В соответствии с Отчет PWC, 32% розничных клиентов уходят после одного негативного опыта, а 73% клиентов говорят, что клиентский опыт влияет на их решение о покупке. В мировой розничной торговле предпродажная и послепродажная поддержка являются важными аспектами обслуживания клиентов. Для оказания помощи клиентам используются многочисленные методы, в том числе электронная почта, чат, боты и телефонные звонки. Поскольку в последние годы диалоговый ИИ улучшился, многие компании внедрили передовые технологии, такие как чат-боты на базе ИИ и агентская поддержка на базе ИИ, чтобы улучшить обслуживание клиентов, одновременно повысив производительность и снизив затраты.
Amazon Comprehend — это полностью управляемая и постоянно обучаемая служба обработки естественного языка (NLP), которая может извлекать информацию о содержании документа или текста. В этом посте мы рассмотрим, как клиент AWS Pro360 использовал API пользовательской классификации Amazon Comprehend, который позволяет легко создавать пользовательские модели классификации текста с использованием меток для вашего бизнеса, не требуя изучения машинного обучения (ML), чтобы улучшить качество обслуживания клиентов и снизить эксплуатационные расходы.
Pro360: точное обнаружение возражений клиентов в чат-ботах
Pro360 это торговая площадка, цель которой - связать специалистов с отраслевыми талантами с потенциальными клиентами, позволяя им находить новые возможности и расширять свою профессиональную сеть. Это позволяет клиентам напрямую общаться со специалистами и договариваться о индивидуальной цене на свои услуги, исходя из их индивидуальных требований. Pro360 взимает плату с клиентов, когда между специалистами и клиентами происходит успешное совпадение.
Pro360 пришлось столкнуться с проблемой, связанной с ненадежными платежами, что привело к жалобам потребителей и снижению доверия к бренду. Проблема заключалась в том, что было трудно понять цель клиента во время запутанных разговоров, наполненных множеством целей, вежливыми отказами и непрямым общением. Такие разговоры приводили к ошибочным обвинениям, которые снижали удовлетворенность клиентов. Например, клиент может начать разговор и сразу же прекратить его или закончить разговор, вежливо отказавшись, сказав: «Я занят» или «Дайте мне пожевать». Кроме того, из-за культурных различий некоторые клиенты могут не привыкнуть четко выражать свои намерения, особенно когда они хотят сказать «нет». Это сделало его еще более сложным.
Чтобы решить эту проблему, в Pro360 изначально были добавлены опции и варианты выбора для клиента, такие как «Мне нужна дополнительная информация» или «Нет, у меня есть другие варианты». Вместо того, чтобы вводить свой вопрос или запрос, клиент просто выбирает предоставленные варианты. Тем не менее, проблема так и не была решена, поскольку клиенты предпочитали говорить прямо и на своем естественном языке при взаимодействии с системой. Pro360 определила, что проблема возникла из-за систем, основанных на правилах, и что переход к решению на основе NLP приведет к лучшему пониманию намерений клиентов и повышению их удовлетворенности.
Пользовательская классификация — это функция Amazon Comprehend, которая позволяет разрабатывать собственные классификаторы, используя небольшие наборы данных. Pro360 использовал эту функцию для построения модели с точностью 99.2% путем обучения на 800 точках данных и тестирования на 300 точках данных. Они следовали трехэтапному подходу к построению и итерации модели для достижения желаемого уровня точности от 82% до 99.3%. Во-первых, Pro360 определил два класса, отбракованные и неотбракованные, которые они хотели использовать для классификации. Во-вторых, они удалили ненужные смайлики и символы, такие как ~
и ...
и определил отрицательные смайлики, чтобы повысить точность модели. Наконец, они определили три дополнительные классификации контента для повышения уровня ошибочной идентификации, включая светскую беседу, двусмысленный ответ и отказ с указанием причины, для дальнейшей итерации модели.
В этом посте мы рассказываем, как Pro360 использовала Amazon Comprehend для отслеживания возражений потребителей во время обсуждений и использовала механизм «человек в цикле» (HITL) для включения отзывов клиентов в улучшение и точность модели, демонстрируя простоту использования и эффективность. Амазонка Понимание.
«Изначально я считал, что внедрение ИИ будет дорогостоящим. Однако открытие Amazon Comprehend позволяет нам эффективно и экономично довести модель NLP от концепции до реализации всего за 1.5 месяца. Мы благодарны за поддержку, оказанную командой по работе с клиентами AWS, командой по архитектуре решения, а также экспертами по машинному обучению из группы единого входа и обслуживания».
– Л.С. Ли, основатель и генеральный директор Pro360.
