امروزه، مشتریان میتوانند بلیطهای پشتیبانی را از طریق کانالهای متعددی مانند وب، موبایل، رباتهای چت، ایمیل، یا تماسهای تلفنی دریافت کنند. هنگامی که یک تیکت پشتیبانی توسط مشتری مطرح می شود، بر اساس اطلاعات ارائه شده در تیکت پردازش شده و به یک دسته اختصاص داده می شود. سپس با توجه به دسته بلیط برای حل و فصل به گروه پشتیبانی هدایت می شود. تخمین زده می شود که تعداد بالایی از بلیط های پشتیبانی معمولاً به دلیل دسته بندی نادرست بلیط به گروه مناسب هدایت نمی شوند. بلیط هایی که نادرست تخصیص داده شده اند باعث تاخیر در زمان حل کلی می شود که اغلب منجر به نارضایتی شدید مشتری می شود. همچنین ممکن است اثرات گسترده دیگری مانند پیامدهای مالی، عملیاتی یا سایر پیامدهای تجاری داشته باشد. از این رو، طبقه بندی بلیط این روزها یک وظیفه ضروری برای هر سازمان است. اگرچه ممکن است بلیط ها را به صورت دستی طبقه بندی کنید، اما مستعد خطا است، مقرون به صرفه نیست و مقیاس نمی شود.
خدمات مدیریت شده AWS (AMS) استفاده می کند درک آمازون طبقهبندیهای سفارشی برای دستهبندی درخواستهای ورودی بر اساس منبع و نوع عملیات بر اساس نحوه توصیف مشتری موضوع خود. Amazon Comprehend یک سرویس پردازش زبان طبیعی (NLP) است که از یادگیری ماشینی (ML) برای کشف بینش ها و ارتباطات ارزشمند در متن استفاده می کند. AMS از طبقهبندیکنندههای سفارشی برای برچسبگذاری درخواستهای مشتری با انواع موضوع، نوع منبع و عملکرد منابع مناسب استفاده میکند و در نتیجه بلیطهای مشتری را به SMEs مسیریابی میکند. طبقهبندی آمازون Comprehend برای یافتن فرصتهایی برای ابزارهای جدید اتوماسیون داخلی استفاده میشود که مهندسان AMS میتوانند از آنها برای برآورده کردن نیازهای مشتری برای کاهش تلاش دستی و احتمال خطاهای دستی استفاده کنند. داده های طبقه بندی در یک ذخیره می شود آمازون Redshift خوشه و برای تجزیه و تحلیل درخواست های مشتری و یافتن نامزدهای ابزار اتوماسیون جدید استفاده می شود. این اتوماسیون منجر به افزایش بازده عملیاتی و کاهش هزینه می شود.
در این پست نشان می دهیم که چگونه ارائه دهندگان خدمات مدیریت شده می توانند از Amazon Comprehend برای طبقه بندی و مسیریابی بلیط ها، ارائه پیشنهادات بر اساس طبقه بندی و استفاده از داده های طبقه بندی استفاده کنند.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل را نشان می دهد.
گردش کار به شرح زیر است:
- یک مشتری بلیط را ارسال می کند.
- سیستم بلیط بلیط را از مشتری دریافت می کند و طبقه بندی کننده بلیط را فراخوانی می کند AWS لامبدا عملکرد با جزئیات بلیط. Lambda یک سرویس محاسباتی بدون سرور و رویداد محور است که به شما امکان میدهد کد تقریباً برای هر نوع برنامه کاربردی یا سرویس پشتیبان را بدون تهیه یا مدیریت سرورها اجرا کنید. لامبدا به عنوان راه حلی برای کاهش هزینه و تلاش برای نگهداری انتخاب شده است.
- تابع Lambda طبقهبندیکننده بلیط، بلیط را با آمازون Comprehend با استفاده از عنوان بلیط و توضیحات طبقهبندی میکند. با آمازون Comprehend، میتوانید مدل NLP را آموزش دهید و دستهبندیکنندههای دستهای و بلادرنگ را بدون تهیه و نگهداری زیرساخت ارائه دهید.
