根据一个 PWC报告,32% 的零售客户在一次负面体验后流失,73% 的客户表示客户体验会影响他们的购买决定。 在全球零售业中,售前和售后支持都是客户服务的重要方面。 包括电子邮件、实时聊天、机器人和电话在内的多种方法可用于提供客户帮助。 由于对话式人工智能近年来有所改进,许多企业都采用了人工智能聊天机器人和人工智能代理支持等尖端技术来改善客户服务,同时提高生产力和降低成本。
亚马逊领悟 是一种完全托管且持续训练的自然语言处理 (NLP) 服务,可以提取有关文档或文本内容的见解。 在本文中,我们探讨了 AWS 客户 Pro360 如何使用 Amazon Comprehend 自定义分类 API,它使您能够使用特定于业务的标签轻松构建自定义文本分类模型,而无需学习机器学习 (ML),从而改善客户体验并降低运营成本。
Pro360:准确检测聊天机器人中的客户异议
Pro360 是一个旨在将具有特定行业人才的专家与潜在客户联系起来的市场,使他们能够找到新的机会并扩展他们的专业网络。 它允许客户直接与专家沟通,并根据他们的个性化需求为他们的服务协商定制价格。 当专家与客户成功匹配时,Pro360 会向客户收费。
Pro360 不得不处理与不可靠收费相关的问题,该问题导致消费者投诉并降低了对该品牌的信任度。 问题在于,在充满多重目标、礼貌拒绝和间接沟通的错综复杂的对话中,很难理解客户的目的。 此类对话导致错误收费,降低了客户满意度。 例如,客户可能会开始对话并立即停止,或者通过说“我很忙”或“让我咀嚼”来礼貌地拒绝来结束对话。 此外,由于文化差异,一些客户可能不习惯清楚地表达他们的意图,尤其是当他们想说“不”的时候。 这使它更具挑战性。
为了解决这个问题,Pro360 最初为客户添加了选项和选择,例如“我想要更多信息”或“不,我有其他选择”。 客户无需输入自己的问题或查询,只需选择提供的选项即可。 尽管如此,问题仍然没有解决,因为客户在与系统交互时更喜欢用他们自己的自然语言直白地说话。 Pro360 确定问题是基于规则的系统的结果,并且转向基于 NLP 的解决方案将导致更好地理解客户意图,并导致更好的客户满意度。
自定义分类是 Amazon Comprehend 的一项功能,它允许您 使用小型数据集开发自己的分类器. Pro360 利用此功能通过在 99.2 个数据点上进行训练并在 800 个数据点上进行测试来构建准确率为 300% 的模型。 他们遵循三步法来构建和迭代模型,以将准确率从 82% 提高到 99.3%。 首先,Pro360 定义了两个类别,拒绝和非拒绝,他们希望将其用于分类。 其次,他们删除了不相关的表情符号和符号,例如 ~
和 ...