Обзор решения
На следующей диаграмме показана архитектура решения, охватывающая логические выводы в реальном времени, рабочий процесс обратной связи и рабочий процесс проверки человеком, а также вклад этих компонентов в рабочий процесс обучения Amazon Comprehend.
В следующих разделах мы проведем вас через каждый шаг рабочего процесса.
Классификация текста в реальном времени
Использовать Пользовательская классификация Amazon Comprehend в режиме реального времени, необходимо развернуть API в качестве точки входа и вызвать модель Amazon Comprehend для проведения классификации текста в реальном времени. Шаги следующие:
- Звонки на стороне клиента Шлюз API Amazon в качестве точки входа для предоставления клиентского сообщения в качестве входных данных.
- Шлюз API передает запрос AWS Lambda и вызывает API из Amazon DynamoDB и Amazon Comprehend на шагах 3 и 4.
- Lambda проверяет текущую версию конечной точки Amazon Comprehend, которая хранит данные в DynamoDB, и вызывает Конечная точка Amazon Comprehend чтобы получить вывод в реальном времени.
- Lambda со встроенным правилом проверяет оценку, чтобы определить, находится ли она ниже порогового значения или нет. Затем он сохраняет эти данные в DynamoDB и ожидает одобрения человека для подтверждения результата оценки.
Рабочий процесс обратной связи
Когда конечная точка возвращает результат классификации на сторону клиента, приложение предлагает конечному пользователю подсказку, чтобы получить его отзыв, и сохраняет данные в базе данных для следующего раунда (рабочий процесс обучения). Шаги рабочего процесса обратной связи следующие:
- Клиентская сторона отправляет отзыв пользователя, вызывая шлюз API.
- Шлюз API обходит запрос к Lambda. Lambda проверяет формат и сохраняет его в DynamoDB.
- Отзывы пользователей из Lambda сохраняются в DynamoDB и будут использоваться для следующего процесса обучения.
Рабочий процесс проверки человеком
Процесс проверки человеком помогает нам уточнять данные с оценкой достоверности ниже порогового значения. Эти данные полезны для улучшения модели Amazon Comprehend и добавляются в следующую итерацию переобучения. Мы использовали Упругая балансировка нагрузки в качестве отправной точки для проведения этого процесса, поскольку система Pro360 построена на Amazon Elastic Compute Cloud (Амазон ЕС2). Шаги для этого рабочего процесса следующие:
- В качестве точки входа мы используем существующий API Elastic Load Balancer.
- Мы используем Amazon EC2 в качестве вычислительного ресурса для создания интерфейсной панели мониторинга, чтобы рецензент мог пометить входные данные более низкими показателями достоверности.
- После того как рецензент идентифицирует возражение по входным данным, мы сохраняем результат в таблице DynamoDB.
Рабочий процесс обучения Amazon Comprehend
Чтобы начать обучение модели Amazon Comprehend, нам необходимо подготовить обучающие данные. Следующие шаги показывают, как обучить модель:
- МЫ ИСПОЛЬЗУЕМ Клей AWS выполнять задания извлечения, преобразования и загрузки (ETL), а также объединять данные из двух разных таблиц DynamoDB и сохранять их в Простой сервис хранения Amazon (Amazon S3).
- Когда данные обучения Amazon S3 будут готовы, мы можем запустить Шаговые функции AWS в качестве инструмента оркестровки для запуска задания обучения, и мы передаем путь S3 в конечный автомат Step Functions.
- Мы вызываем функцию Lambda, чтобы убедиться, что путь к обучающим данным существует, а затем запускаем обучающее задание Amazon Comprehend.
- После запуска задания обучения мы используем другую функцию Lambda для проверки статуса задания обучения. Если задание обучения завершено, мы получаем метрику модели и сохраняем ее в DynamoDB для дальнейшей оценки.
- Мы проверяем производительность текущей модели с помощью функции выбора модели Lambda. Если производительность текущей версии лучше, чем у исходной, мы развертываем ее на конечной точке Amazon Comprehend.
- Затем мы вызываем другую функцию Lambda, чтобы проверить состояние конечной точки. Функция обновляет информацию в DynamoDB для классификации текста в реальном времени, когда конечная точка готова.
Резюме и следующие шаги
В этом посте мы показали, как Amazon Comprehend позволяет Pro360 создавать приложения на основе ИИ без участия экспертов-практиков в машинном обучении, что позволяет повысить точность обнаружения возражений клиентов. Pro360 смог построить специализированную модель НЛП всего за 1.5 месяца и теперь может идентифицировать 90% вежливых отказов клиентов и определять намерения клиентов с общей точностью 99.2%. Это решение не только повышает качество обслуживания клиентов, увеличивая показатель удержания клиентов на 28.5%, но также улучшает финансовые результаты, снижая эксплуатационные расходы на 8% и снижая нагрузку на агентов по обслуживанию клиентов.