- تابع Lambda طبقهبندیکننده بلیط، دادههای طبقهبندی بلیط را از طریق آمازون به خوشه Redshift منتقل میکند Amazon Kinesis Data Firehose. Kinesis Data Firehose یک سرویس استخراج، تبدیل و بارگذاری (ETL) است که دادههای جریانی را به دریاچههای داده، فروشگاههای داده و سرویسهای تحلیلی میگیرد، تبدیل میکند و ارائه میکند. Amazon Redshift از SQL برای تجزیه و تحلیل داده های ساختاریافته و نیمه ساختاریافته در انبارهای داده، پایگاه های داده عملیاتی و دریاچه های داده، با استفاده از سخت افزار طراحی شده توسط AWS و ML استفاده می کند تا بهترین عملکرد قیمت را در هر مقیاسی ارائه دهد. Kinesis Data Firehose داده ها را به یک سرویس ذخیره سازی ساده آمازون (Amazon S3) ابتدا سطل را وارد می کند و سپس دستور Amazon Redshift COPY را صادر می کند تا داده ها را در یک خوشه Amazon Redshift بارگذاری کند.
- تابع لامبدا طبقه بندی کننده بلیط، تابع لامبدا کنترل کننده بلیط را فراخوانی می کند.
- تابع لامبدا کنترل کننده بلیط کدی را برای کمک به رسیدگی به بلیط اجرا می کند. در این مثال، مواد توصیه شده برای رسیدگی به بلیط را بر اساس طبقه بندی برمی گرداند.
- تجزیه و تحلیل بلیط را می توان با آمازون QuickSight. از تجزیه و تحلیل بلیط، می توانید به بهترین نوع بلیط درخواستی پی ببرید. بر اساس تجزیه و تحلیل، می توانید روند و فرصت های بلیط را برای خودکارسازی انواع بلیط های برتر کشف کنید. QuickSight یک سرویس هوش تجاری (BI) در مقیاس ابری است که میتوانید از آن برای ارائه بینشهای قابل درک آسان به افرادی که با آنها کار میکنید، در هر کجا که هستند، استفاده کنید.
در بخشهای بعدی، شما را از طریق مراحل پیادهسازی راهحل، ادغام زیرساخت طبقهبندی بلیط با سیستم فروش بلیط خود و استفاده از دادههای طبقهبندی با QuickSight راهنمایی میکنیم.
راه حل را اجرا کنید
در این بخش، مراحل تهیه منابع راه حل شما و ایجاد زیرساخت های لازم را طی می کنیم.
Amazon Comprehend را پیکربندی کنید
در این مرحله، ما دو مدل جدید طبقهبندی سفارشی آمازون Comprehend را آموزش میدهیم: عملیات و منبع، و یک نقطه پایانی تحلیل زمان واقعی برای هر مدل ایجاد میکنیم.
داده های آموزشی را بارگذاری کنید
برای آپلود اطلاعات آموزشی مراحل زیر را انجام دهید:
- دانلود ticket_training_data.zip و فایل را از حالت فشرده خارج کنید.
این پوشه شامل دو فایل زیر است:- training_data_operations.csv – این فایل یک فایل CSV دو ستونی است که برای آموزش مدل طبقه بندی عملیات از آن استفاده می کنیم. ستون اول شامل
class
و ستون دوم شاملdocument
. - training_data_resources.csv – این فایل یک فایل CSV دو ستونی است که برای آموزش مدل طبقه بندی منابع از آن استفاده می کنیم. مانند
training_data_operations.csv
فایل، ستون اول شاملclass
و ستون دوم شاملdocument
.
