Customer_service_Agent

فكرة المشروع الأساسية تدور حول أتمتة خدمة العملاء (Automating Customer Support) لجعلها أسرع وأكثر كفاءة، وتقليل العبء على الموظفين البشريين. بدلاً من أن ينتظر العميل موظفاً للرد على أسئلته المتكررة (مثل: كيفية استرجاع الأموال، أو نسيان كلمة المرور)، يقوم الذكاء الاصطناعي بالرد فوراً.

إليك شرح مبسط لكيفية عمل الفكرة خطوة بخطوة:

1. استقبال استفسار العميل

يدخل العميل إلى واجهة الدردشة (المبنية بـ Next.js) ويكتب سؤاله، على سبيل المثال: "أريد استرجاع أموالي، المنتج لم يعجبني".

2. فهم "النية" (Intent Classification)

هنا يتدخل عقل النظام الموجود في الواجهة الخلفية (Backend). يقوم الذكاء الاصطناعي بتحليل النص باستخدام خوارزميات رياضية للغة (TF-IDF و Cosine Similarity) ليحدد ماذا يريد العميل بالضبط؟ بناءً على التدريب السابق (على 26 ألف عينة)، سيكتشف النظام أن نية العميل هنا تندرج تحت فئة "استرجاع الأموال (Refund)".

3. تقييم الثقة وتحديد الرد (Confidence Score & Matching)

يبحث النظام في قاعدة البيانات الخاصة به عن أفضل إجابة مطابقة لهذه النية. ويقوم بحساب "نسبة الثقة" في إجابته:

إذا كانت نسبة الثقة عالية: يقوم النظام بإرسال الرد المناسب فوراً للعميل (مثلاً: "نأسف لسماع ذلك، يمكنك طلب الاسترجاع عبر الرابط التالي...").

إذا كانت نسبة الثقة منخفضة: (أي أن الذكاء الاصطناعي لم يفهم السؤال جيداً أو السؤال معقد)، يقوم النظام بتحويل المحادثة وتصعيدها (Escalate) لموظف بشري ليقوم هو بالرد.

4. التقييم والتحليلات (Feedback & Analytics)

بعد انتهاء المحادثة، يمكن للعميل تقييم الرد (👍 أو 👎). هذه التقييمات، بالإضافة إلى نوعية الأسئلة التي تم طرحها، تظهر في لوحة تحكم (Dashboard) للمديرين. مما يسمح لهم بمعرفة أكثر المشاكل التي تواجه العملاء (مثلاً: 40% من الأسئلة اليوم كانت عن تأخر الشحن) لتحسين الخدمة مستقبلاً.

لماذا تم استخدام هذه التقنية (TF-IDF) تحديداً؟ الاعتماد على (TF-IDF) بدلاً من النماذج اللغوية الضخمة (مثل ChatGPT) يجعل النظام سريعاً جداً، لا يستهلك موارد كبيرة من السيرفر، ويقدم إجابات دقيقة ومحددة خاصة بالشركة فقط دون "هلوسة" أو تقديم معلومات خاطئة.