Ifølge en PWC-rapport, 32 % av personkundene slutter etter én negativ opplevelse, og 73 % av kundene sier at kundeopplevelsen påvirker kjøpsbeslutningene deres. I den globale detaljhandelen er støtte før og etter salg begge viktige aspekter ved kundebehandling. Tallrike metoder, inkludert e-post, live chat, roboter og telefonsamtaler, brukes for å gi kundehjelp. Siden samtale-AI har blitt bedre de siste årene, har mange bedrifter tatt i bruk banebrytende teknologier som AI-drevne chatbots og AI-drevet agentstøtte for å forbedre kundeservicen samtidig som produktiviteten øker og kostnadene reduseres.
Amazon Comprehend er en fullt administrert og kontinuerlig trent NLP-tjeneste (natural language processing) som kan trekke ut innsikt om innholdet i et dokument eller en tekst. I dette innlegget utforsker vi hvordan AWS-kunden Pro360 brukte Amazon Comprehend tilpasset klassifisering API, som lar deg enkelt bygge tilpassede tekstklassifiseringsmodeller ved å bruke dine bedriftsspesifikke etiketter uten at du trenger å lære maskinlæring (ML), for å forbedre kundeopplevelsen og redusere driftskostnadene.
Pro360: Oppdag kundeinnvendinger nøyaktig i chatbots
Pro360 er en markedsplass som tar sikte på å koble spesialister med bransjespesifikke talenter med potensielle kunder, slik at de kan finne nye muligheter og utvide sitt profesjonelle nettverk. Den lar kundene kommunisere direkte med eksperter og forhandle frem en tilpasset pris for tjenestene deres basert på deres individuelle behov. Pro360 belaster klienter når vellykkede matcher oppstår mellom spesialister og klienter.
Pro360 måtte håndtere et problem knyttet til upålitelige avgifter som førte til forbrukerklager og redusert tillit til merket. Problemet var at det var vanskelig å forstå kundens mål under kronglete samtaler fylt med flere mål, høflige fornektelser og indirekte kommunikasjon. Slike samtaler førte til feilaktige gebyrer som reduserte kundetilfredsheten. Som et eksempel kan en kunde starte en samtale og stoppe umiddelbart, eller avslutte samtalen ved å høflig avslå ved å si "Jeg er opptatt" eller "La meg tygge på det." På grunn av kulturelle forskjeller kan det hende at noen kunder ikke er vant til å uttrykke intensjonene sine tydelig, spesielt når de ønsker å si «nei». Dette gjorde det enda mer utfordrende.
For å løse dette problemet la Pro360 i utgangspunktet til alternativer og valg for kunden, for eksempel "Jeg vil ha mer informasjon" eller "Nei, jeg har andre alternativer." I stedet for å skrive inn sitt eget spørsmål eller forespørsel, velger kunden ganske enkelt alternativene som tilbys. Likevel var problemet fortsatt ikke løst fordi kundene foretrakk å snakke tydelig og på sitt eget naturlige språk mens de samhandlet med systemet. Pro360 identifiserte at problemet var et resultat av regelbaserte systemer, og at overgang til en NLP-basert løsning ville resultere i en bedre forståelse av kundens intensjon, og føre til bedre kundetilfredshet.
Egendefinert klassifisering er en funksjon i Amazon Comprehend, som lar deg utvikle dine egne klassifiserere ved å bruke små datasett. Pro360 brukte denne funksjonen til å bygge en modell med 99.2 % nøyaktighet ved å trene på 800 datapunkter og teste på 300 datapunkter. De fulgte en tre-trinns tilnærming for å bygge og iterere modellen for å oppnå ønsket nøyaktighetsnivå fra 82 % til 99.3 %. For det første definerte Pro360 to klasser, reject og non-reject, som de ønsket å bruke for klassifisering. For det andre fjernet de irrelevante emojier og symboler som f.eks ~
og ...
og identifiserte negative emojis for å forbedre modellens nøyaktighet. Til slutt definerte de tre ekstra innholdsklassifiseringer for å forbedre feilidentifikasjonsfrekvensen, inkludert småprat, tvetydig respons og avvisning med en grunn, for å gjenta modellen ytterligere.
