Mukaan PWC-raportti, 32 % vähittäisasiakkaista kieltäytyy yhden negatiivisen kokemuksen jälkeen, ja 73 % asiakkaista sanoo, että asiakaskokemus vaikuttaa heidän ostopäätöksiinsä. Globaalissa vähittäiskaupassa myyntiä edeltävä ja sen jälkeinen tuki ovat molemmat tärkeitä osa-alueita asiakaspalvelussa. Asiakasavun tarjoamiseen käytetään lukuisia menetelmiä, kuten sähköposti, live chat, botit ja puhelut. Keskustelun tekoäly on parantunut viime vuosina, ja monet yritykset ovat ottaneet käyttöön huipputeknologioita, kuten tekoälypohjaisia chatbotteja ja tekoälypohjaisia agenttitukea parantaakseen asiakaspalvelua samalla, kun ne lisäävät tuottavuutta ja alentavat kustannuksia.
Amazonin käsitys on täysin hallittu ja jatkuvasti koulutettu luonnollisen kielen käsittelypalvelu (NLP), joka voi saada tietoa dokumentin tai tekstin sisällöstä. Tässä viestissä tutkimme, kuinka AWS-asiakas Pro360 käytti Amazon Comprehend mukautetun luokittelun API, jonka avulla voit helposti rakentaa mukautettuja tekstin luokitusmalleja käyttämällä yrityskohtaisia tarrojasi ilman koneoppimisen (ML) oppimista, mikä parantaa asiakaskokemusta ja alentaa käyttökustannuksia.
Pro360: Tunnista tarkasti asiakkaiden vastalauseet chatboteissa
Pro360 on markkinapaikka, jonka tavoitteena on yhdistää toimialakohtaisia kykyjä omaavat asiantuntijat potentiaalisiin asiakkaisiin, jotta he voivat löytää uusia mahdollisuuksia ja laajentaa ammatillista verkostoaan. Sen avulla asiakkaat voivat kommunikoida suoraan asiantuntijoiden kanssa ja neuvotella palveluilleen räätälöidyn hinnan omien tarpeidensa mukaan. Pro360 veloittaa asiakkaita, kun asiantuntijat ja asiakkaat kohtaavat onnistuneita osumia.
Pro360 joutui käsittelemään epäluotettaviin maksuihin liittyvää ongelmaa, joka johti kuluttajien valituksiin ja heikensi luottamusta brändiin. Ongelmana oli, että asiakkaan tavoitetta oli vaikea ymmärtää monimutkaisissa keskusteluissa, joissa oli useita tavoitteita, kohteliasta kieltäytymistä ja epäsuoraa viestintää. Tällaiset keskustelut johtivat virheellisiin maksuihin, jotka heikensivät asiakastyytyväisyyttä. Asiakas voi esimerkiksi aloittaa keskustelun ja lopettaa sen välittömästi tai lopettaa keskustelun kohteliaasti kieltäytymällä sanomalla "Olen kiireinen" tai "Anna minun pureskella sitä". Kulttuurieroista johtuen jotkut asiakkaat eivät ehkä ole tottuneet ilmaisemaan aikomuksiaan selkeästi, varsinkin kun he haluavat sanoa "ei". Tämä teki siitä entistä haastavamman.
Tämän ongelman ratkaisemiseksi Pro360 lisäsi aluksi vaihtoehtoja ja valintoja asiakkaalle, kuten "Haluaisin lisätietoja" tai "Ei, minulla on muita vaihtoehtoja". Sen sijaan, että asiakas kirjoittaisi oman kysymyksensä tai kyselynsä, hän valitsee vain tarjotut vaihtoehdot. Ongelma ei kuitenkaan ratkennut, koska asiakkaat halusivat puhua selkeästi ja omalla luonnollisella kielellään ollessaan vuorovaikutuksessa järjestelmän kanssa. Pro360 havaitsi, että ongelma johtui sääntöihin perustuvista järjestelmistä ja että siirtyminen NLP-pohjaiseen ratkaisuun johtaisi asiakkaiden aikomusten parempaan ymmärtämiseen ja parempaan asiakastyytyväisyyteen.