- training_data_operations.csv – این فایل یک فایل CSV دو ستونی است که برای آموزش مدل طبقه بندی عملیات از آن استفاده می کنیم. ستون اول شامل
- در کنسول آمازون S3، یک سطل جدید برای Amazon Comprehend ایجاد کنید. از آنجایی که نامهای سطل S3 در سطح جهانی منحصر به فرد هستند، باید یک نام منحصر به فرد برای سطل ایجاد کنید. برای این پست، ما آن را صدا می زنیم
comprehend-ticket-training-data
. رمزگذاری سمت سرور را فعال کنید و دسترسی عمومی را هنگام ایجاد سطل مسدود کنید. - بارگذاری
training_data_operations.csv
وtraining_data_resources.csv
به سطل S3 جدید.
دو مدل جدید ایجاد کنید
برای ایجاد مدل های خود، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، را انتخاب کنید طبقه بندی سفارشی در صفحه ناوبری
- را انتخاب کنید مدل جدید ایجاد کنید.
- اطلاعات زیر را ارائه دهید:
- برای نام مدل، وارد
ticket-classification-operation
. - برای زبان، انتخاب کنید انگلیسی.
- برای حالت طبقه بندی کننده، انتخاب کنید استفاده از حالت تک برچسب.
- برای قالب داده، انتخاب کنید پرونده CSV.
- برای مجموعه داده های آموزشی، مسیر S3 را برای وارد کنید
training_data_operations.csv
. - برای آزمایش منبع داده، انتخاب کنید تقسیم خودکار.
Autosplit به طور خودکار 10٪ از داده های آموزشی ارائه شده شما را برای استفاده به عنوان داده های آزمایشی انتخاب می کند. - برای نقش IAM، انتخاب کنید یک نقش IAM ایجاد کنید.
- برای مجوزهای دسترسی، داده های آموزشی، آزمایشی و خروجی (در صورت مشخص شدن) را در سطل های S3 خود انتخاب کنید.
- برای پسوند نام، وارد
ticket-classification
.
- برای نام مدل، وارد
- را انتخاب کنید ساختن.
- را انتخاب کنید مدل جدید ایجاد کنید دوباره برای ایجاد مدل طبقه بندی منابع خود.
- اطلاعات زیر را ارائه دهید:
- برای نام مدل، وارد
ticket-classification-resource
. - برای زبان، انتخاب کنید انگلیسی.
- برای حالت طبقه بندی کننده، انتخاب کنید استفاده از حالت تک برچسب.
- برای قالب داده، انتخاب کنید پرونده CSV.
- برای مجموعه داده های آموزشی، مسیر S3 را برای وارد کنید
training_data_resources.csv
. - برای آزمایش منبع داده، Autosplit را انتخاب کنید.
- برای نقش IAM، انتخاب کنید از نقش IAM موجود استفاده کنید.
- برای نام نقش، انتخاب کنید
AmazonComprehendServiceRole-ticket-classification
.
- برای نام مدل، وارد
- را انتخاب کنید ساختن.
Amazon Comprehend اکنون در حال پردازش فایلهای CSV و استفاده از آنها برای آموزش طبقهبندیکنندههای سفارشی است. سپس از آنها برای کمک به طبقه بندی بلیط های مشتری استفاده می کنیم. هر چه داده های آموزشی ما بزرگتر و دقیق تر باشد، طبقه بندی کننده دقیق تر خواهد بود.
منتظر بمانید تا وضعیت نسخه به صورت نمایش داده شود Trained
مانند زیر. بسته به اندازه داده های آموزشی ممکن است تکمیل آن تا 1 ساعت طول بکشد.
نقاط پایانی آمازون Comprehend ایجاد کنید
صورتحسابهای پایانی Amazon Comprehend با افزایش ۱ ثانیهای و حداقل ۶۰ ثانیه صورت میگیرد. هزینهها از زمانی که نقطه پایانی را شروع میکنید تا حذف آن ادامه مییابد، حتی اگر هیچ سندی تجزیه و تحلیل نشود. برای اطلاعات بیشتر ببین قیمت گذاری جامع آمازون. برای ایجاد نقاط پایانی خود، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، را انتخاب کنید نقاط پایان در صفحه ناوبری
- را انتخاب کنید نقطه پایانی ایجاد کنید برای ایجاد نقطه پایانی طبقه بندی عملیات شما.
- اطلاعات زیر را ارائه دهید:
- برای نام نقطه پایانی، وارد
ticket-classification-operation
. - برای نوع مدل سفارشی، انتخاب کنید طبقه بندی سفارشی.
- برای مدل طبقه بندی کننده، انتخاب کنید بلیط-رده بندی-عملیات.
- برای نسخه، انتخاب کنید بدون نام نسخه.
- برای تعداد واحدهای استنتاج (IU)، وارد
1
.
- برای نام نقطه پایانی، وارد
- را انتخاب کنید نقطه پایانی ایجاد کنید.
- را انتخاب کنید نقطه پایانی ایجاد کنید دوباره برای ایجاد نقطه پایان طبقه بندی منابع.
- اطلاعات زیر را ارائه دهید:
- برای نام نقطه پایانی، وارد
ticket-classification-resource
. - برای نوع مدل سفارشی، انتخاب کنید طبقه بندی سفارشی.
- برای مدل طبقه بندی کننده، انتخاب کنید بلیط-رده بندی-منبع.
- برای نسخه، انتخاب کنید بدون نام نسخه.
- برای تعداد واحدهای استنتاج (IU)، وارد
1
.
- برای نام نقطه پایانی، وارد
- را انتخاب کنید نقطه پایانی ایجاد کنید.
پس از ایجاد هر دو نقطه پایانی، صبر کنید تا وضعیت هر دو به عنوان نشان داده شود Active
.
نقاط پایانی Amazon Comprehend را با تجزیه و تحلیل بلادرنگ آزمایش کنید
برای آزمایش نقاط پایانی خود، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، را انتخاب کنید تجزیه و تحلیل زمان واقعی در صفحه ناوبری
- برای نوع تحلیلانتخاب کنید سفارشی.
- برای نقطه پایانیانتخاب کنید بلیط-رده بندی-عملیات.
- برای متن ورودی، زیر را وارد کنید:
- را انتخاب کنید تجزیه و تحلیل.
نتایج نشان می دهد کهUpdate
کلاس بالاترین امتیاز اطمینان را دارد. - تغییر دادن نقطه پایانی به بلیط-رده بندی-منبع و انتخاب کنید تجزیه و تحلیل دوباره.
نتایج نشان می دهد که EC2
کلاس بالاترین امتیاز اطمینان را دارد.
یک راز برای رمز عبور خوشه آمازون Redshift ایجاد کنید
در این مرحله یک را ایجاد می کنیم مدیر اسرار AWS رمز عبور خوشه آمازون Redshift شما. Secrets Manager به شما کمک می کند از اسرار مورد نیاز برای دسترسی به برنامه ها، خدمات و منابع IT خود محافظت کنید. این سرویس به شما این امکان را میدهد تا اعتبار پایگاه داده، کلیدهای API و سایر اسرار را در طول چرخه زندگی خود به راحتی بچرخانید، مدیریت کنید و بازیابی کنید. در این پست، رمز عبور خوشه آمازون Redshift را در یک Secrets Manager ذخیره می کنیم.
- در کنسول Secrets Manager، را انتخاب کنید اسرار در صفحه ناوبری
- را انتخاب کنید یک راز جدید ذخیره کنید.
- برای نوع مخفی، انتخاب کنید نوع دیگری از راز.
- تحت جفت کلید/مقدار، کلید خود را به عنوان تنظیم کنید
password
و به عنوان رمز عبور خوشه آمازون Redshift ارزش گذاری کنید.
طول رمز عبور باید بین 8 تا 64 کاراکتر باشد و حداقل دارای یک حرف بزرگ، یک حرف کوچک و یک عدد باشد. این می تواند هر کاراکتر ASCII قابل چاپی باشد به جز ' (یک نقل قول)، " (نقل قول دوگانه)، /، @، یا فاصله. - را انتخاب کنید بعدی.
- برای نام مخفی، وارد
ClassificationRedshiftClusterPassword
. - را انتخاب کنید بعدی.
- در چرخش مخفی بخش، را انتخاب کنید بعدی.
- پیکربندی مخفی خود را بررسی کرده و انتخاب کنید فروشگاه.
زیرساخت خود را با AWS CloudFormation فراهم کنید
در این مرحله با استفاده از یک زیرساخت راه حل را فراهم می کنیم AWS CloudFormation پشته.
کد عملکرد Lambda را آپلود کنید
قبل از راهاندازی پشته CloudFormation، کد تابع Lambda خود را آپلود کنید:
- دانلود lambda_code.zip
- در کنسول آمازون S3، سطلی را که ایجاد کردید باز کنید.
- بارگذاری
lambda_code.zip
.
پشته CloudFormation خود را ایجاد کنید
برای تهیه منابع با AWS CloudFormation، مراحل زیر را انجام دهید:
- دانلود cloudformation_template.json.
- در کنسول AWS CloudFormation، را انتخاب کنید پشته ایجاد کنید.
- انتخاب کنید با منابع جدید (استاندارد).
- برای منبع قالب، انتخاب کنید یک فایل قالب بارگذاری کنید.
- الگوی دانلود شده CloudFormation را انتخاب کنید.
- را انتخاب کنید بعدی.
- برای نام پشته، وارد
Ticket-Classification-Infrastructure
. - در پارامترهای بخش، مقادیر زیر را وارد کنید:
- برای طبقه بندیRedshiftClusterNodeType، نوع گره خوشه آمازون Redshift را وارد کنید. dc2.large پیش فرض است.
- برای ClassificationRedshiftClusterPasswordSecretName، نام مخفی Secrets Manager را وارد کنید که رمز عبور خوشه Amazon Redshift را ذخیره می کند.
- برای طبقه بندیRedshiftClusterSubnetId، شناسه زیرشبکه ای که آمازون Redshift Cluster در آن میزبانی می شود را وارد کنید. زیرشبکه باید در VPC باشد که در آن ذکر کردید
ClassificationRedshiftClusterVpcId
پارامتر. - برای رده بندیRedshiftCluster نام کاربری، نام کاربری خوشه Amazon Redshift را وارد کنید.
- برای طبقه بندیRedshiftClusterVpcId، شناسه VPC را وارد کنید که در آن خوشه آمازون Redshift میزبانی می شود.
- برای LambdaCodeS3Bucket، نام سطل S3 را در جایی که کد لامبدا را آپلود کرده اید وارد کنید.
- برای LambdaCodeS3Key، کلید Amazon S3 بسته استقرار را وارد کنید.
- برای QuickSightRegion، وارد منطقه QuickSight شوید. منطقه برای QuickSight باید با منطقه ای که برای Amazon Comprehend و سطل S3 استفاده می کنید سازگار باشد.
- را انتخاب کنید بعدی.
- در پیکربندی گزینه های پشته بخش، را انتخاب کنید بعدی.
- در مرور بخش، انتخاب کنید من تصدیق می کنم که AWS CloudFormation ممکن است منابع IAM را ایجاد کند.
- را انتخاب کنید پشته ایجاد کنید.
خوشه Amazon Redshift خود را پیکربندی کنید
در این مرحله، ثبت حسابرسی را فعال کرده و جدول جدید را به خوشه Redshift Amazon که از طریق قالب CloudFormation ایجاد شده است، اضافه می کنید.
