswerten Ihres Unternehmens. Mit einem Open-Source-System, das Sie selbst hosten, haben Sie direkten Datenbankzugriff und garantieren, dass Ihre Daten nicht ohne Ihre Zustimmung zum Training der Algorithmen eines Anbieters verwendet werden.",[399,7195,7197],{"id":7196},"_2-nahtlose-integration","2. Nahtlose Integration",[141,7199,7200],{},"Kleine Unternehmen verlassen sich auf eine Vielzahl spezialisierter Tools (CRM, ERP, Abrechnung). Open-Source-Systeme bieten robuste, offene APIs, die es Ihnen ermöglichen, benutzerdefinierte Integrationen zu erstellen, die kommerzielle Anbieter möglicherweise hinter ihren höchsten Preisstufen verstecken.",[399,7202,7204],{"id":7203},"_3-community-und-anpassbarkeit","3. Community und Anpassbarkeit",[141,7206,7207],{},"Wenn die Software nicht perfekt zu Ihrem Workflow passt, können Sie sie ändern. Sie sind nicht gezwungen, Ihre Geschäftsprozesse an die Software anzupassen; die Software passt sich Ihnen an.",[172,7209,7211],{"id":7210},"der-einstieg-ohne-kopfschmerzen","Der Einstieg ohne Kopfschmerzen",[141,7213,7214],{},"Die häufigste Sorge kleiner Unternehmen in Bezug auf Open Source ist die wahrgenommene Komplexität beim Hosting und der Wartung. Hier kommen Managed Services ins Spiel.",[6798,7216,7217,7222,7225],{"tone":6800,"variant":6801},[6803,7218,7219],{"v-slot:title":356},[141,7220,7221],{},"Enterprise-IT für kleine Unternehmen",[141,7223,7224],{},"Softoft bietet vollständig verwaltetes Hosting, Wartung und Support für Ihren Open-Source-Helpdesk, sodass Sie alle Vorteile ohne technischen Overhead erhalten.",[6803,7226,7227],{"v-slot:actions":356},[6814,7228,7229],{"to":12,"variant":6801},[141,7230,7231],{},"Unsere Managed Services ansehen",{"title":356,"searchDepth":357,"depth":357,"links":7233},[7234,7235,7240],{"id":7162,"depth":357,"text":7163},{"id":7175,"depth":357,"text":7176,"children":7236},[7237,7238,7239],{"id":7189,"depth":491,"text":7190},{"id":7196,"depth":491,"text":7197},{"id":7203,"depth":491,"text":7204},{"id":7210,"depth":357,"text":7211},"Vermeiden Sie Vendor Lock-in und hohe Abo-Gebühren. Erfahren Sie, warum Open-Source-Ticketing-Systeme die beste strategische Wahl für kleine Unternehmen sind.","/img/blog/small-biz-ticket.jpg",{},"/de/blog/ticketing-small-business-open-source",{"title":7146,"description":7241},"de/blog/ticketing-small-business-open-source",[7248,7249,6838],"Open Source","Small Business","Szw740T6PrKmSopCkUF2ZPiixsk9gu0qXCTqgdRxK-M",{"id":7252,"title":7253,"author":2247,"blogId":7254,"body":7255,"description":7505,"extension":365,"externalUrl":366,"layout":7506,"mainImage":7507,"meta":7508,"mobileImage":366,"navigation":369,"order":569,"path":7509,"seo":7510,"stem":7511,"tags":7512,"__hash__":7516},"blog_de/de/blog/future-ai-ticketing-otobo-znuny.md","Die KI-Evolution von Open Source Ticketing: OTOBO vs. Znuny im Jahr 2026","future-ai-ticketing-otobo-znuny",{"type":138,"value":7256,"toc":7496},[7257,7261,7264,7270,7283,7287,7290,7296,7300,7309,7329,7333,7336,7356,7360,7427,7431,7440,7446,7450,7459,7479,7481],[2252,7258,7260],{"id":7259},"die-ki-evolution-von-open-source-ticketing","Die KI-Evolution von Open Source