Vastavalt ÜVK aruanne, 32% jaeklientidest loobub pärast ühte negatiivset kogemust ja 73% klientidest ütleb, et kliendikogemus mõjutab nende ostuotsuseid. Globaalses jaekaubanduses on müügieelne ja -järgne tugi mõlemad klienditeeninduse olulised aspektid. Kliendiabi pakkumiseks kasutatakse arvukalt meetodeid, sealhulgas e-posti, reaalajas vestlust, roboteid ja telefonikõnesid. Kuna vestluse tehisintellekt on viimastel aastatel paranenud, on paljud ettevõtted võtnud kasutusele tipptehnoloogiad, nagu AI-toega vestlusrobotid ja AI-toega agentide tugi, et parandada klienditeenindust, suurendades samal ajal tootlikkust ja vähendades kulusid.
Amazoni mõistmine on täielikult hallatav ja pidevalt koolitatud loomuliku keele töötlemise (NLP) teenus, mis võimaldab saada ülevaate dokumendi või teksti sisust. Selles postituses uurime, kuidas AWS-i klient Pro360 seda kasutas Amazon Comprehend kohandatud klassifitseerimise API, mis võimaldab teil hõlpsasti luua kohandatud teksti klassifikatsioonimudeleid, kasutades ettevõttepõhiseid silte, ilma et peaksite õppima masinõpet (ML), et parandada kliendikogemust ja vähendada tegevuskulusid.
Pro360: tuvastage vestlusrobotites täpselt klientide vastuväited
Pro360 on turg, mille eesmärk on ühendada valdkonna spetsiifiliste talentidega spetsialiste potentsiaalsete klientidega, võimaldades neil leida uusi võimalusi ja laiendada oma professionaalset võrgustikku. See võimaldab klientidel suhelda otse ekspertidega ja pidada läbirääkimisi oma teenuste jaoks kohandatud hinna üle, mis põhineb nende individuaalsetel vajadustel. Pro360 võtab klientidelt tasu, kui spetsialistide ja klientide vahel toimuvad edukad vasted.
Pro360 pidi tegelema probleemiga, mis oli seotud ebausaldusväärsete tasudega, mis tõid kaasa tarbijate kaebusi ja vähendasid usaldust kaubamärgi vastu. Probleem seisnes selles, et mitme eesmärgiga keeruliste vestluste, viisakate keeldumiste ja kaudse suhtluse ajal oli raske mõista kliendi eesmärki. Sellised vestlused tõid kaasa ekslikke tasusid, mis vähendasid klientide rahulolu. Näiteks võib klient vestlust alustada ja kohe lõpetada või lõpetada vestluse viisakalt keeldumisega, öeldes: "Olen hõivatud" või "Las ma näriksin seda". Samuti ei pruugi mõned kliendid kultuuriliste erinevuste tõttu olla harjunud oma kavatsusi selgelt väljendama, eriti kui nad tahavad öelda "ei". See muutis asja veelgi keerulisemaks.
Selle probleemi lahendamiseks lisas Pro360 algselt kliendi jaoks suvandid ja valikud, näiteks "Soovin rohkem teavet" või "Ei, mul on muid võimalusi". Selle asemel, et sisestada oma küsimus või päring, valib klient lihtsalt pakutavad valikud. Sellele vaatamata probleem ei lahenenud, sest kliendid eelistasid süsteemiga suheldes rääkida selgelt ja oma loomulikus keeles. Pro360 tuvastas, et probleem tulenes reeglipõhistest süsteemidest ja NLP-põhisele lahendusele üleminek aitab paremini mõista klientide kavatsusi ja tõstab klientide rahulolu.
Kohandatud klassifikatsioon on Amazon Comprehendi funktsioon, mis võimaldab teil väikeste andmekogumite abil oma klassifikaatorite väljatöötamine. Pro360 kasutas seda funktsiooni 99.2% täpsusega mudeli loomiseks, treenides 800 andmepunktil ja katsetades 300 andmepunkti. Nad järgisid mudeli koostamiseks ja itereerimiseks kolmeetapilist lähenemisviisi, et saavutada soovitud täpsustase vahemikus 82% kuni 99.3%. Esiteks määratles Pro360 kaks klassi, tagasilükkamine ja mittelükkamine, mida nad soovisid klassifitseerimiseks kasutada. Teiseks eemaldasid nad ebaolulised emotikonid ja sümbolid, nagu ~
ja ...
ja tuvastas mudeli täpsuse parandamiseks negatiivsed emotikonid. Lõpuks määratlesid nad kolm täiendavat sisu klassifikatsiooni, et parandada vale tuvastamise määra, sealhulgas väike jutt, mitmetähenduslik vastus ja põhjusega tagasilükkamine, et mudelit veelgi itereerida.