Однако выявление возражений клиентов — это только первый шаг к улучшению качества обслуживания клиентов. Следующим шагом, продолжая повторять опыт клиентов и ускорять рост доходов, будет выявление причин возражений клиентов, таких как отсутствие интереса, проблемы со сроками или влияние со стороны других, а также формирование соответствующего ответа для увеличения конверсии продаж. ставка.
Чтобы использовать Amazon Comprehend для создания пользовательских моделей классификации текста, вы можете получить доступ к сервису через Консоль управления AWS. Чтобы узнать больше о том, как использовать Amazon Comprehend, см. Ресурсы для разработчиков Amazon Comprehend.
Об авторах
Рэй Ван является архитектором решений в AWS. Имея 8-летний опыт работы в ИТ-индустрии, Рэй занимается созданием современных решений в облаке, особенно в NoSQL, больших данных и машинном обучении. Будучи жадным до стараний, он прошел все 12 сертификатов AWS, чтобы сделать свою техническую область не только глубокой, но и широкой. В свободное время он любит читать и смотреть научно-фантастические фильмы.
Джози Ченг — это HKT AI/ML, выводящийся на рынок на AWS. В настоящее время ее внимание сосредоточено на преобразовании бизнеса в розничной торговле и потребительских товарах с помощью данных и машинного обучения для стимулирования стремительного роста предприятия. До прихода в AWS Джози работала в Amazon Retail и других интернет-компаниях Китая и США в качестве менеджера по развитию продуктов.
Шанна Чанг является архитектором решений в AWS. Она фокусируется на наблюдаемости в современных архитектурах и облачных решениях для мониторинга. До прихода в AWS она была инженером-программистом. В свободное время любит ходить в походы и смотреть фильмы.
Врик Талукдар является старшим архитектором в команде Amazon Comprehend Service. Он работает с клиентами AWS, помогая им широко внедрять машинное обучение. Вне работы любит читать и фотографировать.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Чеканка будущего с Эдриенн Эшли. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :имеет
- :является
- :нет
- 1
- 100
- 2%
- 28
- 8
- a
- в состоянии
- О нас
- ускорять
- доступ
- Учетная запись
- точность
- точно
- Достигать
- добавленный
- дополнительный
- принять
- принял
- После
- Агент
- агенты
- AI
- Поддержка
- AI / ML
- Цель
- Все
- Позволяющий
- позволяет
- причислены
- Amazon
- Amazon Comprehend
- Amazon EC2
- an
- и
- Другой
- API
- Применение
- подхода
- соответствующий
- утверждение
- архитектура
- МЫ
- AS
- аспекты
- Помощь
- At
- AWS
- Клиент AWS
- стабилизатор
- основанный
- BE
- , так как:
- до
- распространенной
- ниже
- Лучшая
- между
- большой
- Big Data
- изоферменты печени
- боты
- марка
- приносить
- строить
- Строительство
- построенный
- встроенный
- бизнес
- Трансформация бизнеса
- бизнес
- но
- by
- призывают
- вызова
- Объявления
- CAN
- заботится
- Генеральный директор
- сертификаты
- сложные
- расходы
- chatbots
- проверка
- Проверки
- Китай
- выбор
- классов
- классификация
- явно
- клиент
- клиентов
- облако
- COM
- общаться
- Связь
- Компании
- жалобы
- полный
- компоненты
- постигать
- Вычисление
- сама концепция
- Проводить
- доверие
- подтвердить
- Свяжитесь
- потребитель
- содержание
- продолжающийся
- непрерывно
- способствовать
- Разговор
- диалоговый
- разговорный ИИ
- Беседы
- Конверсия
- Цена
- Расходы
- покрытие
- CpG
- культурный
- Текущий
- изготовленный на заказ
- клиент
- опыт работы с клиентами
- Удовлетворенность клиентов
- Служба поддержки игроков
- Клиенты
- подгонянный
- передовой
- Передовые технологии
- приборная панель
- данным
- точки данных
- База данных
- сделка
- решения
- Отказ
- преданный
- глубоко
- определенный
- демонстрирующий
- развертывание
- желанный
- обнаружение
- Определять
- Застройщик
- Различия
- различный
- трудный
- непосредственно
- открытие
- обсуждение
- документ
- вниз
- в течение
- каждый
- простота в использовании
- легко
- затрат
- эффективно