Ticketing",[141,7262,7263],{},"In der schnelllebigen Welt des IT Service Management (ITSM) ist die Fähigkeit, hohe Volumina an Support-Anfragen effizient zu bearbeiten, kein Luxus mehr – sie ist eine Notwendigkeit. Da Support-Teams oft über 500 Tickets pro Monat verwalten, sind manuelle Klassifizierung und Routing zu großen Engpässen geworden.",[141,7265,7266,7267,198],{},"Willkommen in der Ära der ",[145,7268,7269],{},"KI-gestützten Ticket-Klassifizierung",[141,7271,7272,7273,7275,7276,7278,7279,7282],{},"Als führende Open-Source-Nachfolger von OTRS haben sowohl ",[145,7274,2457],{}," als auch ",[145,7277,6748],{}," das transformative Potenzial von Künstlicher Intelligenz erkannt. In diesem Beitrag untersuchen wir, wie sich diese Systeme weiterentwickeln und wie ",[145,7280,7281],{},"Open Ticket AI (OTAI)"," die Lücke schließt, um moderne, lokale und sichere Automatisierung bereitzustellen.",[172,7284,7286],{"id":7285},"warum-ki-die-datengesteuerte-realität","Warum KI? Die datengesteuerte Realität",[141,7288,7289],{},"Laut unserer neuesten Suchanalyse haben Anfragen nach \"otobo ai\" und \"ki ticketsystem\" einen deutlichen Anstieg verzeichnet. Unternehmen suchen nicht nur nach einem passiven System; sie wollen einen proaktiven Partner, der den Kontext versteht.",[335,7291,7293],{"title":7292,"type":6928},"Effizienz zuerst",[141,7294,7295],{},"KI-gesteuerte Automatisierung kann die anfänglichen Antwortzeiten um bis zu 60 % reduzieren, indem Tickets sofort an die richtigen Experten weitergeleitet werden.",[399,7297,7299],{"id":7298},"otobo-entwickelt-für-das-moderne-enterprise","OTOBO: Entwickelt für das moderne Enterprise",[141,7301,7302,7303,7308],{},"OTOBO hat sich als schlanke, benutzerfreundliche Alternative mit einem starken Fokus auf Enterprise-Funktionen positioniert. Die Integration mit dem ",[152,7304,7307],{"href":7305,"rel":7306},"https://open-ticket-ai.com",[156],"Open Ticket AI Plugin"," ermöglicht:",[407,7310,7311,7317,7323],{},[207,7312,7313,7316],{},[145,7314,7315],{},"Automatisierte Kontextanalyse:"," Verständnis der Absicht hinter einer E-Mail, nicht nur von Keywords.",[207,7318,7319,7322],{},[145,7320,7321],{},"Dynamische Queue-Zuweisung:"," Routing basierend auf der Expertise der Agenten und der aktuellen Arbeitslast.",[207,7324,7325,7328],{},[145,7326,7327],{},"Data Privacy by Design:"," Alle KI-Prozesse laufen lokal in Docker Containern.",[399,7330,7332],{"id":7331},"znuny-das-community-kraftpaket","Znuny: Das Community-Kraftpaket",[141,7334,7335],{},"Znuny setzt das Erbe von OTRS mit einem robusten, Community-getriebenen Ansatz fort. Durch die Nutzung derselben OTAI-Infrastruktur können Znuny-Anwender nun von Folgendem profitieren:",[204,7337,7338,7344,7350],{},[207,7339,7340,7343],{},[145,7341,7342],{},"Sentiment-Erkennung:"," Erkennung frustrierter Kunden, bevor eine Eskalation eintritt.",[207,7345,7346,7349],{},[145,7347,7348],{},"Mehrsprachiger Support:"," Klassifizierung von Tickets auf Deutsch und Englisch mit gleicher Präzision.",[207,7351,7352,7355],{},[145,7353,7354],{},"Nahtlose Integration:"," Eine niedrige Eintrittshürde für Teams, die bereits Docker nutzen.",[172,7357,7359],{"id":7358},"vergleich-der-giganten","Vergleich