Selles postituses jagame, kuidas Pro360 kasutas Amazon Comprehendi tarbijate vastuväidete leidmiseks arutelude ajal ja kasutas HITL-i mehhanismi, et kaasata klientide tagasiside mudeli täiustamisse ja täpsusesse, näidates kasutamise lihtsust ja tõhusust. Amazon Comprehendist.
„Alguses arvasin, et tehisintellekti juurutamine läheb kulukaks. Kuid Amazon Comprehendi avastamine võimaldab meil tõhusalt ja ökonoomselt viia NLP-mudel kontseptsioonist teostuseni vaid 1.5 kuuga. Oleme tänulikud AWS-i kontomeeskonna, lahenduste arhitektuurimeeskonna ning SSO- ja teenindusmeeskonna ML-ekspertide pakutava toe eest.
– LC Lee, Pro360 asutaja ja tegevjuht.
Lahenduse ülevaade
Järgmine diagramm illustreerib lahenduse arhitektuuri, mis hõlmab reaalajas järeldusi, tagasiside töövoogu ja inimese ülevaatuse töövoogu ning seda, kuidas need komponendid aitavad kaasa Amazon Comprehendi koolituse töövoogudele.
Järgmistes jaotistes tutvustame teile töövoo iga etappi.
Reaalajas teksti klassifikatsioon
Kasutada Amazon mõistab kohandatud klassifikatsiooni reaalajas, peate sisestuspunktina juurutama API ja helistama Amazon Comprehendi mudelile, et reaalajas teksti klassifitseerida. Toimingud on järgmised.
- Kliendipool helistab Amazon API värav sisendpunktina kliendi sõnumi sisestamiseks.
- API Gateway edastab päringu kasutajale AWS Lambda ja helistab API-le aadressilt Amazon DynamoDB ja Amazon Comprehend sammudes 3 ja 4.
- Lambda kontrollib Amazon Comprehendi lõpp-punkti praegust versiooni, mis salvestab andmeid DynamoDB-s, ja helistab Amazon Comprehend lõpp-punkt et saada reaalajas järeldusi.
- Sisseehitatud reegliga Lambda kontrollib skoori, et teha kindlaks, kas see on alla läve või mitte. Seejärel salvestab see need andmed DynamoDB-sse ja ootab hindamistulemuse kinnitamiseks inimese heakskiitu.
Tagasiside töövoog
Kui lõpp-punkt tagastab klassifitseerimise tulemuse kliendi poolele, annab rakendus lõppkasutajale vihjega tagasisidet ja salvestab andmed andmebaasi järgmiseks vooruks (koolituse töövoog). Tagasiside töövoo etapid on järgmised.
- Kliendipool saadab kasutajale tagasisidet API Gateway kaudu.
- API Gateway möödub taotlusest Lambdale. Lambda kontrollib vormingut ja salvestab selle DynamoDB-sse.
- Lambda kasutajate tagasiside salvestatakse DynamoDB-sse ja seda kasutatakse järgmises koolitusprotsessis.
Inimese ülevaatuse töövoog
Inimese läbivaatamise protsess aitab meil andmeid täpsustada, mille usaldusskoor jääb alla läve. Need andmed on Amazon Comprehendi mudeli täiustamiseks väärtuslikud ja lisatakse ümberõppe järgmisele iteratsioonile. Me kasutasime Elastne koormuse tasakaalustamine selle protsessi läbiviimise sisenemispunktina, kuna Pro360 süsteem on üles ehitatud Amazon Elastic Complute Cloud (Amazon EC2). Selle töövoo etapid on järgmised.
- Sisendpunktina kasutame Elastic Load Balanceris olemasolevat API-d.
