E-mail classificatie met AI

E-mail classificatie is inkomende mail automatisch sorteren. Een model geeft elk bericht een of meer labels, zoals klacht, factuur of storing, en stuurt het naar het team dat erover gaat. Vaak haalt het ook gegevens uit de tekst en bepaalt het welke mail voorgaat. Met AI gaat dat verder dan regels op afzender of onderwerpregel.

Mail routeren met AI hoort bij de AI-toepassingen die we bouwen.

Met voorbeelden: mails die jullie team al heeft gelabeld. Het model leert welke woorden en zinnen bij welke categorie horen. Microsoft beschrijft voor Azure Language twee vormen: één label per tekst, of meerdere labels tegelijk. Een mail over een factuur en een klacht krijgt dan beide.

De kwaliteit van de gelabelde voorbeelden weegt zwaarder dan de keuze van het algoritme. Voor Olympia bouwden we een geautomatiseerd classificatiemodel om kandidaten aan passende vacatures te matchen.

Ja, als je vastlegt wat voorrang krijgt. Een storing, een opzegging of een klacht over een eerdere klacht kan bovenaan de wachtrij. Het model voorspelt de categorie; de volgorde komt uit regels die je team kiest, soms aangevuld met gegevens uit het CRM, zoals het soort contract.

Houd de prioriteit uitlegbaar. Een medewerker moet kunnen zien waarom een mail bovenaan staat.

Meestal klantnummer, ordernummer, factuurnummer, adres of datum. Een model herkent die in vrije tekst, ook als ze anders genoteerd zijn. Met die gegevens zoekt het systeem de klant of order alvast op.

Zitten de gegevens vooral in bijlagen, zoals facturen of formulieren in pdf, dan past documentverwerking met AI beter.

Bij Microsoft 365 via Microsoft Graph: daarmee lees je berichten uit een mailbox, zet je er een categorie op of verplaats je ze naar een map. Een ticketsysteem of CRM koppelen we via de API van dat pakket, zodat het label en de gegevens daar landen.

Het model zelf draait bij voorkeur op het platform dat je al hebt, zoals Azure of Databricks. Als Microsoft- en Databricks-partner kiezen we wat past bij jullie beheer.

Vóór livegang meten we per categorie op mails die het model niet kende: hoe vaak klopt het label, en hoeveel mails van die soort vindt het terug? Samen met je team kiezen we de zekerheid waaronder een mail naar een medewerker gaat.

Na livegang tellen we hoe vaak medewerkers een label veranderen. Stijgt dat, bijvoorbeeld door een nieuw product of een nieuwe soort klacht, dan hertrainen we met de nieuwe voorbeelden.

Mail bevat bijna altijd persoonsgegevens: een naam, een mailadres, soms een klantnummer of iets over iemands gezondheid. Dan geldt de AVG. Leg vast waar de mail verwerkt wordt, of een taalmodel buiten je eigen omgeving meekijkt en hoe lang gegevens bewaard blijven.

Of een DPIA nodig is, beoordeelt jullie functionaris gegevensbescherming. Wat daarbij komt kijken, lees je bij DPIA voor AI.

Als er weinig mail is, als afzender of onderwerpregel het al verraadt, of als een webformulier met keuzevelden de mail kan vervangen. Dan zijn regels in de mailbox genoeg.

Wil je veel tekst analyseren op onderwerp en sentiment, lees dan over NLP en tekstanalyse. Wil je vragen ook beantwoorden, dan past een AI chatbot laten maken. Een concept-antwoord bij elke mail valt onder generative AI.