Volgens een PWC-rapport, zegt 32% van de retailklanten na één negatieve ervaring, en 73% van de klanten zegt dat de klantervaring hun aankoopbeslissingen beïnvloedt. In de wereldwijde detailhandel zijn ondersteuning voor en na de verkoop beide belangrijke aspecten van klantenzorg. Talrijke methoden, waaronder e-mail, livechat, bots en telefoontjes, worden gebruikt om klanten te helpen. Sinds conversatie-AI de afgelopen jaren is verbeterd, hebben veel bedrijven geavanceerde technologieën toegepast, zoals door AI aangedreven chatbots en door AI aangedreven agentondersteuning om de klantenservice te verbeteren en tegelijkertijd de productiviteit te verhogen en de kosten te verlagen.
Amazon begrijpt het is een volledig beheerde en continu getrainde Natural Language Processing (NLP)-service die inzicht kan krijgen in de inhoud van een document of tekst. In dit bericht onderzoeken we hoe AWS-klant Pro360 de Amazon begrijpt aangepaste classificatie-API, waarmee u eenvoudig aangepaste tekstclassificatiemodellen kunt bouwen met uw bedrijfsspecifieke labels zonder dat u machine learning (ML) hoeft te leren, om de klantervaring te verbeteren en de operationele kosten te verlagen.
Pro360: Detecteer nauwkeurig klantbezwaren in chatbots
Pro360 is een marktplaats die tot doel heeft specialisten met branchespecifieke talenten in contact te brengen met potentiële klanten, waardoor ze nieuwe kansen kunnen vinden en hun professionele netwerk kunnen uitbreiden. Het stelt klanten in staat om rechtstreeks met experts te communiceren en te onderhandelen over een prijs op maat voor hun diensten op basis van hun individuele vereisten. Pro360 brengt kosten in rekening bij succesvolle matches tussen specialisten en opdrachtgevers.
Pro360 had te maken met een probleem met betrekking tot onbetrouwbare kosten die leidden tot klachten van consumenten en een verminderd vertrouwen in het merk. Het probleem was dat het moeilijk was om het doel van de klant te begrijpen tijdens ingewikkelde gesprekken vol meerdere doelen, hoffelijke ontkenningen en indirecte communicatie. Dergelijke gesprekken leidden tot foutieve afschrijvingen die de klanttevredenheid verminderden. Een klant kan bijvoorbeeld een gesprek beginnen en onmiddellijk stoppen, of het gesprek beëindigen door beleefd te weigeren door te zeggen "Ik heb het druk" of "Laat me er even op kauwen". Ook zijn sommige klanten vanwege culturele verschillen misschien niet gewend om hun intenties duidelijk uit te drukken, vooral wanneer ze 'nee' willen zeggen. Dit maakte het nog uitdagender.
Om dit probleem op te lossen voegde Pro360 in eerste instantie opties en keuzes toe voor de klant, zoals “Ik wil graag meer informatie” of “Nee, ik heb andere opties.” In plaats van zijn eigen vraag of query te typen, kiest de klant gewoon de aangeboden opties. Desalniettemin was het probleem nog steeds niet opgelost omdat klanten er de voorkeur aan gaven duidelijk en in hun eigen natuurlijke taal te spreken terwijl ze met het systeem communiceerden. Pro360 stelde vast dat het probleem het gevolg was van op regels gebaseerde systemen en dat de overstap naar een op NLP gebaseerde oplossing zou resulteren in een beter begrip van de intentie van de klant en zou leiden tot een betere klanttevredenheid.
Aangepaste classificatie is een functie van Amazon Comprehend, waarmee u dit kunt doen ontwikkel uw eigen classifiers met behulp van kleine datasets. Pro360 gebruikte deze functie om een model te bouwen met een nauwkeurigheid van 99.2% door te trainen op 800 datapunten en te testen op 300 datapunten. Ze volgden een aanpak in drie stappen om het model te bouwen en te herhalen om het gewenste nauwkeurigheidsniveau te bereiken van 82% tot 99.3%. Ten eerste definieerde Pro360 twee klassen, verwerpen en niet-verwerpen, die ze wilden gebruiken voor classificatie. Ten tweede verwijderden ze irrelevante emoji's en symbolen zoals ~
en ...
en identificeerde negatieve emoji's om de nauwkeurigheid van het model te verbeteren. Ten slotte hebben ze drie aanvullende inhoudsclassificaties gedefinieerd om het percentage verkeerde identificatie te verbeteren, waaronder koetjes en kalfjes, dubbelzinnige reacties en afwijzen met een reden, om het model verder te herhalen.
