ووفقا ل تقرير PWC، 32٪ من عملاء التجزئة يتضاربون بعد تجربة سلبية واحدة ، ويقول 73٪ من العملاء أن تجربة العملاء تؤثر على قرارات الشراء الخاصة بهم. في صناعة التجزئة العالمية ، يعد دعم ما قبل البيع وبعده جانبين مهمين من رعاية العملاء. تُستخدم طرق عديدة ، بما في ذلك البريد الإلكتروني والدردشة الحية والروبوتات والمكالمات الهاتفية ، لتقديم مساعدة العملاء. منذ أن تحسن الذكاء الاصطناعي للمحادثات في السنوات الأخيرة ، تبنت العديد من الشركات تقنيات متطورة مثل روبوتات الدردشة التي تعمل بالذكاء الاصطناعي ودعم الوكيل المدعوم بالذكاء الاصطناعي لتحسين خدمة العملاء مع زيادة الإنتاجية وخفض التكاليف.
فهم الأمازون هي خدمة معالجة لغة طبيعية (NLP) مُدارة بالكامل ومُدرَّبة بشكل مستمر يمكنها استخلاص نظرة ثاقبة حول محتوى مستند أو نص. في هذا المنشور ، نستكشف كيفية استخدام عميل AWS Pro360 لـ Amazon Comprehend واجهة برمجة تطبيقات التصنيف المخصص، والذي يمكّنك من إنشاء نماذج تصنيف نصية مخصصة بسهولة باستخدام الملصقات الخاصة بنشاطك التجاري دون مطالبتك بتعلم التعلم الآلي (ML) ، لتحسين تجربة العملاء وتقليل التكاليف التشغيلية.
Pro360: اكتشف بدقة اعتراضات العملاء في روبوتات المحادثة
Pro360 هو سوق يهدف إلى ربط المتخصصين بالمواهب الخاصة بالصناعة والعملاء المحتملين ، مما يسمح لهم بالعثور على فرص جديدة وتوسيع شبكتهم المهنية. يتيح للعملاء التواصل مباشرة مع الخبراء والتفاوض على سعر مخصص لخدماتهم بناءً على متطلباتهم الفردية. تتقاضى Pro360 رسومًا على العملاء عند حدوث تطابق ناجح بين المتخصصين والعملاء.
كان على Pro360 التعامل مع مشكلة تتعلق بالرسوم غير الموثوقة التي أدت إلى شكاوى المستهلكين وتقليل الثقة مع العلامة التجارية. كانت المشكلة أنه كان من الصعب فهم هدف العميل أثناء المحادثات المعقدة المليئة بأهداف متعددة ، والإنكار اللطيف ، والتواصل غير المباشر. كانت مثل هذه المحادثات تؤدي إلى رسوم خاطئة قللت من رضا العملاء. على سبيل المثال ، قد يبدأ العميل محادثة ويتوقف فورًا ، أو ينهي المحادثة عن طريق الرفض بأدب بقول "أنا مشغول" أو "اسمح لي بمضغها". أيضًا ، نظرًا للاختلافات الثقافية ، قد لا يعتاد بعض العملاء على التعبير عن نواياهم بوضوح ، لا سيما عندما يريدون قول "لا". هذا جعل الأمر أكثر صعوبة.
لحل هذه المشكلة ، أضاف Pro360 في البداية خيارات وخيارات للعميل ، مثل "أريد المزيد من المعلومات" أو "لا ، لدي خيارات أخرى". بدلاً من كتابة سؤال أو استعلام خاص به ، يختار العميل ببساطة الخيارات المتاحة. ومع ذلك ، لم يتم حل المشكلة بعد لأن العملاء فضلوا التحدث بوضوح بلغتهم الطبيعية أثناء التفاعل مع النظام. حدد Pro360 أن المشكلة كانت نتيجة للأنظمة المستندة إلى القواعد ، وأن الانتقال إلى حل قائم على البرمجة اللغوية العصبية سيؤدي إلى فهم أفضل لنية العميل ، ويؤدي إلى رضا العملاء بشكل أفضل.
التصنيف المخصص هو إحدى ميزات Amazon Comprehend ، والتي تتيح لك ذلك تطوير المصنفات الخاصة بك باستخدام مجموعات البيانات الصغيرة. استخدمت Pro360 هذه الميزة لبناء نموذج بدقة 99.2٪ من خلال التدريب على 800 نقطة بيانات والاختبار على 300 نقطة بيانات. لقد اتبعوا نهجًا من ثلاث خطوات لبناء النموذج وتكراره لتحقيق المستوى المطلوب من الدقة من 82٪ إلى 99.3٪. أولاً ، حدد Pro360 فئتين ، رفض وغير مرفوض ، أرادوا استخدامهما للتصنيف. ثانيًا ، قاموا بإزالة الرموز التعبيرية والرموز غير ذات الصلة مثل ~
و ...
