Corporate IT-support Help-Desk Process Hybrid-Automation Solution with Machine Learning Approach
원문 초록
Comprehensive IT support teams in large scale organizations require more man power for handling engagement and requests of employees from different channels on a 24*7 basis. Automated email technical queries help desk is proposed to have instant real-time quick solutions and email categorisation. Email topic modelling with various machine learning, deep-learning approaches are compared with different features for a scalable, generalised solution along with sure-shot static rules. Email's title, body, attachment, OCR text, and some feature engineered custom features are given as input elements. XGBoost cascaded hierarchical models, Bi-LSTM model with word embeddings perform well showing 77.3 overall accuracy For the real world corporate email data set. By introducing the thresholding techniques, the overall automation system architecture provides 85.6 percentage of accuracy for real world corporate emails. Combination of quick fixes, static rules, ML categorization as a low cost inference solution reduces 81 percentage of the human effort in the process of automation and real time implementation.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
겉표지로 책을 판단하다: 다중 페이지 필기체 문서 전사를 위한 멀티모달 LLM 탐구
Judge a Book by its Cover: Investigating Multi-Modal LLMs for Multi-Page Handwritten Document Transcription
필기 텍스트 인식(HTR)은 여전히 까다로운 과제입니다. 기존 접근 방식은 실제 문제에서 확보하기 어려운 레이블이 지정된 데이터에 대한 미세조정(fine-tuning)을 필요로 하거나, OCR 엔진 및 멀티모달 LLM(MLLM)과 같은 제로샷(zero-shot) 도구에 의존합니다. MLLM은 엔드투엔드(end-to-end) 전사기와 OCR 사후 처리기 모두로서 유망한 가능성을 보여주었으나, 지금까지 HTR을 위한 다양한 MLLM 프롬프트(prompt) 전략, 특히 다중 페이지 문서에 대한 경험적 연구 평가는 거의 이루어지지 않았습니다. 대부분의 필기 문서는 다중 페이지로 구성되어 있으며 페이지 전반에 걸쳐 의미적 내용과 필체 스타일 같은 문맥을 공유하지만, MLLM은 일반적으로 페이지 단위 전사에 사용되어 이러한 공유 문맥을 버리게 됩니다. 또한 여러 양식을 활용하기보다는 텍스트 전용 사후 처리기 또는 이미지 전용 OCR 대안 중 하나로만 주로 사용됩니다. 본 논문에서는 제로샷 다중 페이지 필기체 문서 전사 과제를 위해 OCR, LLM 사후 처리, MLLM 엔드투엔드 전사를 결합한 일련의 방법을 조사합니다. 새로운 데이터셋(dataset)인 Malvern-Hills를 포함하여 기존 단일 페이지 데이터셋으로부터 이 과제를 위한 벤치마크(benchmark)를 소개합니다. 마지막으로, 프롬프트 복잡성을 최소화하면서 페이지 간 콘텐츠를 공유함으로써 기존 방식보다 뛰어난 성능을 보이는 다중 페이지 전사용 프롬프트 전략인 OCR+PAGE-1 및 OCR+PAGE-N을 소개합니다.
Orchestrator-Agent Trust: A Modular Agentic AI Visual Classification System with Trust-Aware Orchestration and RAG-Based Reasoning
PaddleOCR 3.0 Technical Report
DrishtiKon: Multi-Granular Visual Grounding for Text-Rich Document Images
Characterizing Linguistic Shifts in Croatian News via Diachronic Word Embeddings
Institutional Books 1.0: A 242B token dataset from Harvard Library's collections, refined for accuracy and usability
대형 언어 모델(LLM)은 의미 있는 상관관계와 예측을 생성하기 위해 세상에 대한 학습을 데이터로 수행합니다. 따라서 이러한 모델을 학습시키거나 추론 시 지원하는 데 사용되는 데이터셋의 성격, 규모, 품질 및 다양성은 모델의 품질에 직접적인 영향을 미칩니다. 다양한 품질의 LLM이 빠르게 개발되고 채택됨에 따라, 공개적으로 이용 가능한 고품질 학습 데이터의 희소성이 부각되었으며, 명확한 출처 체인을 갖춘 지속 가능한 데이터셋 관리의 필요성이 시급히 대두되었습니다. 이에 본 기술 보고서에서는 2006년부터 하버드 도서관이 구글 북스 프로젝트에 참여하여 디지털화한 공공 도메인 도서의 대규모 컬렉션인 Institutional Books 1.0을 소개합니다. 하버드 도서관과 협력하여, 우리는 이 도서들을 추출, 분석 및 처리하여 역사적 텍스트에 대한 광범위하게 문서화된 데이터셋으로 구성하였습니다. 이 분석은 해당 프로젝트의 일부로 스캔된 하버드 도서관 소장 도서 전체를 포함하며, 총 250개 이상의 언어로 작성된 1,075,899권, 약 2,500억 토큰에 달합니다. 초기 공개 버전으로서, 공공 도메인으로 확인된 983,004권, 즉 2420억 토큰에 해당하는 OCR 추출 텍스트(원본 및 후처리본)와 메타데이터(서지, 출처, 생성된 메타데이터)를 제공하고 있습니다. 본 보고서는 이 프로젝트의 목표와 방법, 그리고 수행한 분석 결과를 기술하며, 이 역사적 컬렉션을 인간과 기계 모두가 보다 쉽게 필터링하고 읽으며 활용할 수 있도록 하는 데 목적이 있습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.