- позволяет
- Конечная точка
- инженер
- Усиливает
- Предприятие
- запись
- особенно
- Эфир (ETH)
- оценка
- Даже
- пример
- существующий
- существует
- Расширьте
- опыт
- эксперту
- опыта
- эксперты
- Больше
- извлечение
- Особенность
- Обратная связь
- поле
- заполненный
- финансовый
- Найдите
- Во-первых,
- Фокус
- фокусируется
- следует
- после
- следующим образом
- Что касается
- формат
- основатель
- Основатель и Главный Исполнительный Директор
- от
- топливо
- полностью
- функция
- Функции
- далее
- шлюз
- порождать
- получить
- Глобальный
- Иди в магазин
- признательный
- Рост
- Есть
- he
- помощь
- помогает
- пеший туризм
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- человек
- Голодный
- i
- идентифицированный
- идентифицирует
- определения
- идентифицирующий
- иллюстрирует
- немедленно
- реализация
- Осуществляющий
- важную
- улучшать
- улучшенный
- улучшение
- улучшается
- улучшение
- in
- В том числе
- включать
- Увеличение
- повышение
- individual
- промышленность
- отраслевые
- повлиять
- информация
- первоначально
- вход
- понимание
- вместо
- намерение
- намерения
- взаимодействующий
- интерес
- Интернет
- в
- вопросы
- IT
- IT индустрия
- итерация
- работа
- Джобс
- присоединение
- JPG
- всего
- Этикетки
- Отсутствие
- язык
- большой
- вести
- ведущий
- УЧИТЬСЯ
- изучение
- привело
- подветренный
- уровень
- такое как
- жить
- загрузка
- снижение
- машина
- обучение с помощью машины
- сделанный
- сделать
- управляемого
- управление
- менеджер
- многих
- рынка
- Май..
- механизм
- идти
- сообщение
- методы
- метрический
- может быть
- ML
- модель
- Модели
- Модерн
- Мониторинг
- месяцев
- БОЛЕЕ
- Кино
- перемещение
- с разными
- натуральный
- Естественный язык
- Обработка естественного языка
- Необходимость
- отрицательный
- сеть
- Новые
- следующий
- НЛП
- сейчас
- многочисленный
- цель
- of
- on
- ONE
- только
- операция
- оперативный
- Возможности
- Опции
- or
- оркестровка
- оригинал
- Другое
- Другое
- внешнюю
- общий
- собственный
- особенно
- pass
- Прошло
- проходит
- путь
- производительность
- Телефон
- телефонные звонки
- фотография
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Точка
- пунктов
- После
- потенциал
- потенциальные клиенты
- привилегированный
- Подготовить
- цена
- Проблема
- процесс
- обработка
- Продукт
- Менеджер по продукции
- производительность
- профессиональный
- обеспечивать
- при условии
- покупки
- PWC
- вопрос
- Обменный курс
- RAY
- Читать
- Reading
- готовый
- реальные
- реального времени
- причина
- причины
- последний
- уменьшить
- Цена снижена
- снижение
- Связанный
- удален
- запросить
- Требования
- ресурс
- ответ
- результат
- розничный
- розничной торговли
- сохранение
- переквалификация
- Возвращает
- доходы
- Рост выручки
- обзоре
- год
- Правило
- Run
- главная
- удовлетворение
- Шкала
- научно-фантастический
- Гол
- разделах
- выбор
- старший
- обслуживание
- Услуги
- Поделиться
- показывать
- просто
- просто
- с
- небольшой
- Software
- Инженер-программист
- Решение
- Решения
- РЕШАТЬ
- некоторые
- говорить
- специалисты
- Начало
- начинается
- Область
- Статус:
- Шаг
- Шаги
- По-прежнему
- Stop
- диск
- магазин
- хранить
- магазины
- успешный
- такие
- поддержка
- система
- системы
- ТАБЛИЦЫ
- TAG
- таланты
- Говорить
- команда
- Технический
- технологии
- Тестирование
- Классификация текста
- чем
- который
- Ассоциация
- их
- Их
- они
- этой
- те
- три
- Трехступенчатый
- порог
- Через
- время
- синхронизация
- в
- инструментом
- трек
- Train
- специалистов
- Обучение
- Transform
- трансформация
- огромный
- вызвать
- Доверие
- под
- понимать
- понимание
- Updates
- us
- использование
- используемый
- Информация о пользователе
- через
- использовать
- VALIDATE
- ценный
- версия
- стремятся
- законопроект
- Смотреть
- наблюдение
- we
- были
- будь то
- , которые
- в то время как
- широкий
- будете
- без
- Работа
- работавший
- рабочий
- работает
- бы
- лет
- являетесь
- ВАШЕ
- зефирнет