Progettazione e sviluppo di un sistema intelligente per l'assistenza tecnica in ambito industriale

Technical support activities generate over time a large amount of knowledge contained in historical tickets, including reported problems, diagnostic checks, performed interventions and their outcomes. However, this information is mainly stored in unstructured conversations and cannot be directly reused to support the troubleshooting of new cases. This thesis presents the design and development of a system for extracting, organizing and reusing diagnostic knowledge from historical industrial technical support requests. The work was carried out on a real case study involving the COIL~16 machine and a dataset of 509 closed support tickets provided by Schnell S.p.A. A multimodal processing pipeline was developed to reconstruct ticket conversations, integrate information contained in images and extract a structured diagnostic representation while preserving the provenance and evidence level of the information. The extracted cases were subsequently normalized and organized into a persistent diagnostic knowledge base based on the LLM Wiki pattern, where related cases are grouped into \textit{Problem Family} and their causes and \textit{Diagnostic Path} are preserved. The resulting knowledge base is used by Iris, a conversational agent designed to progressively collect information about a new technical issue, identify compatible problem families and guide the user through diagnostic paths derived from historical cases. When the available knowledge is insufficient, the system can prepare the collected context for escalation to technical support. The evaluation considered the extraction process, the structural and diagnostic consistency of the knowledge base, and the end-to-end behaviour of Iris. The results show that the proposed pipeline can transform heterogeneous historical support conversations into reusable diagnostic knowledge and make it available within a controlled conversational troubleshooting process, while also highlighting the importance of the completeness and quality of the original technical documentation.

Le attività di assistenza tecnica producono nel tempo una grande quantità di conoscenza contenuta nei ticket storici, nei quali vengono documentati problemi segnalati, verifiche diagnostiche, interventi effettuati e relativi esiti. Tali informazioni rimangono tuttavia prevalentemente distribuite all'interno di conversazioni non strutturate e non risultano direttamente riutilizzabili per supportare la gestione di nuovi casi. Il presente lavoro di tesi affronta il problema dell'estrazione, dell'organizzazione e del riutilizzo della conoscenza diagnostica contenuta nello storico dell'assistenza tecnica industriale. Il progetto è stato sviluppato su un caso di studio reale relativo alla macchina COIL~16, utilizzando un dataset composto da 509 ticket chiusi provenienti dallo storico Zendesk di Schnell S.p.A. È stata realizzata una pipeline multimodale per ricostruire le conversazioni, integrare le informazioni contenute nelle immagini ed estrarre una rappresentazione diagnostica strutturata, preservando la provenienza e il livello di evidenza delle informazioni. I casi ottenuti sono stati successivamente normalizzati e organizzati in una knowledge base diagnostica persistente, basata sul pattern LLM Wiki, nella quale problematiche affini vengono raccolte in \textit{Problem Family} e collegate alle relative cause e ai \textit{Diagnostic Path} osservati nei casi storici. La conoscenza così organizzata viene utilizzata da Iris, un agente conversazionale progettato per raccogliere progressivamente le informazioni relative a una nuova richiesta, individuare problematiche compatibili e guidare l'utente attraverso percorsi diagnostici derivati dall'esperienza storica. Quando la conoscenza disponibile non consente di proseguire, il sistema può inoltre predisporre il contesto raccolto per il successivo passaggio all'assistenza tecnica. La valutazione ha riguardato il processo di estrazione, la coerenza strutturale e diagnostica della knowledge base e il comportamento complessivo di Iris. I risultati ottenuti mostrano la fattibilità di un processo end-to-end capace di trasformare conversazioni storiche eterogenee in conoscenza diagnostica riutilizzabile all'interno di un processo conversazionale di troubleshooting, evidenziando al tempo stesso l'importanza della completezza e della qualità della documentazione tecnica di partenza.