并识别负面表情符号以提高模型的准确性。 最后,他们定义了三个额外的内容分类来提高错误识别率,包括闲聊、模棱两可的回应和有理由拒绝,以进一步迭代模型。
在这篇文章中,我们分享了 Pro360 如何利用 Amazon Comprehend 在讨论过程中追踪消费者的异议,并使用人在环路 (HITL) 机制将客户反馈纳入模型的改进和准确性,展示易用性和效率亚马逊理解。
“最初,我认为实施人工智能的成本很高。 然而,Amazon Comprehend 的发现使我们能够在短短 1.5 个月内高效且经济地将 NLP 模型从概念到实施。 我们感谢 AWS 客户团队、解决方案架构团队以及来自 SSO 和服务团队的 ML 专家提供的支持。”
– Pro360 创始人兼首席执行官 LC Lee。
解决方案概述
下图说明了涵盖实时推理、反馈工作流和人工审核工作流的解决方案架构,以及这些组件如何为 Amazon Comprehend 训练工作流做出贡献。
在以下部分中,我们将引导您完成工作流程中的每个步骤。
实时文本分类
使用 Amazon Comprehend 实时自定义分类,需要部署一个API作为入口,调用Amazon Comprehend模型进行实时文本分类。 步骤如下:
- 客户端调用 Amazon API网关 作为提供客户端消息作为输入的入口点。
- API 网关将请求传递给 AWS Lambda 并从中调用 API Amazon DynamoDB 以及第 3 步和第 4 步中的 Amazon Comprehend。
- Lambda 检查在 DynamoDB 中存储数据的 Amazon Comprehend 端点的当前版本,并调用一个 Amazon Comprehend 终端节点 获得实时推理。
- Lambda 使用内置规则检查分数以确定它是否低于阈值。 然后它将数据存储在 DynamoDB 中并等待人工批准以确认评估结果。
反馈工作流程
当端点将分类结果返回给客户端时,应用程序会提示最终用户获得他们的反馈,并将数据存储在数据库中以供下一轮(训练工作流)使用。 反馈工作流程的步骤如下:
- 客户端通过调用API网关向用户发送反馈。
- API 网关绕过对 Lambda 的请求。 Lambda 检查格式并将其存储在 DynamoDB 中。
- 来自 Lambda 的用户反馈存储在 DynamoDB 中,将用于下一个训练过程。
人工审核工作流程
人工审查过程有助于我们澄清置信度得分低于阈值的数据。 此数据对于改进 Amazon Comprehend 模型很有价值,并被添加到下一次再训练迭代中。 我们用了 弹性负载平衡 作为执行此过程的切入点,因为 Pro360 系统建立在 亚马逊弹性计算云 (亚马逊 EC2)。 此工作流程的步骤如下:
- 我们使用 Elastic Load Balancer 上的现有 API 作为入口点。
- 我们使用 Amazon EC2 作为计算资源来为审阅者构建一个前端仪表板,以标记具有较低置信度分数的输入数据。
- 在审阅者从输入数据中识别出异议后,我们将结果存储在 DynamoDB 表中。
Amazon Comprehend 培训工作流程
要开始训练 Amazon Comprehend 模型,我们需要准备训练数据。 以下步骤向您展示了如何训练模型:
- 我们使用 AWS胶水 执行提取、转换和加载 (ETL) 作业,合并来自两个不同 DynamoDB 表的数据并将其存储在 亚马逊简单存储服务 (亚马逊S3)。
- 当 Amazon S3 训练数据准备好后,我们可以触发 AWS步骤功能 作为运行训练作业的编排工具,我们将 S3 路径传递到 Step Functions 状态机。
- 我们调用 Lambda 函数来验证训练数据路径是否存在,然后触发 Amazon Comprehend 训练作业。
- 训练作业开始后,我们使用另一个 Lambda 函数来检查训练作业状态。 如果训练工作完成,我们将获得模型指标并将其存储在 DynamoDB 中以供进一步评估。
- 我们使用 Lambda 模型选择函数检查当前模型的性能。 如果当前版本的性能优于原始版本,我们会将其部署到 Amazon Comprehend 端点。
- 然后我们调用另一个 Lambda 函数来检查端点状态。 当端点准备就绪时,该函数会更新 DynamoDB 中的信息以进行实时文本分类。
摘要和后续步骤
在本文中,我们展示了 Amazon Comprehend 如何使 Pro360 能够在没有 ML 专家从业者的情况下构建人工智能驱动的应用程序,从而提高客户异议检测的准确性。 Pro360 能够在短短 1.5 个月内构建一个定制的 NLP 模型,现在能够识别 90% 的客户礼貌拒绝并以 99.2% 的总体准确率检测客户意图。 该解决方案不仅提升了客户体验,将保留率提高了 28.5%,还改善了财务成果,将运营成本降低了 8%,并减轻了客户服务代理的工作量。
然而,识别客户异议只是改善客户体验的第一步。 通过持续迭代客户体验并加速收入增长,下一步是确定客户反对的原因,例如缺乏兴趣、时间问题或受他人影响,并产生适当的响应以增加销售转化速度。
要使用 Amazon Comprehend 构建自定义文本分类模型,您可以通过 AWS管理控制台. 要了解有关如何使用 Amazon Comprehend 的更多信息,请查看 Amazon Comprehend 开发人员资源.