Mukautettu luokitus on Amazon Comprehendin ominaisuus, jonka avulla voit kehittää omia luokittelijoitasi käyttämällä pieniä tietojoukkoja. Pro360 käytti tätä ominaisuutta rakentaakseen mallin 99.2 %:n tarkkuudella harjoittelemalla 800 datapisteellä ja testaamalla 300 datapisteellä. He noudattivat kolmivaiheista lähestymistapaa mallin rakentamiseen ja iterointiin saavuttaakseen halutun tarkkuustason 82 %:sta 99.3 %:iin. Ensinnäkin Pro360 määritteli kaksi luokkaa, hylkääminen ja ei-hylkääminen, joita he halusivat käyttää luokitteluun. Toiseksi he poistivat epäolennaiset emojit ja symbolit, kuten ~
ja ...
ja tunnisti negatiiviset emojit parantaakseen mallin tarkkuutta. Lopuksi he määrittelivät kolme ylimääräistä sisällön luokittelua parantaakseen virheiden tunnistamisastetta, mukaan lukien puheenvuoro, epäselvä vastaus ja syyllinen hylkääminen mallin toistamiseksi.
Tässä viestissä kerromme, kuinka Pro360 käytti Amazon Comprehendia jäljittääkseen kuluttajien vastalauseita keskustelujen aikana ja käytti HITL-mekanismia sisällyttääkseen asiakaspalautteen mallin parantamiseen ja tarkkuuteen, mikä osoittaa käytön helppouden ja tehokkuuden. Amazon Comprehendistä.
”Aluksi uskoin, että tekoälyn käyttöönotto olisi kallista. Amazon Comprehendin löytämisen ansiosta voimme kuitenkin tehokkaasti ja taloudellisesti viedä NLP-mallin konseptista toteutukseen vain 1.5 kuukaudessa. Olemme kiitollisia AWS-tilitiimin, ratkaisuarkkitehtuuritiimin ja SSO- ja palvelutiimin ML-asiantuntijoiden tarjoamasta tuesta."
– LC Lee, Pro360:n perustaja ja toimitusjohtaja.
Ratkaisun yleiskatsaus
Seuraava kaavio havainnollistaa ratkaisuarkkitehtuuria, joka kattaa reaaliaikaisen päättelyn, palautteen työnkulun ja ihmisen tarkastelun työnkulun, ja kuinka nämä komponentit vaikuttavat Amazon Comprehend -koulutuksen työnkulkuun.
Seuraavissa osioissa opastamme sinut työnkulun jokaisen vaiheen läpi.
Reaaliaikainen tekstin luokittelu
Käyttää Amazon Ymmärtää mukautetun luokituksen reaaliajassa, sinun on otettava käyttöön API aloituspisteenä ja kutsuttava Amazon Comprehend -malli suorittaaksesi reaaliaikaisen tekstin luokittelun. Vaiheet ovat seuraavat:
- Asiakaspuoli soittaa Amazon API -yhdyskäytävä sisääntulopisteenä asiakasviestin syöttämiseksi.
- API Gateway välittää pyynnön vastaanottajalle AWS Lambda ja kutsuu API:ta osoitteesta Amazon DynamoDB ja Amazon Comprehend vaiheissa 3 ja 4.
- Lambda tarkistaa Amazon Comprehend -päätepisteen nykyisen version, joka tallentaa tiedot DynamoDB:hen, ja kutsuu Amazon ymmärtää päätepisteen saadaksesi reaaliaikaisia johtopäätöksiä.
- Lambda, jossa on sisäänrakennettu sääntö, tarkistaa tuloksen määrittääkseen, onko se kynnyksen alapuolella vai ei. Sitten se tallentaa tiedot DynamoDB:hen ja odottaa ihmisen hyväksyntää arvioinnin tuloksen vahvistamiseksi.
Palautteen työnkulku
Kun päätepiste palauttaa luokittelutuloksen asiakaspuolelle, sovellus pyytää loppukäyttäjää vihjeellä saada palautetta ja tallentaa tiedot tietokantaan seuraavaa kierrosta (harjoitustyönkulkua) varten. Palautteen työnkulun vaiheet ovat seuraavat:
- Asiakaspuoli lähettää käyttäjälle palautetta soittamalla API Gatewaylle.
- API Gateway ohittaa pyynnön Lambdalle. Lambda tarkistaa muodon ja tallentaa sen DynamoDB:hen.
- Lambdan käyttäjäpalaute tallennetaan DynamoDB:hen ja sitä käytetään seuraavassa harjoitusprosessissa.
Ihmisen tarkastelun työnkulku
Ihmisen suorittama tarkistusprosessi auttaa meitä selventämään dataa, jonka luottamuspisteet jäävät alle kynnyksen. Nämä tiedot ovat arvokkaita Amazon Comprehend -mallin parantamiseksi, ja ne lisätään seuraavaan uudelleenkoulutuksen iteraatioon. Me käytimme Joustava kuorman tasapainotus aloituspisteenä tämän prosessin suorittamiseen, koska Pro360-järjestelmä on rakennettu Amazon Elastic Complute Cloud (Amazon EC2). Tämän työnkulun vaiheet ovat seuraavat:
- Käytämme jo olemassa olevaa sovellusliittymää Elastic Load Balancerissa aloituspisteenä.