وتحديد الرموز التعبيرية السلبية لتحسين دقة النموذج. أخيرًا ، حددوا ثلاثة تصنيفات إضافية للمحتوى لتحسين معدل الخطأ في التعرف ، بما في ذلك الحديث القصير ، والاستجابة الغامضة ، والرفض لسبب ما ، لزيادة تكرار النموذج.
في هذا المنشور ، نشارك كيف استفادت Pro360 من Amazon Comprehend لتتبع اعتراضات المستهلكين أثناء المناقشات واستخدمت آلية الإنسان في الحلقة (HITL) لدمج تعليقات العملاء في تحسين النموذج ودقته ، مما يدل على سهولة الاستخدام والكفاءة. من Amazon Comprehend.
"في البداية ، اعتقدت أن تطبيق الذكاء الاصطناعي سيكون مكلفًا. ومع ذلك ، فإن اكتشاف Amazon Comprehend يمكننا من إحضار نموذج البرمجة اللغوية العصبية بكفاءة واقتصادية من المفهوم إلى التنفيذ في غضون 1.5 شهر فقط. نحن ممتنون للدعم المقدم من فريق حساب AWS وفريق هندسة الحلول وخبراء ML من SSO وفريق الخدمة ".
- LC Lee ، المؤسس والرئيس التنفيذي لشركة Pro360.
حل نظرة عامة
يوضح الرسم التخطيطي التالي بنية الحل التي تغطي الاستدلال في الوقت الفعلي ، وسير عمل التعليقات ، وسير عمل المراجعة البشرية ، وكيف تساهم هذه المكونات في سير عمل تدريب Amazon Comprehend.
في الأقسام التالية ، نوجهك خلال كل خطوة في سير العمل.
تصنيف النص في الوقت الحقيقي
لاستخدام أمازون فهم التصنيف المخصص في الوقت الفعلي، تحتاج إلى نشر واجهة برمجة تطبيقات كنقطة دخول واستدعاء نموذج Amazon Comprehend لإجراء تصنيف للنص في الوقت الفعلي. والخطوات هي كما يلي:
- المكالمات من جانب العميل بوابة أمازون API كنقطة دخول لتقديم رسالة العميل كمدخل.
- تقوم بوابة API بتمرير الطلب إلى AWS لامدا ويستدعي API من الأمازون DynamoDB و Amazon Comprehend في الخطوتين 3 و 4.
- يتحقق Lambda من الإصدار الحالي من نقطة نهاية Amazon Comprehend التي تخزن البيانات في DynamoDB ، وتستدعي ملف نقطة نهاية Amazon Comprehend للحصول على استدلال في الوقت الفعلي.
- يتحقق Lambda ، باستخدام قاعدة مضمنة ، من النتيجة لتحديد ما إذا كانت أقل من الحد الأدنى أم لا. ثم يخزن تلك البيانات في DynamoDB وينتظر الموافقة البشرية لتأكيد نتيجة التقييم.
سير عمل التعليقات
عندما تقوم نقطة النهاية بإرجاع نتيجة التصنيف إلى جانب العميل ، يقوم التطبيق بمطالبة المستخدم النهائي بتلميح للحصول على ملاحظاته ، ويخزن البيانات في قاعدة البيانات للجولة التالية (سير عمل التدريب). فيما يلي خطوات سير عمل الملاحظات:
- يرسل جانب العميل ملاحظات المستخدم عن طريق الاتصال بـ API Gateway.
- تتجاوز بوابة API الطلب إلى Lambda. يتحقق Lambda من التنسيق ويخزنه في DynamoDB.
- يتم تخزين تعليقات المستخدمين من Lambda في DynamoDB وسيتم استخدامها في عملية التدريب التالية.
سير عمل المراجعة البشرية
تساعدنا عملية المراجعة البشرية في توضيح البيانات بدرجة ثقة أقل من الحد الأدنى. تُعد هذه البيانات ذات قيمة لتحسين نموذج Amazon Comprehend ، وتُضاف إلى التكرار التالي لإعادة التدريب. كنا موازنة تحميل مرنة كنقطة دخول لإجراء هذه العملية لأن نظام Pro360 مبني عليه سحابة أمازون المرنة (أمازون EC2). الخطوات الخاصة بسير العمل هذا كالتالي:
- نحن نستخدم واجهة برمجة تطبيقات موجودة على Elastic Load Balancer كنقطة دخول.