作者简介
王雷 是 AWS 的解决方案架构师。 Ray 在 IT 行业拥有 8 年的经验,致力于在云上构建现代解决方案,尤其是在 NoSQL、大数据和机器学习方面。 作为一个饥渴的干将,他通过了所有 12 个 AWS 证书,使他的技术领域不仅深入而且广泛。 他喜欢在业余时间阅读和观看科幻电影。
乔西·郑 是 AWS 的 HKT AI/ML Go-To-Market。 她目前的重点是通过数据和机器学习促进零售和 CPG 的业务转型,以推动企业的巨大增长。 在加入 AWS 之前,Josie 曾在亚马逊零售和其他中国和美国互联网公司担任增长产品经理。
张珊娜 是 AWS 的解决方案架构师。 她专注于现代架构和云原生监控解决方案中的可观察性。 在加入 AWS 之前,她是一名软件工程师。 在业余时间,她喜欢徒步旅行和看电影。
瑞克·塔鲁克达尔 是 Amazon Comprehend Service 团队的高级架构师。 他与 AWS 客户合作,帮助他们大规模采用机器学习。 工作之余,他喜欢阅读和摄影。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 访问这里。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :具有
- :是
- :不是
- 1
- 100
- 2%
- 28
- 8
- a
- Able
- 关于
- 加快
- ACCESS
- 账号管理
- 准确
- 添加
- 额外
- 采用
- 采用
- 后
- 经纪人
- 中介代理
- AI
- AI供电
- AI / ML
- 目标
- 所有类型
- 允许
- 允许
- 还
- Amazon
- 亚马逊领悟
- Amazon EC2
- an
- 和
- 另一个
- API
- 应用领域
- 的途径
- 适当
- 批准
- 架构
- 保健
- AS
- 方面
- 帮助
- At
- AWS
- AWS 客户
- 摆动
- 基于
- BE
- 因为
- before
- 相信
- 如下。
- 更好
- 之间
- 大
- 大数据运用
- 都
- 机器人
- 品牌
- 带来
- 建立
- 建筑物
- 建
- 内建的
- 商业
- 业务转型
- 企业
- 但是
- by
- 呼叫
- 调用
- 呼叫
- CAN
- 关心
- CEO
- 证书
- 挑战
- 收费
- 聊天机器人
- 查
- 支票
- 中国
- 选择
- 类
- 分类
- 明确地
- 客户
- 客户
- 云端技术
- COM的
- 通信
- 沟通
- 公司
- 投诉
- 完成
- 组件
- 理解
- 计算
- 概念
- 进行
- 信心
- 确认
- 分享链接
- 消费者
- 内容
- 继续
- 一直
- 贡献
- 谈话
- 听起来像对话
- 会话AI
- 对话
- 转化
- 价格
- 成本
- 覆盖
- CPG
- 文化
- 电流
- 习俗
- 顾客
- 客户体验
- 客户满意度
- 客户服务
- 合作伙伴
- 定制
- 前沿
- 尖端技术
- XNUMX月XNUMX日
- data
- 数据点
- 数据库
- 处理
- 决定
- 下降
- 专用
- 深
- 定义
- 示范
- 部署
- 期望
- 检测
- 确定
- 开发商
- 差异
- 不同
- 难
- 直接
- 发现
- 讨论
- 文件
- 向下
- ,我们将参加
- 每
- 使用方便
- 容易
- 效率
- 有效
- 邮箱地址
- 使
- 端点
- 工程师
- 增强
- 企业
- 条目
- 特别
- 醚(ETH)
- 评估
- 甚至
- 例子
- 现有
- 存在
- 扩大
- 体验
- 技术专家
- 专门知识
- 专家
- 探索
- 提取
- 专栏
- 反馈
- 部分
- 满
- 金融
- 找到最适合您的地方
- (名字)
- 专注焦点
- 重点
- 其次
- 以下
- 如下
- 针对
- 格式
- 创办人
- 创始人兼首席执行官
- 止
- 汽油
- 充分
- 功能
- 功能
- 进一步
- 网关
- 生成
- 得到
- 全球
- 去市场
- 感谢
- 事业发展
- 有
- he
- 帮助
- 帮助
- 徒步旅行
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- 人
- 饥饿
- i
- 确定
- 识别
- 鉴定
- 确定
- 说明
- 立即
- 履行
- 实施
- 重要
- 改善
- 改善
- 改进
- 提高
- 改善
- in
- 包含
- 合并
- 增加
- 增加
- 个人
- 行业中的应用:
- 行业特定
- 影响
- 信息
- 原来
- 输入
- 洞察
- 代替
- 意图
- 意图
- 互动
- 兴趣
- 网络
- 成
- 问题
- IT
- IT行业
- 迭代
- 工作
- 工作机会
- 加盟
- JPG
- 只是
- 标签
- 缺乏
- 语言
- 大
- 铅
- 领导
- 学习用品
- 学习
- 导致
- 李
- Level
- 喜欢
- 生活
- 加载
- 降低
- 机
- 机器学习
- 制成
- 使
- 管理
- 颠覆性技术
- 经理
- 许多
- 市场
- 可能..
- 机制
- 合并
- 的话
- 方法
- 公
- 可能
- ML
- 模型
- 模型
- 现代
- 监控
- 个月
- 更多
- 电影
- 移动
- 多
- 自然
- 自然语言
- 自然语言处理
- 需求
- 负
- 网络
- 全新
- 下页
- NLP
- 现在
- 众多
- 目标
- of
- on
- 一
- 仅由
- 操作
- 操作
- 机会
- 附加选项
- or
- 管弦乐编曲
- 原版的
- 其他名称
- 其它
- 学校以外
- 最划算
- 己
- 尤其
- 通过
- 通过
- 通行证
- 径
- 性能
- 电话
- 电话
- 摄影
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 点
- 点
- 帖子
- 潜力
- 潜在客户
- 首选
- Prepare
- 车资
- 市场问题
- 过程
- 处理
- 产品
- 产品经理
- 生产率
- 所以专业
- 提供
- 提供
- 采购
- 普华永道
- 题
- 率
- RAY
- 阅读
- 阅读
- 准备
- 真实
- 实时的
- 原因
- 原因
- 最近
- 减少
- 减少
- 减少
- 有关
- 去除
- 请求
- 岗位要求
- 资源
- 响应
- 导致
- 零售
- 零售业
- 保留
- 再培训
- 回报
- 收入
- 收入增长
- 检讨
- 圆
- 第
- 运行
- 销售
- 满意
- 鳞片
- 科幻
- 得分了
- 部分
- 选择
- 前辈
- 服务
- 特色服务
- Share
- 显示
- 简易
- 只是
- 自
- 小
- 软件
- 软件工程师
- 方案,
- 解决方案
- 解决
- 一些
- 说话
- 专家
- 开始
- 启动
- 州/领地
- Status
- 步
- 步骤
- 仍
- Stop 停止
- 存储
- 商店
- 存储
- 商店
- 成功
- 这样
- SUPPORT
- 系统
- 产品
- 表
- 行李牌
- 人才
- 谈论
- 团队
- 文案
- 技术
- 测试
- 文字分类
- 比
- 这
- 其
- 他们
- 他们
- Free Introduction
- 那些
- 三
- 三步
- 门槛
- 通过
- 次
- 定时
- 至
- 工具
- 跟踪时
- 培训
- 熟练
- 产品培训
- 改造
- 转型
- 巨大
- 触发
- 信任
- 下
- 理解
- 理解
- 最新动态
- us
- 使用
- 用过的
- 用户
- 运用
- 利用
- 验证
- 有价值
- 版本
- 通缉
- 是
- 了解
- 观看
- we
- 为
- 是否
- 这
- 而
- 宽
- 将
- 也完全不需要
- 工作
- 工作
- 工作流程
- 合作
- 将
- 年
- 您
- 您一站式解决方案
- 和风网