I dette innlegget deler vi hvordan Pro360 brukte Amazon Comprehend for å spore opp forbrukerinnvendinger under diskusjoner og brukte en human-in-the-loop (HITL)-mekanisme for å inkludere tilbakemeldinger fra kunder i modellens forbedring og nøyaktighet, og demonstrerte brukervennligheten og effektiviteten fra Amazon Comprehend.
"I utgangspunktet trodde jeg at implementering av AI ville være kostbart. Oppdagelsen av Amazon Comprehend gjør oss imidlertid i stand til å effektivt og økonomisk bringe en NLP-modell fra konsept til implementering på bare 1.5 måneder. Vi er takknemlige for støtten fra AWS-kontoteamet, løsningsarkitekturteamet og ML-eksperter fra SSO- og serviceteamet.»
– LC Lee, grunnlegger og administrerende direktør i Pro360.
Løsningsoversikt
Følgende diagram illustrerer løsningsarkitekturen som dekker sanntidsslutning, tilbakemeldingsarbeidsflyt og arbeidsflyt for menneskelig gjennomgang, og hvordan disse komponentene bidrar til opplæringsarbeidsflyten for Amazon Comprehend.
I de følgende delene leder vi deg gjennom hvert trinn i arbeidsflyten.
Sanntids tekstklassifisering
Å bruke Amazon Comprehend tilpasset klassifisering i sanntid, må du distribuere en API som inngangspunkt og ringe en Amazon Comprehend-modell for å utføre sanntids tekstklassifisering. Trinnene er som følger:
- Kundesiden ringer Amazon API-gateway som inngangspunkt for å gi en klientmelding som input.
- API Gateway sender forespørselen til AWS Lambda og kaller API fra Amazon DynamoDB og Amazon Comprehend i trinn 3 og 4.
- Lambda sjekker gjeldende versjon av Amazon Comprehend-endepunktet som lagrer data i DynamoDB, og kaller en Amazon Comprehend endepunkt for å få sanntidsslutning.
- Lambda, med en innebygd regel, sjekker poengsummen for å finne ut om den er under terskelen eller ikke. Deretter lagrer den dataene i DynamoDB og venter på menneskelig godkjenning for å bekrefte evalueringsresultatet.
Arbeidsflyt for tilbakemelding
Når endepunktet returnerer klassifiseringsresultatet til klientsiden, ber applikasjonen sluttbrukeren med et hint om å få tilbakemelding, og lagrer dataene i databasen for neste runde (treningsarbeidsflyten). Trinnene for tilbakemeldingsarbeidsflyten er som følger:
- Klientsiden sender tilbakemelding til brukeren ved å ringe API Gateway.
- API Gateway omgår forespørselen til Lambda. Lambda sjekker formatet og lagrer det i DynamoDB.
- Brukertilbakemeldingen fra Lambda lagres i DynamoDB og vil bli brukt til neste opplæringsprosess.
Menneskelig gjennomgang arbeidsflyt
Den menneskelige vurderingsprosessen hjelper oss med å klargjøre data med en konfidenspoengsum under terskelen. Disse dataene er verdifulle for å forbedre Amazon Comprehend-modellen, og legges til neste iterasjon av omskolering. Vi brukte Elastisk belastningsbalanse som inngangspunkt for å gjennomføre denne prosessen fordi Pro360-systemet er bygget på Amazon Elastic Complute Cloud (Amazon EC2). Trinnene for denne arbeidsflyten er som følger:
- Vi bruker en eksisterende API på Elastic Load Balancer som inngangspunkt.
- Vi bruker Amazon EC2 som beregningsressurs for å bygge et front-end-dashbord for anmelderen for å merke inndataene med lavere konfidensscore.