- نحن نستخدم Amazon EC2 كمورد حساب لبناء لوحة معلومات أمامية للمراجع لتمييز بيانات الإدخال بنقاط ثقة أقل.
- بعد أن يحدد المراجع الاعتراض من بيانات الإدخال ، نقوم بتخزين النتيجة في جدول DynamoDB.
سير عمل تدريب Amazon Comprehend
لبدء تدريب نموذج Amazon Comprehend ، نحتاج إلى إعداد بيانات التدريب. توضح لك الخطوات التالية كيفية تدريب النموذج:
- نستخدم غراء AWS لإجراء وظائف استخراج وتحويل وتحميل (ETL) ودمج البيانات من جدولي DynamoDB مختلفين وتخزينها في خدمة تخزين أمازون البسيطة (أمازون S3).
- عندما تكون بيانات التدريب على Amazon S3 جاهزة ، يمكننا تشغيلها وظائف خطوة AWS كأداة التزامن لتشغيل وظيفة التدريب ، ونمرر مسار S3 إلى آلة حالة Step Functions.
- نستدعي وظيفة Lambda للتحقق من وجود مسار بيانات التدريب ، ثم تشغيل وظيفة تدريب Amazon Comprehend.
- بعد بدء وظيفة التدريب ، نستخدم وظيفة Lambda أخرى للتحقق من حالة وظيفة التدريب. إذا اكتملت مهمة التدريب ، نحصل على مقياس النموذج ونخزنه في DynamoDB لمزيد من التقييم.
- نتحقق من أداء النموذج الحالي باستخدام وظيفة اختيار نموذج Lambda. إذا كان أداء الإصدار الحالي أفضل من الأداء الأصلي ، فإننا ننشره في نقطة نهاية Amazon Comprehend.
- ثم نستدعي دالة Lambda أخرى للتحقق من حالة نقطة النهاية. تعمل الوظيفة على تحديث المعلومات في DynamoDB لتصنيف النص في الوقت الفعلي عندما تكون نقطة النهاية جاهزة.
الملخص والخطوات التالية
في هذا المنشور ، أظهرنا كيف تمكّن Amazon Comprehend Pro360 من إنشاء تطبيق مدعوم بالذكاء الاصطناعي بدون ممارسين خبراء في تعلم الآلة ، قادرون على زيادة دقة اكتشاف اعتراضات العملاء. كان Pro360 قادرًا على بناء نموذج NLP مخصص الغرض في 1.5 شهر فقط ، وهو الآن قادر على تحديد 90٪ من حالات رفض العملاء المهذبة واكتشاف نية العميل بدقة إجمالية تبلغ 99.2٪. لا يعزز هذا الحل تجربة العملاء فحسب ، ويزيد نمو معدل الاستبقاء بنسبة 28.5٪ ، بل يحسن أيضًا النتائج المالية ، ويقلل من تكلفة التشغيل بنسبة 8٪ ويقلل عبء العمل على وكلاء خدمة العملاء.
ومع ذلك ، فإن تحديد اعتراضات العملاء هو مجرد الخطوة الأولى في تحسين تجربة العميل. من خلال الاستمرار في تكرار تجربة العميل وتسريع نمو الإيرادات ، فإن الخطوة التالية هي تحديد أسباب اعتراضات العملاء ، مثل قلة الاهتمام ، أو مشكلات التوقيت ، أو التأثير من الآخرين ، وتوليد الاستجابة المناسبة لزيادة تحويل المبيعات معدل.
لاستخدام Amazon Comprehend لإنشاء نماذج تصنيف نصوص مخصصة ، يمكنك الوصول إلى الخدمة من خلال ملف وحدة تحكم إدارة AWS. لمعرفة المزيد حول كيفية استخدام Amazon Comprehend ، تحقق من Amazon Comprehend موارد المطورين.
حول المؤلف
راي وانغ هو مهندس حلول في AWS. مع 8 سنوات من الخبرة في صناعة تكنولوجيا المعلومات ، مكرس Ray لبناء حلول حديثة على السحابة ، لا سيما في NoSQL والبيانات الضخمة والتعلم الآلي. بصفته مبتدئًا جائعًا ، فقد اجتاز جميع شهادات AWS الاثنتي عشرة لجعل مجاله الفني ليس عميقًا فحسب ، بل واسعًا. يحب قراءة ومشاهدة أفلام الخيال العلمي في أوقات فراغه.