In dit bericht delen we hoe Pro360 Amazon Comprehend gebruikte om bezwaren van consumenten tijdens discussies op te sporen en een human-in-the-loop (HITL)-mechanisme gebruikte om feedback van klanten op te nemen in de verbetering en nauwkeurigheid van het model, wat het gebruiksgemak en de efficiëntie aantoont van Amazon begrijpen.
“Aanvankelijk geloofde ik dat het implementeren van AI kostbaar zou zijn. De ontdekking van Amazon Comprehend stelt ons echter in staat om op efficiënte en economische wijze een NLP-model van concept naar implementatie te brengen in slechts 1.5 maand. We zijn dankbaar voor de ondersteuning van het AWS-accountteam, het oplossingsarchitectuurteam en ML-experts van het SSO- en serviceteam.”
– LC Lee, oprichter en CEO van Pro360.
Overzicht oplossingen
Het volgende diagram illustreert de oplossingsarchitectuur die real-time inferentie, feedbackworkflow en menselijke beoordelingsworkflow omvat, en hoe deze componenten bijdragen aan de Amazon Comprehend-trainingsworkflow.
In de volgende secties begeleiden we u bij elke stap in de workflow.
Realtime tekstclassificatie
Te gebruiken Amazon begrijpt aangepaste classificatie in realtime, moet u een API implementeren als toegangspunt en een Amazon Comprehend-model aanroepen om real-time tekstclassificatie uit te voeren. De stappen zijn als volgt:
- De klant belt Amazon API-gateway als startpunt om een klantbericht als invoer te leveren.
- API Gateway geeft het verzoek door aan AWS Lambda en roept de API aan van Amazon DynamoDB en Amazon Comprehend in stap 3 en 4.
- Lambda controleert de huidige versie van het Amazon Comprehend-eindpunt dat gegevens opslaat in DynamoDB en roept een Amazon Comprehend-eindpunt om real-time gevolgtrekking te krijgen.
- Lambda, met een ingebouwde regel, controleert de score om te bepalen of deze onder de drempelwaarde ligt of niet. Vervolgens slaat het die gegevens op in DynamoDB en wacht op menselijke goedkeuring om het evaluatieresultaat te bevestigen.
Feedback-workflow
Wanneer het eindpunt het classificatieresultaat terugstuurt naar de clientzijde, geeft de applicatie de eindgebruiker een hint om feedback te krijgen en slaat de gegevens op in de database voor de volgende ronde (de trainingsworkflow). De stappen voor de feedbackworkflow zijn als volgt:
- De clientzijde stuurt de gebruikersfeedback door API Gateway aan te roepen.
- API Gateway omzeilt het verzoek naar Lambda. Lambda controleert het formaat en slaat het op in DynamoDB.
- De gebruikersfeedback van Lambda wordt opgeslagen in DynamoDB en zal worden gebruikt voor het volgende trainingsproces.
Workflow voor menselijke beoordeling
Het menselijke beoordelingsproces helpt ons gegevens met een betrouwbaarheidsscore onder de drempel te verduidelijken. Deze gegevens zijn waardevol voor het verbeteren van het Amazon Comprehend-model en worden toegevoegd aan de volgende iteratie van omscholing. We gebruikten Elastische load balancing als startpunt om dit proces uit te voeren, omdat het Pro360-systeem is gebouwd Amazon Elastic Complute Cloud (Amazone EC2). De stappen voor deze workflow zijn als volgt:
- We gebruiken een bestaande API op de Elastic Load Balancer als toegangspunt.
