Self-Improvement

Der Classifier lernt aus Korrekturen. Jede Korrektur verbessert zukuenftige Klassifikationen ueber drei Ebenen.

Wie Feedback gespeichert wird

Drei Ebenen

Ebene 1: Direkte Korrektur (sofort wirksam)

Bei jeder Klassifikation durchsucht der Feedback-Store per FTS5-Volltextsuche aehnliche Tickets, die in der Vergangenheit korrigiert wurden:

SELECT correct, COUNT(*) as corrections
FROM classifications
WHERE correct IS NOT NULL AND predicted != correct
  AND classifications_fts MATCH 'ticket titel woerter'
GROUP BY correct
ORDER BY corrections DESC

Jede Korrektur gibt einen Score-Boost von 0.5 (max 2.0) fuer die korrigierte Collection.

Beispiel:

• 5 Tickets mit “Dashboard” wurden von lowcode zu portal korrigiert
• Neues Ticket “Dashboard zeigt alte Daten” bekommt: portal +2.0

Ebene 2: Keyword-Gewicht-Anpassung (periodisch)

Die Methode getKeywordAdjustments() analysiert systematische Fehlklassifikationen und schlaegt Keyword-Gewicht-Aenderungen vor:

const store = getFeedbackStore();
const adjustments = store.getKeywordAdjustments();
 
// Ergebnis:
// [
//   { term: "dashboard", boostCollection: "portal", reduceCollection: "lowcode", count: 5 },
//   { term: "checkliste", boostCollection: "produkte", reduceCollection: "studio", count: 3 }
// ]

Diese Vorschlaege koennen manuell in die classifier-config.ts uebernommen werden.

Ebene 3: LLM-Prompt-Hints (automatisch)

Die Methode getLlmPromptHints() generiert Hinweise, die automatisch in den LLM-System-Prompt eingefuegt werden:

## Bekannte Fehlklassifikationen (aus Feedback)

- Tickets die nach "studio" aussehen, gehoeren oft zu "produkte" (5x korrigiert)
- Tickets die nach "lowcode" aussehen, gehoeren oft zu "portal" (3x korrigiert)

Diese Hints helfen dem LLM, bekannte Fallen zu vermeiden.

Feedback-Store

Der Store nutzt SQLite mit FTS5 (Volltextsuche):

Datenbank-Pfad

Statistiken

curl https://docs.processcube.io/api/classify-ticket/stats \
  -H "Authorization: Bearer $CLASSIFIER_API_KEY"

{
  "total": 247,
  "withFeedback": 53,
  "accuracy": 0.83,
  "topMisclassifications": [
    { "predicted": "lowcode", "correct": "portal", "count": 8 },
    { "predicted": "studio", "correct": "produkte", "count": 5 }
  ]
}