der Giganten",[1340,7361,7362,7376],{},[1343,7363,7364],{},[1346,7365,7366,7370,7373],{},[1349,7367,7369],{"align":7368},"left","Feature",[1349,7371,7372],{"align":7368},"OTOBO + AI",[1349,7374,7375],{"align":7368},"Znuny + AI",[1359,7377,7378,7390,7402,7415],{},[1346,7379,7380,7384,7387],{},[1364,7381,7382],{"align":7368},[145,7383,3747],{},[1364,7385,7386],{"align":7368},"UX & Enterprise Workflows",[1364,7388,7389],{"align":7368},"Robuster Community-Kern",[1346,7391,7392,7396,7399],{},[1364,7393,7394],{"align":7368},[145,7395,2520],{},[1364,7397,7398],{"align":7368},"Native-feeling Plugin",[1364,7400,7401],{"align":7368},"Modulare Docker-Lösung",[1346,7403,7404,7409,7412],{},[1364,7405,7406],{"align":7368},[145,7407,7408],{},"Suchpriorität",[1364,7410,7411],{"align":7368},"Hoch (\"otobo ai\")",[1364,7413,7414],{"align":7368},"Hoch (\"znuny docker\")",[1346,7416,7417,7422,7425],{},[1364,7418,7419],{"align":7368},[145,7420,7421],{},"Datenschutz",[1364,7423,7424],{"align":7368},"Lokal (On-Prem)",[1364,7426,7424],{"align":7368},[172,7428,7430],{"id":7429},"der-otai-vorteil-privacy-first-ki","Der OTAI-Vorteil: Privacy-First KI",[141,7432,7433,7434,7436,7437,7439],{},"Bei ",[145,7435,77],{}," glauben wir, dass Ihre Daten Ihr wertvollstes Gut sind. Deshalb konzentriert sich unsere ",[145,7438,80],{},"-Lösung auf die lokale Verarbeitung. Im Gegensatz zu Cloud-basierten Alternativen stellt OTAI sicher, dass sensible Kundeninformationen niemals Ihr Netzwerk verlassen.",[335,7441,7443],{"title":7442,"type":6733},"In Entwicklung",[141,7444,7445],{},"ATC (AI Ticket Classification) entwickelt sich rasant weiter. Wir fügen ständig neue Funktionen hinzu, wie z. B. das automatisierte Entwerfen von Antworten und prädiktives SLA-Management.",[172,7447,7449],{"id":7448},"so-starten-sie","So starten Sie",[141,7451,7452,7453,7458],{},"Egal, ob Sie nach einem ",[152,7454,7457],{"href":7455,"rel":7456},"https://softoft.de/services",[156],"OTRS-Nachfolger"," suchen oder eine neue Installation planen, die Kombination aus OTOBO/Znuny und KI ist eine zukunftssichere Wahl.",[204,7460,7461,7467,7473],{},[207,7462,7463,7466],{},[145,7464,7465],{},"Prüfen Sie Ihr Volumen:"," Wenn Sie >500 Tickets/Monat bearbeiten, amortisiert sich die Automatisierung innerhalb weniger Wochen.",[207,7468,7469,7472],{},[145,7470,7471],{},"Evaluieren Sie OTOBO vs. Znuny:"," Beide sind exzellent; Ihre Wahl hängt von Ihren spezifischen Workflow-Anforderungen ab.",[207,7474,7475,7478],{},[145,7476,7477],{},"Deployen Sie OTAI:"," Starten Sie mit unserer sicheren Docker-Implementierung.",[6583,7480],{},[141,7482,7483,2409,7486,7490,7491,198],{},[145,7484,7485],{},"Bereit, Ihren Support zu automatisieren?",[152,7487,7489],{"href":69,"rel":7488},[156],"Buchen Sie ein persönliches Beratungsgespräch mit unseren Experten"," oder erkunden Sie unsere ",[152,7492,7495],{"href":7493,"rel":7494},"https://open-ticket-ai.com/docs",[156],"KI-Dokumentation",{"title":356,"searchDepth":357,"depth":357,"links":7497},[7498,7502,7503,7504],{"id":7285,"depth":357,"text":7286,"children":7499},[7500,7501],{"id":7298,"depth":491,"text":7299},{"id":7331,"depth":491,"text":7332},{"id":7358,"depth":357,"text":7359},{"id":7429,"depth":357,"text":7430},{"id":7448,"depth":357,"text":7449},"Entdecken