- We gebruiken Amazon EC2 als rekenbron om een front-end dashboard te bouwen voor de recensent om de invoergegevens te taggen met lagere betrouwbaarheidsscores.
- Nadat de reviewer het bezwaar uit de invoergegevens heeft geïdentificeerd, slaan we het resultaat op in een DynamoDB-tabel.
Amazon Comprehend-trainingsworkflow
Om de training van het Amazon Comprehend-model te starten, moeten we de trainingsgegevens voorbereiden. De volgende stappen laten zien hoe u het model traint:
- Wij gebruiken AWS lijm om extractie-, transformatie- en laadtaken (ETL) uit te voeren en de gegevens uit twee verschillende DynamoDB-tabellen samen te voegen en op te slaan in Amazon eenvoudige opslagservice (Amazone S3).
- Wanneer de Amazon S3-trainingsgegevens gereed zijn, kunnen we triggeren AWS Stap Functies als de orkestratietool om de trainingstaak uit te voeren, en we geven het S3-pad door aan de Step Functions-statusmachine.
- We roepen een Lambda-functie aan om te valideren dat het trainingsgegevenspad bestaat en activeren vervolgens een Amazon Comprehend-trainingstaak.
- Nadat de trainingstaak is gestart, gebruiken we een andere Lambda-functie om de status van de trainingstaak te controleren. Als de trainingstaak is voltooid, halen we de modelmetriek op en slaan deze op in DynamoDB voor verdere evaluatie.
- We controleren de prestaties van het huidige model met een Lambda-modelselectiefunctie. Als de prestaties van de huidige versie beter zijn dan de originele versie, implementeren we deze op het Amazon Comprehend-eindpunt.
- Vervolgens roepen we een andere Lambda-functie aan om de status van het eindpunt te controleren. De functie werkt informatie bij in DynamoDB voor real-time tekstclassificatie wanneer het eindpunt gereed is.
Samenvatting en volgende stappen
In dit bericht hebben we laten zien hoe Amazon Comprehend Pro360 in staat stelt een AI-aangedreven applicatie te bouwen zonder ML-expertbeoefenaars, wat de nauwkeurigheid van de detectie van bezwaren van klanten kan vergroten. Pro360 was in staat om in slechts 1.5 maand een op maat gemaakt NLP-model te bouwen en is nu in staat om 90% van de beleefde afwijzingen van klanten te identificeren en de intentie van de klant te detecteren met een algehele nauwkeurigheid van 99.2%. Deze oplossing verbetert niet alleen de klantervaring, waardoor het retentiepercentage met 28.5% toeneemt, maar verbetert ook de financiële resultaten, verlaagt de operationele kosten met 8% en vermindert de werkdruk voor medewerkers van de klantenservice.
Het identificeren van bezwaren van klanten is echter slechts de eerste stap in het verbeteren van de klantervaring. Door de klantervaring te blijven herhalen en de omzetgroei te versnellen, is de volgende stap het identificeren van de redenen voor de bezwaren van klanten, zoals gebrek aan interesse, timingproblemen of invloed van anderen, en het genereren van de juiste reactie om de verkoopconversie te verhogen tarief.
Om Amazon Comprehend te gebruiken om aangepaste tekstclassificatiemodellen te bouwen, hebt u toegang tot de service via de AWS-beheerconsole. Ga naar voor meer informatie over het gebruik van Amazon Comprehend Bronnen voor Amazon Comprehend-ontwikkelaars.
Over de auteurs
Ray Wang is Solutions Architect bij AWS. Met 8 jaar ervaring in de IT-industrie, is Ray toegewijd aan het bouwen van moderne oplossingen in de cloud, met name in NoSQL, big data en machine learning. Als een hongerige doorzetter slaagde hij voor alle 12 AWS-certificaten om zijn technische veld niet alleen diep maar breed te maken. In zijn vrije tijd leest hij graag en kijkt hij graag naar sciencefictionfilms.