- Käytämme Amazon EC2:ta laskentaresurssina rakentaaksemme käyttöliittymän hallintapaneelin, jonka avulla arvioija merkitsee syötetietoihin alhaisemmat luotettavuuspisteet.
- Kun arvioija tunnistaa vastalauseen syöttötiedoista, tallennamme tuloksen DynamoDB-taulukkoon.
Amazon Comprehend -koulutuksen työnkulku
Amazon Comprehend -mallin koulutuksen aloittamiseksi meidän on valmisteltava koulutustiedot. Seuraavat vaiheet osoittavat, kuinka mallia koulutetaan:
- Käytämme AWS-liima suorittaa purku-, muunnos- ja lataustöitä (ETL) ja yhdistää tiedot kahdesta eri DynamoDB-taulukosta ja tallentaa ne Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
- Kun Amazon S3 -harjoitustiedot ovat valmiit, voimme laukaista AWS-vaihetoiminnot ohjaustyökaluna harjoitustyön suorittamiseen, ja siirrämme S3-polun Step Functions -tilakoneeseen.
- Kutsumme Lambda-funktion vahvistamaan, että harjoitustietopolku on olemassa, ja käynnistämme sitten Amazon Comprehend -harjoitustyön.
- Harjoitustyön alkamisen jälkeen tarkistamme harjoitustyön tilan toisella Lambda-toiminnolla. Jos koulutustyö on valmis, saamme mallimittarin ja tallennamme sen DynamoDB:hen lisäarviointia varten.
- Tarkistamme nykyisen mallin suorituskyvyn Lambda-mallin valintatoiminnolla. Jos nykyisen version suorituskyky on parempi kuin alkuperäinen, otamme sen käyttöön Amazon Comprehend -päätepisteessä.
- Sitten kutsumme toisen Lambda-funktion tarkistaaksemme päätepisteen tilan. Funktio päivittää tiedot DynamoDB:ssä reaaliaikaista tekstin luokittelua varten, kun päätepiste on valmis.
Yhteenveto ja seuraavat vaiheet
Tässä viestissä näytimme, kuinka Amazon Comprehend mahdollistaa Pro360:n rakentamisen tekoälypohjaisen sovelluksen ilman ML-asiantuntijoita, mikä pystyy lisäämään asiakkaiden vastalauseiden havaitsemisen tarkkuutta. Pro360 pystyi rakentamaan räätälöidyn NLP-mallin vain 1.5 kuukaudessa, ja se pystyy nyt tunnistamaan 90 % asiakkaiden kohteliaista hylkäyksistä ja havaitsemaan asiakkaan aikeet 99.2 %:n tarkkuudella. Tämä ratkaisu ei vain paranna asiakaskokemusta lisäämällä 28.5 %:n säilytysasteen kasvua, vaan myös parantaa taloudellisia tuloksia, alentaa käyttökustannuksia 8 % ja vähentää asiakaspalvelun työtaakkaa.
Asiakkaiden vastalauseiden tunnistaminen on kuitenkin vasta ensimmäinen askel asiakaskokemuksen parantamisessa. Jatkamalla asiakaskokemuksen iterointia ja nopeuttamalla tulojen kasvua, seuraava askel on tunnistaa syyt asiakkaiden vastustuksiin, kuten kiinnostuksen puute, ajoitusongelmat tai muiden vaikutus, ja luoda oikea vastaus myynnin konversion lisäämiseksi. korko.
Voit käyttää Amazon Comprehendia mukautettujen tekstin luokitusmallien luomiseen käyttämällä palvelua AWS-hallintakonsoli. Saat lisätietoja Amazon Comprehendin käytöstä tutustumalla Amazon Comprehend -kehittäjäresurssit.
Tietoja Tekijät
Ray Wang on ratkaisuarkkitehti AWS:ssä. 8 vuoden kokemuksella IT-alalta Ray on omistautunut rakentamaan moderneja ratkaisuja pilveen, erityisesti NoSQL:ssä, big datassa ja koneoppimisessa. Nälkäisenä yrittäjänä hän läpäisi kaikki 12 AWS-sertifikaattia tehdäkseen teknisestä alastaan paitsi syvän myös laajan. Hän rakastaa lukea ja katsella scifi-elokuvia vapaa-ajallaan.
Josie Cheng on HKT AI/ML Go-To-Market AWS:ssä. Hän keskittyy tällä hetkellä liiketoiminnan muuttamiseen vähittäiskaupassa ja CPG:ssä datan ja ML:n avulla yritysten valtavan kasvun edistämiseksi. Ennen AWS:ään liittymistään Josie työskenteli Amazon Retailissa ja muissa kiinalaisissa ja yhdysvaltalaisissa Internet-yrityksissä kasvutuotepäällikkönä.
Shanna Chang on ratkaisuarkkitehti AWS:ssä. Hän keskittyy tarkkailtavuuteen moderneissa arkkitehtuureissa ja pilvipohjaisissa seurantaratkaisuissa. Ennen AWS:ään liittymistään hän oli ohjelmistosuunnittelija. Vapaa-ajallaan hän harrastaa patikointia ja elokuvien katselua.
Wrick Talukdar on vanhempi arkkitehti Amazon Comprehend Service -tiimissä. Hän työskentelee AWS-asiakkaiden kanssa auttaakseen heitä ottamaan käyttöön koneoppimisen laajassa mittakaavassa. Työn ulkopuolella hän pitää lukemisesta ja valokuvaamisesta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :on
- :On
- :ei
- 1
- 100
- 2%
- 28
- 8
- a
- pystyy
- Meistä
- kiihdyttää
- pääsy
- Tili
- tarkkuus
- tarkasti
- Saavuttaa
- lisä-
- lisä-
- hyväksyä
- hyväksytty
- Jälkeen
- Agentti
- aineet
- AI
- AI-käyttöinen
- AI / ML
- tavoitteet
- Kaikki
- Salliminen
- mahdollistaa
- Myös
- Amazon
- Amazonin käsitys
- Amazon EC2
- an
- ja
- Toinen
- api
- Hakemus
- lähestymistapa
- sopiva
- hyväksyminen
- arkkitehtuuri
- OVAT
- AS
- näkökohdat
- Apu
- At
- AWS
- AWS asiakas
- swing
- perustua
- BE
- koska
- ennen
- uskoi
- alle
- Paremmin
- välillä
- Iso
- Big Data
- sekä
- botit
- merkki
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- liiketoiminta
- Liiketoiminnan muutos
- yritykset
- mutta
- by
- soittaa
- soittamalla
- Puhelut
- CAN
- joka
- toimitusjohtaja
- todistukset
- haastava
- maksut
- chatbots
- tarkastaa
- Tarkastukset
- Kiina
- valintoja
- luokat
- luokittelu
- selvästi
- asiakas
- asiakkaat
- pilvi
- KOM
- tiedottaa
- Viestintä
- Yritykset
- valitukset
- täydellinen
- osat
- ymmärtää
- Laskea
- käsite
- Suorittaa
- luottamus
- Vahvistaa
- kytkeä
- kuluttaja
- pitoisuus
- jatkuu
- jatkuvasti
- edistävät
- Keskustelu
- puhekielen
- keskusteleva AI
- keskustelut
- Muuntaminen
- Hinta
- kustannukset
- päällyste
- CpG
- kulttuurinen
- Nykyinen
- asiakassuhde
- asiakas
- asiakaskokemus
- Asiakastyytyväisyys
- Asiakaspalvelu
- Asiakkaat
- räätälöityjä
- leikkaamisreuna
- Huipputeknologiat
- kojelauta
- tiedot
- datapisteet
- tietokanta
- sopimus
- päätökset
- laskussa
- omistautunut
- syvä
- määritelty
- esittelyssä
- sijoittaa
- haluttu
- Detection
- Määrittää
- Kehittäjä
- erot
- eri
- vaikea
- suoraan
- löytö
- keskustelut
- asiakirja
- alas
- aikana
- kukin
- helppokäyttöisyys
- helposti
- tehokkuus
- tehokkaasti
- mahdollistaa
- päätepiste
- insinööri
- Parantaa
- yritys
- merkintä
- erityisesti
- Eetteri (ETH)
- arviointi
- Jopa
- esimerkki
- olemassa
- olemassa
- Laajentaa
- experience
- asiantuntija
- asiantuntemus
- asiantuntijat
- tutkia
- uute
- Ominaisuus
- palaute
- ala
- täynnä
- taloudellinen
- Löytää
- Etunimi
- Keskittää
- keskittyy
- seurannut
- jälkeen
- seuraa
- varten
- muoto
- perustaja
- Perustaja ja toimitusjohtaja
- alkaen
- polttoaine
- täysin
- toiminto
- tehtävät
- edelleen
- portti
- tuottaa
- saada
- Global
- Go-to-Market
- kiitollinen
- Kasvu
- Olla
- he
- auttaa
- auttaa
- retkeily
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- ihmisen
- Nälkäinen
- i
- tunnistettu
- tunnistaa
- tunnistaa
- tunnistaminen
- havainnollistaa
- heti
- täytäntöönpano
- täytäntöönpanosta
- tärkeä
- parantaa
- parani
- parannus
- parantaa
- parantaminen
- in
- Mukaan lukien
- sisällyttää
- Kasvaa
- lisää
- henkilökohtainen
- teollisuus
- toimialakohtaiset
- vaikutus
- tiedot
- ensin
- panos
- tietoa
- sen sijaan
- tahallisuus
- aikomukset
- vuorovaikutuksessa
- korko
- Internet
- tulee
- kysymykset
- IT
- IT-teollisuus
- iteraatio
- Job
- Työpaikat
- tuloaan
- jpg
- vain
- tarrat
- Lack
- Kieli
- suuri
- johtaa
- johtava
- OPPIA
- oppiminen
- Led
- Lee
- Taso
- pitää
- elää
- kuormitus
- alentamalla
- kone
- koneoppiminen
- tehty
- tehdä
- onnistui
- johto
- johtaja
- monet
- markkinat
- Saattaa..
- mekanismi
- mennä
- viesti
- menetelmät
- metrinen
- ehkä
- ML
- malli
- mallit
- Moderni
- seuranta
- kk
- lisää
- Elokuvat
- liikkuvat
- moninkertainen
- Luonnollinen
- Luonnollinen kieli
- Luonnollinen kielen käsittely
- Tarve
- negatiivinen
- verkko
- Uusi
- seuraava
- NLP
- nyt
- useat
- tavoite
- of
- on
- ONE
- vain
- toiminta
- toiminta-
- Mahdollisuudet
- Vaihtoehdot
- or
- orkestrointi
- alkuperäinen
- Muut
- Muuta
- ulkopuolella
- yleinen
- oma
- erityisesti
- kulkea
- Hyväksytty
- kulkee
- polku
- suorituskyky
- puhelin
- puheluista
- valokuvaus
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- pistettä
- Kirje
- mahdollinen
- potentiaaliset asiakkaat
- Suositut
- Valmistella
- hinta
- Ongelma
- prosessi
- käsittely
- Tuotteet
- tuotepäällikkö
- tuottavuus
- ammatillinen
- toimittaa
- mikäli
- osto
- PWC
- kysymys
- hinta
- RAY
- Lue
- Lukeminen
- valmis
- todellinen
- reaaliaikainen
- reason
- syistä
- äskettäinen
- vähentää
- Vähentynyt
- vähentämällä
- liittyvä
- poistettu
- pyyntö
- vaatimukset
- resurssi
- vastaus
- johtua
- vähittäiskauppa
- vähittäiskauppa
- säilyttäminen
- uudelleenkoulutus
- Tuotto
- tulot
- liikevaihdon kasvu
- arviot
- kierros
- Sääntö
- ajaa
- myynti
- tyytyväisyys
- Asteikko
- sci-fi
- pisteet
- osiot
- valinta
- vanhempi
- palvelu
- Palvelut
- Jaa:
- näyttää
- Yksinkertainen
- yksinkertaisesti
- koska
- pieni
- Tuotteemme
- Software Engineer
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- puhua
- asiantuntijat
- Alkaa
- alkaa
- Osavaltio
- Tila
- Vaihe
- Askeleet
- Yhä
- stop
- Levytila
- verkkokaupasta
- tallennettu
- varastot
- onnistunut
- niin
- tuki
- järjestelmä
- järjestelmät
- taulukko
- TAG
- kykyjä
- Puhua
- joukkue-
- Tekninen
- Technologies
- Testaus
- Tekstiluokitus
- kuin
- että
- -
- heidän
- Niitä
- ne
- tätä
- ne
- kolmella
- kolmivaiheinen
- kynnys
- Kautta
- aika
- ajoitus
- että
- työkalu
- raita
- Juna
- koulutettu
- koulutus
- Muuttaa
- Muutos
- valtava
- laukaista
- Luottamus
- varten
- ymmärtää
- ymmärtäminen
- Päivitykset
- us
- käyttää
- käytetty
- käyttäjä
- käyttämällä
- hyödynnetty
- VAHVISTA
- arvokas
- versio
- halusi
- oli
- Katso
- katsomassa
- we
- olivat
- onko
- joka
- vaikka
- leveä
- tulee
- with
- ilman
- Referenssit
- työskenteli
- työnkulku
- toimii
- olisi
- vuotta
- te
- Sinun
- zephyrnet