- Etter at anmelderen har identifisert innvendingen fra inndataene, lagrer vi resultatet i en DynamoDB-tabell.
Amazon Comprehend treningsarbeidsflyt
For å starte opplæringen av Amazon Comprehend-modellen, må vi forberede treningsdataene. Følgende trinn viser deg hvordan du trener modellen:
- Vi bruker AWS Lim å utføre uttrekk, transformere og laste (ETL) jobber og slå sammen dataene fra to forskjellige DynamoDB-tabeller og lagre dem i Amazon enkel lagringstjeneste (Amazon S3).
- Når Amazon S3-treningsdataene er klare, kan vi utløse AWS trinnfunksjoner som orkestreringsverktøy for å kjøre treningsjobben, og vi passerer S3-stien inn i Step Functions-tilstandsmaskinen.
- Vi påkaller en Lambda-funksjon for å validere at treningsdatabanen eksisterer, og utløser deretter en Amazon Comprehend-treningsjobb.
- Etter at treningsjobben starter bruker vi en annen Lambda-funksjon for å sjekke status for treningsjobben. Hvis opplæringsjobben er fullført, får vi modellberegningen og lagrer den i DynamoDB for videre evaluering.
- Vi sjekker ytelsen til gjeldende modell med en Lambda-modellvalgfunksjon. Hvis ytelsen til den nåværende versjonen er bedre enn den originale, distribuerer vi den til Amazon Comprehend-endepunktet.
- Deretter aktiverer vi en annen Lambda-funksjon for å sjekke endepunktstatusen. Funksjonen oppdaterer informasjon i DynamoDB for sanntids tekstklassifisering når endepunktet er klart.
Oppsummering og neste trinn
I dette innlegget viste vi hvordan Amazon Comprehend gjør det mulig for Pro360 å bygge en AI-drevet applikasjon uten ML-ekspertutøvere, noe som er i stand til å øke nøyaktigheten til deteksjon av kundeinnvendinger. Pro360 var i stand til å bygge en spesialtilpasset NLP-modell på bare 1.5 måneder, og er nå i stand til å identifisere 90 % av kundenes høflige avvisninger og oppdage kundens hensikt med 99.2 % total nøyaktighet. Denne løsningen forbedrer ikke bare kundeopplevelsen, øker 28.5 % oppbevaringsrate, men forbedrer også økonomiske resultater, reduserer driftskostnadene med 8 % og reduserer arbeidsmengden for kundeserviceagenter.
Å identifisere kundeinnvendinger er imidlertid bare det første trinnet i å forbedre kundeopplevelsen. Ved å fortsette å iterere på kundeopplevelsen og akselerere inntektsveksten, er neste trinn å identifisere årsakene til kundeinnvendinger, for eksempel manglende interesse, tidsproblemer eller påvirkning fra andre, og å generere passende respons for å øke salgskonverteringen vurdere.
For å bruke Amazon Comprehend til å bygge tilpassede tekstklassifiseringsmodeller, kan du få tilgang til tjenesten via AWS-administrasjonskonsoll. For å lære mer om hvordan du bruker Amazon Comprehend, sjekk ut Amazon Forstå utviklerressurser.
Om forfatterne
Ray Wang er løsningsarkitekt hos AWS. Med 8 års erfaring i IT-bransjen, er Ray dedikert til å bygge moderne løsninger på skyen, spesielt innen NoSQL, big data og maskinlæring. Som en sulten pådriver bestod han alle de 12 AWS-sertifikatene for å gjøre sitt tekniske felt ikke bare dypt, men bredt. Han elsker å lese og se sci-fi-filmer på fritiden.
Josie Cheng er en HKT AI/ML Go-To-Market hos AWS. Hennes nåværende fokus er på forretningstransformasjon innen detaljhandel og CPG gjennom data og ML for å drive enorm bedriftsvekst. Før hun begynte i AWS, jobbet Josie for Amazon Retail og andre kinesiske og amerikanske internettselskaper som Growth Product Manager.