Josie Cheng is een HKT AI/ML Go-To-Market bij AWS. Haar huidige focus ligt op bedrijfstransformatie in de detailhandel en CPG door middel van data en ML om een enorme bedrijfsgroei te stimuleren. Voordat hij bij AWS kwam, werkte Josie voor Amazon Retail en andere internetbedrijven in China en de VS als Growth Product Manager.
Shanna Chang is een oplossingsarchitect bij AWS. Ze richt zich op waarneembaarheid in moderne architecturen en cloud-native monitoringoplossingen. Voordat ze bij AWS kwam, was ze software-engineer. In haar vrije tijd houdt ze van wandelen en films kijken.
Wrick Talukdar is een Senior Architect bij het Amazon Comprehend Service-team. Hij werkt samen met AWS-klanten om hen te helpen machine learning op grote schaal toe te passen. Naast zijn werk houdt hij van lezen en fotograferen.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : heeft
- :is
- :niet
- 1
- 100
- 2%
- 28
- 8
- a
- in staat
- Over
- versnellen
- toegang
- Account
- nauwkeurigheid
- nauwkeurig
- Bereiken
- toegevoegd
- Extra
- adopteren
- aangenomen
- Na
- Agent
- agenten
- AI
- AI-powered
- AI / ML
- wil
- Alles
- Het toestaan
- toestaat
- ook
- Amazone
- Amazon begrijpt het
- Amazon EC2
- an
- en
- Nog een
- api
- Aanvraag
- nadering
- passend
- goedkeuring
- architectuur
- ZIJN
- AS
- aspecten
- Hulp
- At
- AWS
- AWS-klant
- balancer
- gebaseerde
- BE
- omdat
- vaardigheden
- geloofde
- onder
- Betere
- tussen
- Groot
- Big data
- zowel
- bots
- merk
- brengen
- bouw
- Gebouw
- bebouwd
- ingebouwd
- bedrijfsdeskundigen
- Zakelijke transformatie
- ondernemingen
- maar
- by
- Bellen
- bellen
- oproepen
- CAN
- verzorging
- ceo
- certificaten
- uitdagend
- lasten
- chatbots
- controle
- Controles
- China
- keuzes
- klassen
- classificatie
- duidelijk
- klant
- klanten
- Cloud
- COM
- communiceren
- Communicatie
- Bedrijven
- klachten
- compleet
- componenten
- begrijpen
- Berekenen
- concept
- Gedrag
- vertrouwen
- Bevestigen
- Verbinden
- consument
- content
- voortgezette
- doorlopend
- bijdragen
- Gesprek
- spraakzaam
- conversatie AI
- conversaties
- Camper ombouw
- Kosten
- Kosten
- aan het bedekken
- CPG
- culturele
- Actueel
- gewoonte
- klant
- klantervaring
- Klanttevredenheid
- Klantenservice
- Klanten
- aangepaste
- op het randje
- Nieuwste technologieën
- dashboards
- gegevens
- data punten
- Database
- transactie
- beslissingen
- dalende
- toegewijd aan
- deep
- gedefinieerd
- demonstrating
- implementeren
- gewenste
- Opsporing
- Bepalen
- Ontwikkelaar
- verschillen
- anders
- moeilijk
- direct
- ontdekking
- discussies
- document
- beneden
- gedurende
- elk
- makkelijk te gebruiken
- gemakkelijk
- doeltreffendheid
- efficiënt
- maakt
- Endpoint
- ingenieur
- Verbetert
- Enterprise
- toegang
- vooral
- Ether (ETH)
- evaluatie
- Zelfs
- voorbeeld
- bestaand
- bestaat
- Uitvouwen
- ervaring
- expert
- expertise
- deskundigen
- Verken
- extract
- Kenmerk
- feedback
- veld-
- gevuld
- financieel
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- Focus
- richt
- gevolgd
- volgend
- volgt
- Voor
- formaat
- oprichter
- Oprichter en CEO
- oppompen van
- Brandstof
- geheel
- functie
- functies
- verder
- poort
- voortbrengen
- krijgen
- Globaal
- Naar de markt gaan
- dankbaar
- Hebben
- he
- hulp
- helpt
- wandelen
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- menselijk
- Hongerig
- i
- geïdentificeerd
- identificeert
- identificeren
- het identificeren van
- illustreert
- per direct
- uitvoering
- uitvoering
- belangrijk
- verbeteren
- verbeterd
- verbetering
- verbetert
- het verbeteren van
- in
- Inclusief
- nemen
- Laat uw omzet
- meer
- individueel
- -industrie
- branchespecifiek
- beïnvloeden
- informatie
- eerste
- invoer
- inzicht
- verkrijgen in plaats daarvan
- aandachtig
- intenties
- interactie
- belang
- Internet
- in
- problemen
- IT
- IT-industrie
- herhaling
- Jobomschrijving:
- Vacatures
- aansluiting
- jpg
- voor slechts
- labels
- Gebrek
- taal
- Groot
- leiden
- leidend
- LEARN
- leren
- LED
- Luwte
- Niveau
- als
- leven
- laden
- het verlagen van
- machine
- machine learning
- gemaakt
- maken
- beheerd
- management
- manager
- veel
- markt
- Mei..