Sie, wie KI-gestützte Ticket-Klassifizierung die Landschaft des Open-Source-Supports verändert und warum OTOBO und Znuny dabei führend sind.","post","https://softoft.sirv.com/Images/blog/future-ai-ticketing-hero?q=80&w=1200",{},"/de/blog/future-ai-ticketing-otobo-znuny",{"title":7253,"description":7505},"de/blog/future-ai-ticketing-otobo-znuny",[7513,2457,6748,7514,7515],"AI","Automation","OTAI","f2VOYNACkTN4PBGZIgoywjOQOB3I1dViwgVi12BCS-E",{"id":7518,"title":7519,"author":135,"blogId":7520,"body":7521,"description":7633,"extension":365,"externalUrl":366,"layout":366,"mainImage":7634,"meta":7635,"mobileImage":366,"navigation":369,"order":569,"path":7636,"seo":7637,"stem":7638,"tags":7639,"__hash__":7640},"blog_de/de/blog/local-ai-otobo-znuny.md","Lokale KI für OTOBO & Znuny: Der ultimative Leitfaden 2026","local-ai-otobo-znuny",{"type":138,"value":7522,"toc":7625},[7523,7526,7532,7536,7539,7545,7549,7552,7556,7576,7580,7587,7590,7601,7605,7608],[141,7524,7525],{},"Die Integration von Künstlicher Intelligenz in das IT Service Management (ITSM) ist kein futuristisches Konzept mehr – im Jahr 2026 ist sie eine Notwendigkeit. Für Unternehmen, die mit sensiblen Kundendaten arbeiten, stellt die Abhängigkeit von cloudbasierten KI-Modellen wie OpenAI oder Google Gemini jedoch ein massives Datenschutzrisiko dar.",[141,7527,7528,7529,198],{},"Wie können Sie KI für die Ticket-Triage und Zusammenfassungen nutzen, ohne Ihre vertraulichen Daten aus Ihrem Unternehmensnetzwerk zu senden? Die Antwort liegt in ",[145,7530,7531],{},"lokaler, selbstgehosteter KI",[172,7533,7535],{"id":7534},"das-problem-cloud-ki-und-dsgvo-konformität","Das Problem: Cloud-KI und DSGVO-Konformität",[141,7537,7538],{},"Die Nutzung einer öffentlichen API zur Analyse von Helpdesk-Tickets bedeutet, dass personenbezogene Daten (PII) und interne Geschäftsgeheimnisse auf Servern Dritter verarbeitet werden. Für viele europäische Unternehmen, insbesondere im öffentlichen Sektor oder im Finanzwesen, ist dies ein klarer Verstoß gegen Datenschutzrichtlinien.",[335,7540,7542],{"title":7541,"type":6733},"Datenschutzwarnung",[141,7543,7544],{},"Die Übermittlung nicht anonymisierter Ticketdaten an externe LLMs kann zu schweren DSGVO-Verstößen führen. Stellen Sie sicher, dass Ihre KI-Pipeline vollständig souverän ist.",[172,7546,7548],{"id":7547},"die-lösung-souveräne-ki-mit-lokalen-llms","Die Lösung: Souveräne KI mit lokalen LLMs",[141,7550,7551],{},"Anstatt Ihre OTOBO- oder Znuny-Instanz mit der Cloud zu verbinden, können Sie leistungsstarke Open-Weights-Modelle (wie Llama-3 oder Mistral) direkt in Ihrer eigenen Infrastruktur betreiben.",[399,7553,7555],{"id":7554},"hauptvorteile-einer-lokalen-ki-architektur","Hauptvorteile einer lokalen KI-Architektur:",[204,7557,7558,7564,7570],{},[207,7559,7560,7563],{},[145,7561,7562],{},"Absolute Datensouveränität:"," Ihre Daten verlassen niemals Ihre Server.",[207,7565,7566,7569],{},[145,7567,7568],{},"Vorhersehbare Kosten:"," Keine Pay-per-Token API-Gebühren. Sobald die Hardware