Shanna Chang er løsningsarkitekt hos AWS. Hun fokuserer på observerbarhet i moderne arkitekturer og skybaserte overvåkingsløsninger. Før hun begynte i AWS, var hun programvareingeniør. På fritiden liker hun å gå tur og se på film.
Wrick Talukdar er seniorarkitekt med Amazon Comprehend Service-teamet. Han jobber med AWS-kunder for å hjelpe dem å ta i bruk maskinlæring i stor skala. Utenom jobben liker han å lese og fotografere.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- Minting the Future med Adryenn Ashley. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : har
- :er
- :ikke
- 1
- 100
- 2%
- 28
- 8
- a
- I stand
- Om oss
- akselerere
- adgang
- Logg inn
- nøyaktighet
- nøyaktig
- Oppnå
- la til
- Ytterligere
- adoptere
- vedtatt
- Etter
- Agent
- agenter
- AI
- AI-drevet
- AI / ML
- mål
- Alle
- tillate
- tillater
- også
- Amazon
- Amazon Comprehend
- Amazon EC2
- an
- og
- En annen
- api
- Søknad
- tilnærming
- hensiktsmessig
- godkjenning
- arkitektur
- ER
- AS
- aspekter
- Assistanse
- At
- AWS
- AWS-kunde
- swing
- basert
- BE
- fordi
- før du
- antatt
- under
- Bedre
- mellom
- Stor
- Store data
- både
- roboter
- merke
- bringe
- bygge
- Bygning
- bygget
- innebygd
- virksomhet
- Forretningstransformasjon
- bedrifter
- men
- by
- ring
- ringer
- Samtaler
- CAN
- hvilken
- konsernsjef
- sertifikater
- utfordrende
- avgifter
- chatbots
- sjekk
- Sjekker
- Kina
- valg
- klasser
- klassifisering
- klart
- kunde
- klienter
- Cloud
- COM
- kommunisere
- Kommunikasjon
- Selskaper
- klager
- fullføre
- komponenter
- fatte
- Beregn
- konsept
- Gjennomføre
- selvtillit
- Bekrefte
- Koble
- forbruker
- innhold
- fortsetter
- kontinuerlig
- bidra
- Samtale
- conversational
- samtale AI
- samtaler
- Konvertering
- Kostnad
- Kostnader
- dekker
- CPG
- kulturell
- Gjeldende
- skikk
- kunde
- kundeopplevelse
- Kundetilfredshet
- Kundeservice
- Kunder
- tilpasset
- skjærekant
- Banebrytende teknologier
- dashbord
- dato
- datapunkter
- Database
- avtale
- avgjørelser
- fallende
- dedikert
- dyp
- definert
- demonstrere
- utplassere
- ønsket
- Gjenkjenning
- Bestem
- Utvikler
- forskjeller
- forskjellig
- vanskelig
- direkte
- Funnet
- diskusjoner
- dokument
- ned
- under
- hver enkelt
- brukervennlighet
- lett
- effektivitet
- effektivt
- emalje
- muliggjør
- Endpoint
- ingeniør
- Forbedrer
- Enterprise
- entry
- spesielt
- Eter (ETH)
- evaluering
- Selv
- eksempel
- eksisterende
- finnes
- Expand
- erfaring
- Expert
- ekspertise
- eksperter
- utforske
- trekke ut
- Trekk
- tilbakemelding
- felt
- fylt
- finansiell
- Finn
- Først
- Fokus
- fokuserer
- fulgt
- etter
- følger
- Til
- format
- Grunnleggeren
- Grunnlegger og administrerende direktør
- fra
- Brensel
- fullt
- funksjon
- funksjoner
- videre
- gateway
- generere
- få
- Global
- Gå til markedet
- takknemlig
- Vekst
- Ha
- he
- hjelpe
- hjelper
- vandreturer
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- menneskelig
- Sulten
- i
- identifisert
- identifiserer
- identifisere
- identifisering
- illustrerer
- umiddelbart
- gjennomføring
- implementere
- viktig
- forbedre
- forbedret
- forbedring
- forbedrer
- bedre
- in
- Inkludert
- innlemme
- Øke
- økende
- individuelt
- industri
- bransjespesifikke
- påvirke
- informasjon
- i utgangspunktet
- inngang
- innsikt
- i stedet
- hensikt
- intensjoner
- samhandler
- interesse
- Internet
- inn
- saker
- IT
- IT-bransjen
- køyring
- Jobb
- Jobb
- sammenføyning
- jpg
- bare
- etiketter
- maling
- Språk
- stor
- føre
- ledende
- LÆRE
- læring
- Led
- Lee
- Nivå
- i likhet med
- leve
- laste
- senking
- maskin
- maskinlæring
- laget
- gjøre
- fikk til
- ledelse
- leder
- mange
- markedsplass
- Kan..