- Kasutame arvutusressursina Amazon EC2, et koostada esiotsa armatuurlaud, mille abil ülevaataja saab sisendandmeid madalamate usaldusskooridega märgistada.
- Pärast seda, kui ülevaataja tuvastab sisendandmete põhjal vastulause, salvestame tulemuse DynamoDB tabelisse.
Amazon Comprehend koolituse töövoog
Amazon Comprehendi mudeli koolituse alustamiseks peame ette valmistama koolitusandmed. Järgmised sammud näitavad teile, kuidas modelli koolitada.
- Me kasutame AWS liim ekstrakti, teisenda ja laadi (ETL) tööde tegemiseks ning kahe erineva DynamoDB tabelis oleva andmete liitmiseks ja salvestamiseks Amazoni lihtne salvestusteenus (Amazon S3).
- Kui Amazon S3 treeningandmed on valmis, saame käivitada AWS-i astmefunktsioonid orkestreerimistööriistana koolitustöö käitamiseks ja edastame S3 tee Step Functions olekumasinasse.
- Me käivitame Lambda funktsiooni, et kinnitada treeningandmete tee olemasolu ja seejärel käivitada Amazon Comprehend koolitustöö.
- Pärast koolitustöö algust kasutame koolitustöö oleku kontrollimiseks teist Lambda funktsiooni. Kui koolitustöö on lõpetatud, saame mudeli mõõdiku ja salvestame selle edasiseks hindamiseks DynamoDB-sse.
- Kontrollime praeguse mudeli jõudlust Lambda mudelivaliku funktsiooniga. Kui praeguse versiooni jõudlus on parem kui algsel, juurutame selle Amazon Comprehendi lõpp-punkti.
- Seejärel kutsume esile teise Lambda funktsiooni, et kontrollida lõpp-punkti olekut. Funktsioon värskendab DynamoDB-s teavet reaalajas teksti klassifitseerimiseks, kui lõpp-punkt on valmis.
Kokkuvõte ja järgmised sammud
Selles postituses näitasime, kuidas Amazon Comprehend võimaldab Pro360-l ilma ML-i asjatundjateta luua AI-toega rakendust, mis suudab suurendada klientide vastuväidete tuvastamise täpsust. Pro360 suutis luua kohandatud NLP-mudeli vaid 1.5 kuuga ja suudab nüüd tuvastada 90% klientide viisakatest tagasilükkamistest ja tuvastada kliendi kavatsused 99.2% üldise täpsusega. See lahendus mitte ainult ei paranda kliendikogemust, suurendades kinnipidamismäära kasvu 28.5%, vaid parandab ka finantstulemusi, vähendades tegevuskulusid 8% ja vähendades klienditeenindajate töökoormust.
Kliendi vastuväidete tuvastamine on aga alles esimene samm kliendikogemuse parandamisel. Jätkates kliendikogemuse itereerimist ja tulude kasvu kiirendamist, on järgmine samm tuvastada klientide vastuväidete põhjused, nagu huvi puudumine, ajastusprobleemid või teiste mõju, ning luua sobiv vastus müügikonversiooni suurendamiseks. määra.
Amazon Comprehendi kasutamiseks kohandatud teksti klassifikatsioonimudelite loomiseks pääsete teenusele juurde läbi AWS-i juhtimiskonsool. Lisateavet Amazon Comprehendi kasutamise kohta leiate siit Amazon Comprehendi arendajaressursid.
Autoritest
Ray Wang on AWS-i lahenduste arhitekt. 8-aastase IT-tööstuse kogemusega Ray on pühendunud kaasaegsete lahenduste loomisele pilves, eriti NoSQL-is, suurandmetes ja masinõppes. Näljase tegijana läbis ta kõik 12 AWS-i sertifikaati, et muuta tema tehniline valdkond mitte ainult sügavaks, vaid ka laiaks. Talle meeldib vabal ajal lugeda ja ulmefilme vaadata.
Josie Cheng on AWS-i HKT AI/ML Go-To-Market. Tema praegune fookus on ettevõtete ümberkujundamisel jaemüügis ja CPG-s andmete ja ML-i kaudu, et kiirendada ettevõtte tohutut kasvu. Enne AWS-iga liitumist töötas Josie Amazon Retailis ning teistes Hiina ja USA Interneti-ettevõtetes kasvu tootejuhina.