eingerichtet ist, ist die Nutzung im Wesentlichen kostenlos.",[207,7571,7572,7575],{},[145,7573,7574],{},"Individuelles Fine-Tuning:"," Trainieren Sie das Modell gezielt auf Ihrer internen Wissensdatenbank und gelösten Tickets, um die Genauigkeit drastisch zu verbessern.",[172,7577,7579],{"id":7578},"implementierung-von-lokaler-ki-in-otobo-znuny","Implementierung von lokaler KI in OTOBO & Znuny",[141,7581,7582,7583,7586],{},"Während Systeme wie Zammad 7.0 native KI-Agenten eingeführt haben, können OTOBO- und Znuny-Anwender durch benutzerdefinierte Integrationen eine noch größere Kontrolle erreichen. Durch die Nutzung des OTOBO Generic Interface oder der Znuny APIs können eingehende Tickets über eine lokal gehostete Instanz von ",[145,7584,7585],{},"Ollama"," geleitet werden.",[141,7588,7589],{},"Die KI kann automatisch:",[407,7591,7592,7595,7598],{},[207,7593,7594],{},"Lange E-Mail-Verläufe für den Level-2-Support zusammenfassen.",[207,7596,7597],{},"Wichtige Entitäten extrahieren (Server-IDs, Benutzernamen, Fehlercodes).",[207,7599,7600],{},"Dem Agenten relevante Artikel aus der Wissensdatenbank vorschlagen.",[172,7602,7604],{"id":7603},"wie-softoft-ihnen-helfen-kann","Wie Softoft Ihnen helfen kann",[141,7606,7607],{},"Bei Softoft sind wir darauf spezialisiert, die Lücke zwischen leistungsstarken Open-Source-ITSM-Plattformen und souveräner KI zu schließen. Wir stellen sicher, dass Ihr Support-Desk intelligenter wird, ohne jemals Kompromisse bei der Datensicherheit einzugehen.",[6798,7609,7610,7615,7618],{"tone":6800,"variant":6941},[6803,7611,7612],{"v-slot:title":356},[141,7613,7614],{},"Bereit für souveräne KI?",[141,7616,7617],{},"Lassen Sie uns Ihnen helfen, eine sichere, lokale KI-Integration für Ihr OTOBO- oder Znuny-System zu implementieren.",[6803,7619,7620],{"v-slot:actions":356},[6814,7621,7622],{"to":21,"variant":6941},[141,7623,7624],{},"Beratungsgespräch vereinbaren",{"title":356,"searchDepth":357,"depth":357,"links":7626},[7627,7628,7631,7632],{"id":7534,"depth":357,"text":7535},{"id":7547,"depth":357,"text":7548,"children":7629},[7630],{"id":7554,"depth":491,"text":7555},{"id":7578,"depth":357,"text":7579},{"id":7603,"depth":357,"text":7604},"Entdecken Sie, wie Sie selbstgehostete, souveräne KI in OTOBO und Znuny integrieren, ohne den Datenschutz zu gefährden.","/img/blog/local-ai-hero.jpg",{},"/de/blog/local-ai-otobo-znuny",{"title":7519,"description":7633},"de/blog/local-ai-otobo-znuny",[7513,2457,6748,7421],"sn4vb7DpHUxn9Xl1UIju7hs_hN70Ny8KP4QLojuxvlA",{"id":7642,"title":7643,"author":366,"blogId":366,"body":7644,"description":356,"extension":365,"externalUrl":366,"layout":366,"mainImage":366,"meta":7648,"mobileImage":366,"navigation":369,"order":366,"path":7649,"seo":7650,"stem":7651,"tags":366,"__hash__":7652},"blog_de/de/blog/uml-diagram-generation-python-plantuml.md","Uml Diagram Generation Python Plantuml",{"type":138,"value":7645,"toc":7646},[],{"title":356,"searchDepth":357,"depth":357,"links":7647},[],{},"/de/blog/uml-diagram-generation-python-plantuml",{"description":356},"de/blog/uml-diagram-generation-python-plantuml","OlJru_gJgKZ5nbK5Jt0CxOQ8WmDmDZWB5K9aSVdQUY0",1777991882603]