جوزي تشينج هو HKT AI / ML Go-To-Market في AWS. ينصب تركيزها الحالي على تحول الأعمال في البيع بالتجزئة و CPG من خلال البيانات و ML لدعم نمو هائل للمؤسسات. قبل الانضمام إلى AWS ، عملت Josie في Amazon Retail وشركات الإنترنت الأخرى في الصين والولايات المتحدة كمدير منتج للنمو.
شانا تشانغ هو مهندس حلول في AWS. تركز على إمكانية الملاحظة في البنى الحديثة وحلول المراقبة السحابية الأصلية. قبل انضمامها إلى AWS ، كانت تعمل كمهندسة برمجيات. تستمتع في أوقات فراغها بالتنزه ومشاهدة الأفلام.
ويريك تالوكدار هو مهندس معماري أول مع فريق Amazon Comprehend Service. إنه يعمل مع عملاء AWS لمساعدتهم على تبني التعلم الآلي على نطاق واسع. خارج العمل ، يستمتع بالقراءة والتصوير.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :لديها
- :يكون
- :ليس
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- ماهرون
- من نحن
- تسريع
- الوصول
- حسابي
- دقة
- بدقة
- التأهيل
- وأضاف
- إضافي
- تبنى
- اعتمد
- بعد
- الوكيل
- عملاء
- AI
- AI-بالطاقة
- AI / ML
- وتهدف
- الكل
- السماح
- يسمح
- أيضا
- أمازون
- فهم الأمازون
- Amazon EC2
- an
- و
- آخر
- API
- تطبيق
- نهج
- مناسب
- موافقة
- هندسة معمارية
- هي
- AS
- الجوانب
- مساعدة
- At
- AWS
- عميل AWS
- موازن
- على أساس
- BE
- لان
- قبل
- يعتقد
- أقل من
- أفضل
- ما بين
- كبير
- البيانات الكبيرة
- على حد سواء
- البوتات
- العلامة تجارية
- جلب
- نساعدك في بناء
- ابني
- بنيت
- مدمج
- الأعمال
- تحول الأعمال
- الأعمال
- لكن
- by
- دعوة
- دعوة
- دعوات
- CAN
- يهمني
- الرئيس التنفيذي
- الشهادات
- تحدي
- اسعارنا محددة من قبل وزارة العمل
- chatbots
- التحقق
- الشيكات
- الصين
- الخيارات
- فصول
- تصنيف
- بوضوح
- زبون
- عميل
- سحابة
- COM
- التواصل
- Communication
- الشركات
- شكاوي
- إكمال
- مكونات
- فهم
- إحصاء
- مفهوم
- إدارة
- الثقة
- أكد
- التواصل
- مستهلك
- محتوى
- استمرار
- بشكل متواصل
- المساهمة
- محادثة
- تحادثي
- محادثة منظمة العفو الدولية
- المحادثات
- تحويل
- التكلفة
- التكاليف
- تغطية
- الدليل السياسي الشامل
- ثقافي
- حالياًّ
- على
- زبون
- تجربة العملاء
- رضا العملاء
- خدمة العملاء
- العملاء
- حسب الطلب
- المتطور والحديث
- لوحة أجهزة القياس
- البيانات
- نقاط البيانات
- قاعدة البيانات
- صفقة
- القرارات
- انخفاض
- مخصصة
- عميق
- تعريف
- التظاهر
- نشر
- مطلوب
- كشف
- حدد
- المطور
- الخلافات
- مختلف
- صعبة
- مباشرة
- اكتشاف
- مناقشات
- وثيقة
- إلى أسفل
- أثناء
- كل
- سهولة الاستخدام
- بسهولة
- كفاءة
- بكفاءة
- البريد الإلكتروني
- تمكن
- نقطة النهاية
- مهندس
- يعزز
- مشروع
- دخول
- خاصة
- تقييم
- حتى
- مثال
- القائمة
- موجود
- وسع
- الخبره في مجال الغطس
- خبير
- خبرة
- خبرائنا
- اكتشف
- استخراج
- الميزات
- ردود الفعل
- حقل
- معبأ
- مالي
- الاسم الأول
- تركز
- ويركز
- يتبع
- متابعيك
- متابعات
- في حالة
- شكل
- مؤسس
- المؤسس والرئيس التنفيذي
- تبدأ من
- وقود
- تماما
- وظيفة
- وظائف
- إضافي
- بوابة
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- العالمية
- اذهب إلى السوق
- ممتنة
- التسويق
- يملك
- he
- مساعدة
- يساعد
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- جائع
- i
- محدد
- يحدد
- تحديد
- تحديد
- يوضح
- فورا
- التنفيذ
- تحقيق
- أهمية
- تحسن
- تحسن
- تحسين
- تحسين
- in
- بما فيه
- دمج
- القيمة الاسمية
- في ازدياد
- فرد
- العالمية
- خاص بالصناعة
- تأثير
- معلومات
- في البداية
- إدخال
- تبصر
- بدلًا من ذلك
- نية
- النوايا
- التفاعل
- مصلحة
- Internet
- إلى
- مسائل
- IT
- صناعة تكنولوجيا المعلومات
- تكرير
- وظيفة
- المشــاريــع
- انضمام
- JPG
- م
- ملصقات
- نقص
- لغة
- كبير
- قيادة
- قيادة
- تعلم
- تعلم
- ليد
- لي
- مستوى
- مثل
- حي
- تحميل
- خفض
- آلة
- آلة التعلم
- صنع
- جعل
- تمكن
- إدارة
- مدير
- كثير
- السوق
- مايو..