- mechanisme
- gaan
- Bericht
- methoden
- metriek
- macht
- ML
- model
- modellen
- Modern
- Grensverkeer
- maanden
- meer
- Films
- bewegend
- meervoudig
- Naturel
- Natuurlijke taal
- Natural Language Processing
- Noodzaak
- negatief
- netwerk
- New
- volgende
- nlp
- nu
- vele
- doel van de persoon
- of
- on
- EEN
- Slechts
- operatie
- operationele
- Kansen
- Opties
- or
- orkestratie
- origineel
- Overige
- Overig
- buiten
- totaal
- het te bezitten.
- vooral
- passeren
- voorbij
- passes
- pad
- prestatie
- phone
- telefoongesprekken
- fotografie
- Plato
- Plato gegevensintelligentie
- PlatoData
- punt
- punten
- Post
- potentieel
- potentiële klanten
- bij voorkeur
- Voorbereiden
- prijs
- probleem
- verwerking
- Product
- product manager
- produktiviteit
- professioneel
- zorgen voor
- mits
- inkomsten
- PWC
- vraag
- tarief
- RAY
- Lees
- lezing
- klaar
- vast
- real-time
- reden
- redenen
- recent
- verminderen
- Gereduceerd
- vermindering
- verwant
- verwijderd
- te vragen
- Voorwaarden
- hulpbron
- antwoord
- resultaat
- <HR>Retail
- detailhandel
- behoud
- heropleiding
- Retourneren
- inkomsten
- Omzetgroei
- beoordelen
- ronde
- Regel
- lopen
- verkoop
- tevredenheid
- Scale
- sci-fi
- partituur
- secties
- selectie
- senior
- service
- Diensten
- Delen
- tonen
- Eenvoudig
- eenvoudigweg
- sinds
- Klein
- Software
- Software Engineer
- oplossing
- Oplossingen
- OPLOSSEN
- sommige
- spreken
- specialisten
- begin
- starts
- Land
- Status
- Stap voor
- Stappen
- Still
- stop
- mediaopslag
- shop
- opgeslagen
- winkels
- geslaagd
- dergelijk
- ondersteuning
- system
- Systems
- tafel
- TAG
- talenten
- Talk
- team
- Technisch
- Technologies
- Testen
- Tekstclassificatie
- neem contact
- dat
- De
- hun
- Ze
- ze
- dit
- die
- drie
- driestaps
- drempel
- Door
- niet de tijd of
- timing
- naar
- tools
- spoor
- Trainen
- getraind
- Trainingen
- Transformeren
- Transformatie
- ontzettend
- leiden
- Trust
- voor
- begrijpen
- begrip
- updates
- us
- .
- gebruikt
- Gebruiker
- gebruik
- gebruikt
- BEVESTIG
- waardevol
- versie
- gezocht
- was
- Bekijk de introductievideo
- kijken
- we
- waren
- of
- welke
- en
- breed
- wil
- Met
- zonder
- Mijn werk
- werkte
- workflow
- Bedrijven
- zou
- jaar
- u
- Your
- zephyrnet