Shanna Chang on AWS-i lahenduste arhitekt. Ta keskendub vaadeldavusele kaasaegsetes arhitektuurides ja pilvepõhiste seirelahenduste puhul. Enne AWS-iga liitumist oli ta tarkvarainsener. Vabal ajal meeldib talle matkata ja filme vaadata.
Wrick Talukdar on Amazon Comprehend Service meeskonna vanemarhitekt. Ta teeb koostööd AWS-i klientidega, et aidata neil masinõpet laialdaselt kasutusele võtta. Töövälisel ajal meeldib talle lugeda ja pildistada.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :on
- :on
- :mitte
- 1
- 100
- 2%
- 28
- 8
- a
- Võimalik
- MEIST
- kiirendama
- juurdepääs
- konto
- täpsus
- täpselt
- Saavutada
- lisatud
- Täiendavad lisad
- vastu võtma
- vastu
- pärast
- Agent
- ained
- AI
- Tehisintellekti toega
- AI / ML
- Eesmärgid
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- Ka
- Amazon
- Amazoni mõistmine
- Amazon EC2
- an
- ja
- Teine
- API
- taotlus
- lähenemine
- asjakohane
- heakskiit
- arhitektuur
- OLEME
- AS
- aspektid
- Abi
- At
- AWS
- AWS-i klient
- stabilisaator
- põhineb
- BE
- sest
- enne
- Arvatakse
- alla
- Parem
- vahel
- Suur
- Big andmed
- mõlemad
- eest
- bränd
- tooma
- ehitama
- Ehitus
- ehitatud
- sisseehitatud
- äri
- Ettevõtte ümberkujundamine
- ettevõtted
- kuid
- by
- helistama
- kutsudes
- Kutsub
- CAN
- mis
- tegevjuht
- tunnistused
- raske
- koormuste
- jututoad
- kontrollima
- Kontroll
- Hiina
- valikuid
- klassid
- klassifikatsioon
- selgelt
- klient
- kliendid
- Cloud
- COM
- edastama
- KOMMUNIKATSIOON
- Ettevõtted
- kaebuste
- täitma
- komponendid
- mõista
- Arvutama
- mõiste
- Läbi viima
- usaldus
- Kinnitama
- Võta meiega ühendust
- tarbija
- sisu
- jätkates
- pidevalt
- aitama kaasa
- Vestlus
- jutukas
- jutukas AI
- vestlused
- Konverteerimine
- Maksma
- kulud
- kattes
- cpg
- kultuuriline
- Praegune
- tava
- klient
- Kliendi kogemus
- Kliendi rahulolu
- Kasutajatugi
- Kliendid
- kohandatud
- viimase peal
- Tipptasemel tehnoloogiad
- armatuurlaud
- andmed
- andmepunktid
- andmebaas
- tegelema
- otsused
- Langevad
- pühendunud
- sügav
- määratletud
- näidates
- juurutada
- soovitud
- Detection
- Määrama
- arendaja
- erinevused
- erinev
- raske
- otse
- avastus
- arutelud
- dokument
- alla
- ajal
- iga
- kasutusmugavus
- kergesti
- efektiivsus
- tõhusalt
- võimaldab
- Lõpp-punkt
- insener
- Parandab
- ettevõte
- kanne
- eriti
- Eeter (ETH)
- hindamine
- Isegi
- näide
- olemasolevate
- olemas
- Laiendama
- kogemus
- ekspert
- teadmised
- ekspertide
- uurima
- väljavõte
- tunnusjoon
- tagasiside
- väli
- täidetud
- finants-
- leidma
- esimene
- Keskenduma
- keskendub
- Järgneb
- Järel
- järgneb
- eest
- formaat
- Asutaja
- Asutaja ja tegevjuht
- Alates
- Kütus
- täielikult
- funktsioon
- funktsioonid
- edasi
- värav
- tekitama
- saama
- Globaalne
- Turule minema
- tänulik
- Kasv
- Olema
- he
- aitama
- aitab
- matkamine
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- inim-
- Näljane
- i
- tuvastatud
- identifitseerib
- identifitseerima
- identifitseerimiseks
- illustreerib
- kohe
- täitmine
- rakendamisel
- oluline
- parandama
- paranenud
- paranemine
- parandab
- Paranemist
- in
- Kaasa arvatud
- lisada
- Suurendama
- kasvav
- eraldi
- tööstus
- tööstusharuspetsiifiline
- mõju
- info
- esialgu
- sisend
- ülevaade
- selle asemel
- tahtlus
- kavatsused
- suhtlevad
- huvi
- Internet
- sisse
- küsimustes
- IT
- IT-tööstus
- iteratsioon
- töö
- Tööturg
- liitumine
- jpg
- lihtsalt
- Labels
- puudus
- keel
- suur
- viima
- juhtivate
- Õppida
- õppimine
- Led
- Alltuulekülg
- Tase
- nagu
- elama
- koormus
- alandamine
- masin
- masinõpe
- tehtud
- tegema
- juhitud
- juhtimine
- juht
- palju
- turul
- mai..