- آلية
- دمج
- الرسالة
- طرق
- متري
- ربما
- ML
- نموذج
- عارضات ازياء
- تقدم
- مراقبة
- المقبلة.
- الأكثر من ذلك
- أفلام
- يتحرك
- متعدد
- طبيعي
- معالجة اللغات الطبيعية
- حاجة
- سلبي
- شبكة
- جديد
- التالي
- البرمجة اللغوية العصبية
- الآن
- كثير
- موضوعي
- of
- on
- ONE
- فقط
- عملية
- تشغيل
- الفرص
- مزيد من الخيارات
- or
- تزامن
- أصلي
- أخرى
- أخرى
- في الخارج
- الكلي
- الخاصة
- خاصة
- pass
- مرت
- يمر
- مسار
- أداء
- للهواتف
- المكالمات الهاتفية
- تصوير
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- نقاط
- منشور
- محتمل
- العملاء المحتملين
- المفضل
- إعداد
- السعر
- المشكلة
- عملية المعالجة
- معالجة
- المنتج
- مدير المنتج
- إنتاجية
- محترف
- تزود
- المقدمة
- شراء
- PWC
- سؤال
- معدل
- RAY
- عرض
- نادي القراءة
- استعداد
- حقيقي
- في الوقت الحقيقي
- سبب
- الأسباب
- الأخيرة
- تخفيض
- عقار مخفض
- تقليص
- ذات صلة
- إزالة
- طلب
- المتطلبات الأساسية
- مورد
- استجابة
- نتيجة
- بيع بالتجزئة
- قطاع التجزئة
- استبقاء
- عائدات
- إيرادات
- نمو الإيرادات
- مراجعة
- دائري
- قاعدة
- يجري
- الأملاح
- رضا
- حجم
- الخيال العلمي
- أحرز هدفاً
- أقسام
- اختيار
- كبير
- الخدمة
- خدماتنا
- مشاركة
- إظهار
- جانب
- الاشارات
- ببساطة
- منذ
- صغير
- تطبيقات الكمبيوتر
- مهندس البرمجيات
- حل
- الحلول
- حل
- بعض
- تحدث
- المتخصصين
- بداية
- يبدأ
- الولايه او المحافظه
- الحالة
- خطوة
- خطوات
- لا يزال
- قلة النوم
- تخزين
- متجر
- تخزين
- فروعنا
- ناجح
- هذه
- الدعم
- نظام
- أنظمة
- جدول
- TAG
- المواهب
- حديث
- فريق
- تقني
- التكنولوجيا
- الاختبار
- تصنيف النص
- من
- أن
- •
- من مشاركة
- منهم
- هم
- هؤلاء
- ثلاثة
- ثلاث خطوات
- عتبة
- عبر
- الوقت
- توقيت
- إلى
- أداة
- مسار
- قطار
- متدرب
- قادة الإيمان
- تحول
- تحول
- هائل
- يثير
- الثقة
- مع
- فهم
- فهم
- آخر التحديثات
- us
- تستخدم
- مستعمل
- مستخدم
- استخدام
- تستخدم
- التحقق من صحة
- القيمة
- الإصدار
- مطلوب
- وكان
- شاهد
- مراقبة
- we
- كان
- سواء
- التي
- في حين
- واسع
- سوف
- مع
- بدون
- للعمل
- عمل
- أعمال
- سوف
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت