A találmány egy PWC jelentés, a lakossági ügyfelek 32%-a lemond egy negatív tapasztalat után, és az ügyfelek 73%-a szerint a vásárlói élmény befolyásolja vásárlási döntéseit. A globális kiskereskedelmi ágazatban az értékesítés előtti és utáni támogatás egyaránt fontos szempont az ügyfélszolgálatban. Számos módszert alkalmaznak az ügyfélszolgálat nyújtására, beleértve az e-mailt, az élő csevegést, a robotokat és a telefonhívásokat. Mióta a társalgási AI javult az elmúlt években, sok vállalkozás élvonalbeli technológiákat, például mesterséges intelligencia-alapú chatbotokat és AI-alapú ügynöki támogatást alkalmazott az ügyfélszolgálat javítása érdekében, miközben növeli a termelékenységet és csökkenti a költségeket.
Amazon Comprehend egy teljesen felügyelt és folyamatosan képzett természetes nyelvi feldolgozási (NLP) szolgáltatás, amely betekintést nyer egy dokumentum vagy szöveg tartalmába. Ebben a bejegyzésben megvizsgáljuk, hogyan használta az AWS-ügyfél, a Pro360 a Amazon Comprehend egyéni osztályozási API, amely lehetővé teszi, hogy egyszerűen készítsen egyedi szövegosztályozási modelleket a vállalkozásspecifikus címkék használatával anélkül, hogy gépi tanulást (ML) kellene tanulnia, ezzel javítva az ügyfelek élményét és csökkentve a működési költségeket.
Pro360: Pontosan észleli az ügyfelek kifogásait a chatbotokban
pro360 egy olyan piactér, amelynek célja az iparág-specifikus tehetségekkel rendelkező szakemberek összekapcsolása a potenciális ügyfelekkel, lehetővé téve számukra, hogy új lehetőségeket találjanak és bővítsék szakmai hálózatukat. Lehetővé teszi az ügyfelek számára, hogy közvetlenül kommunikáljanak a szakértőkkel, és egyéni igényeik alapján személyre szabott árat alkudjanak ki szolgáltatásaikért. A Pro360 díjat számít fel az ügyfeleknek, ha sikeres egyeztetés történik a szakemberek és az ügyfelek között.
A Pro360-nak meg kellett küzdenie a megbízhatatlan díjakkal kapcsolatos problémával, amely fogyasztói panaszokhoz és a márka iránti bizalom csökkenéséhez vezetett. A probléma az volt, hogy nehéz volt megérteni az ügyfél célját a bonyolult, több céllal teli beszélgetések, udvarias elutasítások és közvetett kommunikáció során. Az ilyen beszélgetések téves díjakhoz vezettek, ami csökkentette az ügyfelek elégedettségét. Például az ügyfél elindíthat egy beszélgetést, és azonnal abbahagyhatja, vagy befejezheti a beszélgetést azzal, hogy udvariasan elutasítja azt, hogy „Elfoglalt vagyok” vagy „Hagyd, hogy rágódjak rajta”. Emellett a kulturális különbségek miatt előfordulhat, hogy egyes ügyfelek nem szokták egyértelműen kifejezni szándékaikat, különösen akkor, ha nemet akarnak mondani. Ez még nagyobb kihívást jelentett.
A probléma megoldása érdekében a Pro360 kezdetben olyan opciókat és választási lehetőségeket adott hozzá az ügyfél számára, mint például: „További információt szeretnék” vagy „Nem, van más lehetőségem”. Ahelyett, hogy saját kérdést vagy lekérdezést írna be, az ügyfél egyszerűen kiválasztja a felkínált lehetőségeket. Mindazonáltal a probléma továbbra sem oldódott meg, mert az ügyfelek a rendszerrel való interakció során inkább egyszerűen és a saját természetes nyelvükön beszéltek. A Pro360 megállapította, hogy a probléma a szabályokon alapuló rendszerek következménye, és az NLP-alapú megoldásra való áttérés a vevői szándékok jobb megértését és jobb ügyfél-elégedettséget eredményez.
Az egyéni besorolás az Amazon Comprehend egyik funkciója, amely lehetővé teszi kis adatkészletek segítségével saját osztályozókat fejleszthet ki. A Pro360 ezt a funkciót használta fel egy 99.2%-os pontosságú modell felépítésére, 800 adatponton betanítva és 300 adatponton tesztelve. Három lépésből álló megközelítést követtek a modell felépítéséhez és iterálásához, hogy elérjék a kívánt pontossági szintet 82%-ról 99.3%-ra. Először is, a Pro360 két osztályt határozott meg, az elutasítást és a nem elutasítást, amelyeket az osztályozáshoz használni kívánt. Másodszor, eltávolították az irreleváns hangulatjeleket és szimbólumokat, mint pl ~
és a ...
és negatív hangulatjeleket azonosított a modell pontosságának javítása érdekében. Végül három további tartalombesorolást határoztak meg a téves azonosítási arány javítása érdekében, ideértve a szóbeszédet, a kétértelmű választ és az indoklással történő elutasítást, hogy tovább iterálják a modellt.
Ebben a bejegyzésben megosztjuk, hogy a Pro360 hogyan használta fel az Amazon Comprehend szolgáltatást a fogyasztói kifogások nyomon követésére a megbeszélések során, és hogyan használt egy human-in-the-loop (HITL) mechanizmust a vásárlói visszajelzések beépítésére a modell fejlesztésébe és pontosságába, demonstrálva a könnyű használatot és hatékonyságot. az Amazon Comprehend.
„Kezdetben azt hittem, hogy az AI megvalósítása költséges lesz. Az Amazon Comprehend felfedezése azonban lehetővé teszi számunkra, hogy egy NLP-modellt hatékonyan és gazdaságosan az ötlettől a megvalósításig mindössze 1.5 hónap alatt eljuttassunk. Hálásak vagyunk az AWS fiókcsapata, a megoldásarchitektúra csapata, valamint az SSO és a szervizcsapat ML szakértői által nyújtott támogatásért.”
– LC Lee, a Pro360 alapítója és vezérigazgatója.
Megoldás áttekintése
A következő diagram bemutatja a megoldás architektúráját, amely lefedi a valós idejű következtetéseket, a visszajelzési munkafolyamatot és az emberi felülvizsgálati munkafolyamatot, valamint azt, hogy ezek az összetevők hogyan járulnak hozzá az Amazon Comprehend képzési munkafolyamatához.
A következő szakaszokban végigvezetjük a munkafolyamat egyes lépésein.
Valós idejű szövegosztályozás
Használata Az Amazon valós időben értelmezze az egyéni besorolást, egy API-t kell telepítenie belépési pontként, és meg kell hívnia egy Amazon Comprehend modellt a valós idejű szövegosztályozás végrehajtásához. A lépések a következők:
- Az ügyféloldal hív Amazon API átjáró mint belépési pont az ügyfélüzenet bemenetként való biztosításához.
- Az API Gateway továbbítja a kérést a következőnek AWS Lambda és innen hívja meg az API-t Amazon DynamoDB és az Amazon Comprehend a 3. és 4. lépésben.
- A Lambda ellenőrzi az Amazon Comprehend végpont aktuális verzióját, amely adatokat tárol a DynamoDB-ben, és meghív egy Amazon Comprehend végpont valós idejű következtetés levonása érdekében.
- A Lambda egy beépített szabállyal ellenőrzi a pontszámot, hogy megállapítsa, a küszöb alatt van-e vagy sem. Ezután ezeket az adatokat a DynamoDB-ben tárolja, és emberi jóváhagyásra vár az értékelés eredményének megerősítéséhez.
Visszajelzési munkafolyamat
Amikor a végpont visszaküldi az osztályozás eredményét a kliens oldalra, az alkalmazás egy utalással kéri a végfelhasználót, hogy kérje visszajelzését, és tárolja az adatokat az adatbázisban a következő körhöz (a képzési munkafolyamat). A visszajelzési munkafolyamat lépései a következők:
- Az ügyféloldal az API Gateway hívásával küld visszajelzést a felhasználónak.
- Az API Gateway megkerüli a kérést a Lambda felé. A Lambda ellenőrzi a formátumot, és a DynamoDB-ben tárolja.
- A Lambdától kapott felhasználói visszajelzéseket a DynamoDB tárolja, és a következő képzési folyamat során használják fel.
Emberi felülvizsgálati munkafolyamat
Az emberi felülvizsgálati folyamat segít nekünk tisztázni az adatokat a küszöb alatti megbízhatósági pontszámmal. Ezek az adatok értékesek az Amazon Comprehend modell fejlesztéséhez, és hozzáadódnak az átképzés következő iterációjához. Használtuk Rugalmas terheléselosztás mint belépési pont a folyamat lefolytatásához, mert a Pro360 rendszerre épül Amazon Elastic Complute Cloud (Amazon EC2). Ennek a munkafolyamatnak a lépései a következők:
- Az Elastic Load Balancer meglévő API-ját használjuk belépési pontként.
- Az Amazon EC2-t használjuk számítási erőforrásként egy előtér-irányítópult felépítéséhez, amellyel az értékelő alacsonyabb megbízhatósági pontszámmal jelölheti meg a bemeneti adatokat.
- Miután a bíráló azonosította a kifogást a bemeneti adatokból, az eredményt egy DynamoDB táblában tároljuk.
Amazon Comprehend képzési munkafolyamat
Az Amazon Comprehend modell betanításának megkezdéséhez el kell készítenünk a képzési adatokat. A következő lépések bemutatják, hogyan kell betanítani a modellt:
- Az általunk használt AWS ragasztó kibontási, átalakítási és betöltési (ETL) feladatok elvégzésére, valamint két különböző DynamoDB tábla adatainak egyesítésére és tárolására Amazon egyszerű tárolási szolgáltatás (Amazon S3).
- Amikor az Amazon S3 edzési adatok készen állnak, aktiválhatjuk AWS lépésfunkciók hangszerelési eszközként a betanítási feladat futtatásához, és átadjuk az S3 útvonalat a Step Functions állapotgépnek.
- Meghívunk egy Lambda függvényt annak ellenőrzésére, hogy létezik-e a betanítási adatútvonal, majd elindítunk egy Amazon Comprehend képzési feladatot.
- A betanítási feladat megkezdése után egy másik Lambda funkcióval ellenőrizzük a képzési feladat állapotát. Ha a betanítási feladat befejeződött, megkapjuk a modell metrikáját, és tároljuk a DynamoDB-ben további értékelés céljából.
- Az aktuális modell teljesítményét egy Lambda modellválasztó funkcióval ellenőrizzük. Ha az aktuális verzió teljesítménye jobb, mint az eredeti, akkor telepítjük az Amazon Comprehend végpontra.
- Ezután meghívunk egy másik Lambda függvényt a végpont állapotának ellenőrzésére. A függvény frissíti az információkat a DynamoDB-ben a valós idejű szövegosztályozáshoz, amikor a végpont készen áll.
Összegzés és a következő lépések
Ebben a bejegyzésben bemutattuk, hogy az Amazon Comprehend hogyan teszi lehetővé a Pro360 számára, hogy mesterséges intelligencia-alapú alkalmazást készítsen ML szakértők nélkül, amely képes növelni az ügyfelek kifogásainak észlelésének pontosságát. A Pro360 mindössze 1.5 hónap alatt meg tudott építeni egy egyedi célú NLP-modellt, és mára az ügyfelek udvarias visszautasításainak 90%-át képes azonosítani, és 99.2%-os általános pontossággal észlelni az ügyfelek szándékait. Ez a megoldás nemcsak az ügyfélélményt javítja, 28.5%-kal növelve a megtartási arányt, hanem javítja a pénzügyi eredményeket is, 8%-kal csökkenti az üzemeltetési költségeket és csökkenti az ügyfélszolgálati ügynökök munkaterhét.
A vásárlói kifogások azonosítása azonban csak az első lépés az ügyfélélmény javításában. Folytatva az ügyfélélmény iterációját és a bevételnövekedés felgyorsítását, a következő lépés az ügyfelek kifogásainak okainak azonosítása, például az érdeklődés hiánya, az időzítési problémák vagy mások befolyása, és a megfelelő válasz generálása az értékesítési konverzió növelésére. mérték.
Az Amazon Comprehend használatával egyéni szövegosztályozási modellek készítéséhez a szolgáltatást a következőn keresztül érheti el AWS felügyeleti konzol. Ha többet szeretne megtudni az Amazon Comprehend használatáról, nézze meg Amazon Comprehend fejlesztői erőforrások.
A szerzőkről
Ray Wang az AWS megoldási építésze. Az informatikai iparban szerzett 8 éves tapasztalattal rendelkező Ray elkötelezett a modern felhőalapú megoldások kiépítésében, különösen a NoSQL, a big data és a gépi tanulás terén. Éhes emberként mind a 12 AWS bizonyítványt letette, hogy technikai területe ne csak mély legyen, hanem széles is. Szabadidejében szeret olvasni és sci-fi filmeket nézni.
Josie Cheng egy HKT AI/ML Go-To-Market az AWS-nél. Jelenleg a kiskereskedelemben és a CPG-ben az adatokon és az ML-en keresztüli üzleti átalakításra összpontosít, hogy az óriási vállalati növekedést elősegítse. Mielőtt csatlakozott volna az AWS-hez, Josie az Amazon Retailnél és más kínai és amerikai internetes cégeknél dolgozott növekedési termékmenedzserként.
Shanna Chang az AWS megoldási építésze. A modern architektúrák megfigyelhetőségére és a felhőalapú megfigyelési megoldásokra összpontosít. Mielőtt csatlakozott volna az AWS-hez, szoftvermérnök volt. Szabadidejében szeret túrázni és filmeket nézni.
Wrick Talukdar vezető építész az Amazon Comprehend Service csapatánál. Együttműködik az AWS-ügyfelekkel, hogy segítse őket a gépi tanulás széles körben történő alkalmazásában. Munkán kívül szeret olvasni és fotózni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :van
- :is
- :nem
- 1
- 100
- 2%
- 28
- 8
- a
- Képes
- Rólunk
- gyorsul
- hozzáférés
- Fiók
- pontosság
- pontosan
- Elérése
- hozzáadott
- További
- elfogadja
- fogadott
- Után
- Ügynök
- szerek
- AI
- AI-hajtású
- AI / ML
- célok
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- Is
- amazon
- Amazon Comprehend
- Amazon EC2
- an
- és a
- Másik
- api
- Alkalmazás
- megközelítés
- megfelelő
- jóváhagyás
- építészet
- VANNAK
- AS
- szempontok
- Támogatás
- At
- AWS
- AWS Ügyfél
- egyensúlyozó
- alapján
- BE
- mert
- előtt
- úgy
- lent
- Jobb
- között
- Nagy
- Big adatok
- mindkét
- botok
- márka
- hoz
- épít
- Épület
- épült
- beépített
- üzleti
- Üzleti átalakulás
- vállalkozások
- de
- by
- hívás
- hívás
- kéri
- TUD
- ami
- vezérigazgató
- tanúsítványok
- kihívást
- díjak
- chatbots
- ellenőrizze
- Ellenőrzések
- Kína
- választás
- osztályok
- besorolás
- világosan
- vásárló
- ügyfél részére
- felhő
- COM
- kommunikálni
- közlés
- Companies
- panaszok
- teljes
- alkatrészek
- megért
- Kiszámít
- koncepció
- Magatartás
- bizalom
- megerősít
- Csatlakozás
- fogyasztó
- tartalom
- folyamatos
- folyamatosan
- contribuer
- Beszélgetés
- társalgó
- társalgási AI
- beszélgetések
- Átalakítás
- Költség
- kiadások
- fedő
- cpg
- kulturális
- Jelenlegi
- szokás
- vevő
- Vásárlói élmény
- Vevői elégedettség
- Vevőszolgálat
- Ügyfelek
- szabott
- élvonalbeli
- Élvonalbeli technológiák
- műszerfal
- dátum
- adat pontok
- adatbázis
- üzlet
- határozatok
- Hanyatló
- elszánt
- mély
- meghatározott
- bemutatását,
- telepíteni
- kívánatos
- Érzékelés
- Határozzuk meg
- Fejlesztő
- különbségek
- különböző
- nehéz
- közvetlenül
- felfedezés
- megbeszélések
- dokumentum
- le-
- alatt
- minden
- egyszerű használat
- könnyen
- hatékonyság
- eredményesen
- lehetővé teszi
- Endpoint
- mérnök
- Javítja
- Vállalkozás
- belépés
- különösen
- Eter (ETH)
- értékelés
- Még
- példa
- létező
- létezik
- Bontsa
- tapasztalat
- szakértő
- szakvélemény
- szakértők
- feltárása
- kivonat
- Funkció
- Visszacsatolás
- mező
- megtöltött
- pénzügyi
- Találjon
- vezetéknév
- Összpontosít
- koncentrál
- követ
- következő
- következik
- A
- formátum
- alapító
- Alapítója és vezérigazgatója
- ból ből
- Üzemanyag
- teljesen
- funkció
- funkciók
- további
- gateway
- generál
- kap
- Globális
- Piacra megy
- hálás
- Növekedés
- Legyen
- he
- segít
- segít
- turisztika
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- emberi
- Éhes
- i
- azonosított
- azonosítja
- azonosítani
- azonosító
- illusztrálja
- azonnal
- végrehajtás
- végrehajtási
- fontos
- javul
- javított
- javulás
- javítja
- javuló
- in
- Beleértve
- bele
- Növelje
- növekvő
- egyéni
- ipar
- iparág-specifikus
- befolyás
- információ
- alapvetően
- bemenet
- Insight
- helyette
- A szándék
- szándékok
- kölcsönható
- kamat
- Internet
- bele
- kérdések
- IT
- IT ipar
- ismétlés
- Munka
- Állások
- csatlakozott
- jpg
- éppen
- Címkék
- hiány
- nyelv
- nagy
- vezet
- vezető
- TANUL
- tanulás
- Led
- Lee
- szint
- mint
- él
- kiszámításának
- leeresztés
- gép
- gépi tanulás
- készült
- csinál
- sikerült
- vezetés
- menedzser
- sok
- piactér
- Lehet..
- mechanizmus
- megy
- üzenet
- mód
- metrikus
- esetleg
- ML
- modell
- modellek
- modern
- ellenőrzés
- hónap
- több
- Filmek
- mozgó
- többszörös
- Természetes
- Természetes nyelv
- Természetes nyelvi feldolgozás
- Szükség
- negatív
- hálózat
- Új
- következő
- NLP
- Most
- számos
- célkitűzés
- of
- on
- ONE
- csak
- működés
- operatív
- Lehetőségek
- Opciók
- or
- hangszerelés
- eredeti
- Más
- Egyéb
- kívül
- átfogó
- saját
- különösen
- elhalad
- Elmúlt
- bérletek
- ösvény
- teljesítmény
- telefon
- telefonhívások
- fényképezés
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- pont
- állás
- potenciális
- potenciális ügyfelek
- előnyben részesített
- Készít
- ár
- Probléma
- folyamat
- feldolgozás
- Termékek
- termék menedzser
- termelékenység
- szakmai
- ad
- feltéve,
- Vásárlás
- PWC
- kérdés
- Arány
- RAY
- Olvass
- Olvasás
- kész
- igazi
- real-time
- ok
- miatt
- új
- csökkenteni
- Csökkent
- csökkentő
- összefüggő
- eltávolított
- kérni
- követelmények
- forrás
- válasz
- eredményez
- kiskereskedelem
- kiskereskedelem
- visszatartás
- átképzés
- Visszatér
- jövedelem
- bevétel növekedés
- Kritika
- körül
- Szabály
- futás
- értékesítés
- elégedettség
- Skála
- sci-fi
- pontszám
- szakaszok
- kiválasztás
- idősebb
- szolgáltatás
- Szolgáltatások
- Megosztás
- előadás
- Egyszerű
- egyszerűen
- óta
- kicsi
- szoftver
- Software Engineer
- megoldások
- Megoldások
- SOLVE
- néhány
- beszél
- szakemberek
- kezdet
- kezdődik
- Állami
- Állapot
- Lépés
- Lépései
- Még mindig
- megáll
- tárolás
- tárolni
- memorizált
- árnyékolók
- sikeres
- ilyen
- támogatás
- rendszer
- Systems
- táblázat
- TAG
- tehetségek
- Beszél
- csapat
- Műszaki
- Technologies
- Tesztelés
- Szöveg osztályozása
- mint
- hogy
- A
- azok
- Őket
- ők
- ezt
- azok
- három
- háromlépcsős
- küszöb
- Keresztül
- idő
- időzítés
- nak nek
- szerszám
- vágány
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítás
- borzasztó
- kiváltó
- Bízzon
- alatt
- megért
- megértés
- Frissítés
- us
- használ
- használt
- használó
- segítségével
- hasznosított
- ÉRVÉNYESÍT
- Értékes
- változat
- kívánatos
- volt
- Nézz
- őrzés
- we
- voltak
- vajon
- ami
- míg
- széles
- lesz
- val vel
- nélkül
- Munka
- dolgozott
- munkafolyamat
- művek
- lenne
- év
- te
- A te
- zephyrnet