- mehhanism
- Merge
- sõnum
- meetodid
- meetriline
- võib
- ML
- mudel
- mudelid
- Kaasaegne
- järelevalve
- kuu
- rohkem
- Filmid
- liikuv
- mitmekordne
- Natural
- Loomulik keel
- Natural Language Processing
- Vajadus
- negatiivne
- võrk
- Uus
- järgmine
- nlp
- nüüd
- arvukad
- eesmärk
- of
- on
- ONE
- ainult
- töö
- töökorras
- Võimalused
- Valikud
- or
- Korraldus
- originaal
- Muu
- teised
- väljaspool
- üldine
- enda
- eriti
- sooritama
- Vastu võetud
- möödub
- tee
- jõudlus
- telefon
- telefonikõned
- fotograafia
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Punkt
- võrra
- post
- potentsiaal
- potentsiaalsed kliendid
- eelistatud
- Valmistama
- hind
- Probleem
- protsess
- töötlemine
- Toode
- tootejuht
- tootlikkus
- professionaalne
- anda
- tingimusel
- ostma
- PWC
- küsimus
- määr
- RAY
- Lugenud
- Lugemine
- valmis
- reaalne
- reaalajas
- põhjus
- põhjustel
- hiljuti
- vähendama
- Lühendatud
- vähendamine
- seotud
- Eemaldatud
- taotleda
- Nõuded
- ressurss
- vastus
- kaasa
- jaemüük
- jaekaubandus
- säilitamine
- ümberõpe
- Tulu
- tulu
- tulude kasv
- läbi
- ümber
- Eeskiri
- jooks
- müük
- rahulolu
- Skaala
- ulmefilm
- skoor
- lõigud
- valik
- vanem
- teenus
- Teenused
- Jaga
- näitama
- lihtne
- lihtsalt
- alates
- väike
- tarkvara
- Tarkvara insener
- lahendus
- Lahendused
- LAHENDAGE
- mõned
- rääkima
- spetsialistid
- algus
- algab
- riik
- olek
- Samm
- Sammud
- Veel
- Peatus
- ladustamine
- salvestada
- ladustatud
- kauplustes
- edukas
- selline
- toetama
- süsteem
- süsteemid
- tabel
- TAG
- andeid
- rääkima
- meeskond
- Tehniline
- Tehnoloogiad
- Testimine
- Teksti liigitus
- kui
- et
- .
- oma
- Neile
- nad
- see
- need
- kolm
- kolmeastmeline
- künnis
- Läbi
- aeg
- ajastamine
- et
- tööriist
- jälgida
- Rong
- koolitatud
- koolitus
- Muutma
- Transformation
- tohutu
- vallandada
- Usalda
- all
- mõistma
- mõistmine
- Uudised
- us
- kasutama
- Kasutatud
- Kasutaja
- kasutamine
- kasutatud
- KINNITAGE
- väärtuslik
- versioon
- tagaotsitav
- oli
- Watch
- vaadates
- we
- olid
- kas
- mis
- kuigi
- lai
- will
- koos
- ilma
- Töö
- töötas
- töövoog
- töötab
- oleks
- aastat
- sa
- Sinu
- sephyrnet