- mekanisme
- Flett
- melding
- metoder
- metrisk
- kunne
- ML
- modell
- modeller
- Moderne
- overvåking
- måneder
- mer
- Filmer
- flytting
- flere
- Naturlig
- Naturlig språk
- Natural Language Processing
- Trenger
- negativ
- nettverk
- Ny
- neste
- nlp
- nå
- mange
- Målet
- of
- on
- ONE
- bare
- drift
- operasjonell
- Muligheter
- alternativer
- or
- orkestre
- original
- Annen
- andre
- utenfor
- samlet
- egen
- spesielt
- passere
- bestått
- passerer
- banen
- ytelse
- telefon
- telefonsamtaler
- fotografering
- plato
- Platon Data Intelligence
- PlatonData
- Point
- poeng
- Post
- potensiell
- potensielle kunder
- trekkes
- Forbered
- pris
- Problem
- prosess
- prosessering
- Produkt
- Produktsjef
- produktivitet
- profesjonell
- gi
- forutsatt
- Kjøp
- PWC
- spørsmål
- Sats
- RAY
- Lese
- Lesning
- klar
- ekte
- sanntids
- grunnen til
- grunner
- nylig
- redusere
- Redusert
- redusere
- i slekt
- fjernet
- anmode
- Krav
- ressurs
- svar
- resultere
- detaljhandel
- varehandel
- oppbevaring
- omskolering
- avkastning
- inntekter
- omsetningsvekst
- anmeldelse
- runde
- Regel
- Kjør
- salg
- tilfredshet
- Skala
- sci-fi
- Resultat
- seksjoner
- utvalg
- senior
- tjeneste
- Tjenester
- Del
- Vis
- Enkelt
- ganske enkelt
- siden
- liten
- Software
- Software Engineer
- løsning
- Solutions
- LØSE
- noen
- snakke
- spesialister
- Begynn
- starter
- Tilstand
- status
- Trinn
- Steps
- Still
- Stopp
- lagring
- oppbevare
- lagret
- butikker
- vellykket
- slik
- støtte
- system
- Systemer
- bord
- TAG
- talenter
- Snakk
- lag
- Teknisk
- Technologies
- Testing
- Tekstklassifisering
- enn
- Det
- De
- deres
- Dem
- de
- denne
- De
- tre
- tre-trinns
- terskel
- Gjennom
- tid
- timing
- til
- verktøy
- spor
- Tog
- trent
- Kurs
- Transform
- Transformation
- enorm
- utløse
- Stol
- etter
- forstå
- forståelse
- oppdateringer
- us
- bruke
- brukt
- Bruker
- ved hjelp av
- benyttes
- VALIDERE
- Verdifull
- versjon
- ønsket
- var
- Se
- se
- we
- var
- om
- hvilken
- mens
- bred
- vil
- med
- uten
- Arbeid
- arbeidet
- arbeidsflyt
- virker
- ville
- år
- du
- Din
- zephyrnet