ثبت حسابرسی به طور پیش فرض در Redshift آمازون روشن نیست. هنگامی که ورود به سیستم را در خوشه خود روشن می کنید، آمازون Redshift به لاگ صادر می کند CloudWatch آمازون، که داده ها را از زمان ثبت گزارش حسابرسی فعال می کند تا زمان حال جمع آوری می کند. هر به روز رسانی لاگ ادامه گزارش های قبلی است.
ثبت حسابرسی را فعال کنید
اگر برای خوشه آمازون Redshift خود نیازی به ثبت حسابرسی ندارید، می توانید از این مرحله بگذرید.
- در کنسول آمازون Redshift، را انتخاب کنید خوشه در صفحه ناوبری
- با شروع خوشه آمازون Redshift را انتخاب کنید
classificationredshiftcluster-
. - بر پروژه های ما برگه ، انتخاب کنید ویرایش.
- را انتخاب کنید ویرایش گزارش حسابرسی.
- برای پیکربندی گزارش حسابرسیانتخاب کنید روشن کن.
- برای نوع خبره لاگ، انتخاب کنید CloudWatch.
- همه انواع گزارش را انتخاب کنید.
- را انتخاب کنید ذخیره تغییرات.
جدول جدید ایجاد کنید
برای ایجاد جدول جدید مراحل زیر را انجام دهید:
- در کنسول آمازون Redshift، را انتخاب کنید داده های پرس و جو.
- را انتخاب کنید پرس و جو در ویرایشگر پرس و جو v2.
- بر پایگاه داده صفحه، خوشه خود را انتخاب کنید.
- برای پایگاه داده، وارد
ticketclassification
. - نام کاربری و رمز عبوری را که در پارامترهای پشته CloudFormation پیکربندی کرده اید وارد کنید.
- را انتخاب کنید ارتباط ایجاد کنید.
- هنگامی که اتصال برقرار شد، علامت مثبت را انتخاب کنید و یک پنجره درخواست جدید باز کنید.
- پرس و جو زیر را وارد کنید:
- را انتخاب کنید دویدن.
زیرساخت طبقه بندی را تست کنید
اکنون زیرساخت های طبقه بندی بلیط آماده است. قبل از ادغام با سیستم بلیط خود، بیایید زیرساخت طبقه بندی را آزمایش کنیم.
تست را اجرا کنید
برای اجرای آزمون مراحل زیر را انجام دهید:
- در کنسول لامبدا، را انتخاب کنید توابع در صفحه ناوبری
- تابعی را انتخاب کنید که با آن شروع می شود
Ticket-Classification-Inf-TicketClassifier
. - بر تست برگه ، انتخاب کنید رویداد آزمایشی.
- برای نام، وارد
TestTicket
. - داده های تست زیر را وارد کنید:
- را انتخاب کنید تست.
بلیط طبقه بندی شده است و داده های طبقه بندی در خوشه Amazon Redshift ذخیره می شود. پس از طبقه بندی، تابع لامبدا کنترل کننده بلیط اجرا می شود، که بلیط را بر اساس طبقه بندی، از جمله توصیه مواد به مهندسان پشتیبانی می کند.
گزارش آزمون طبقه بندی کننده بلیط را بررسی کنید
برای بررسی گزارش تست، مراحل زیر را انجام دهید:
- در قسمت نتیجه آزمون، انتخاب کنید سیاههها، یا انتخاب کنید مشاهده گزارشها در CloudWatch در مانیتور تب.
- جریان گزارش را انتخاب کنید.
شما می توانید گزارش ها را در تصویر زیر مشاهده کنید، که خروجی آمازون Comprehend و طبقه بندی نهایی بلیط را نشان می دهد. در این مثال، بلیط آزمون به عنوان طبقه بندی می شود Resource=EC2
, Operation=Update
.
خروجی طبقه بندی بلیط را در خوشه آمازون Redshift بررسی کنید
برای اعتبارسنجی خروجی در خوشه، مراحل زیر را انجام دهید:
- در کنسول آمازون Redshift query editor v2، علامت مثبت را برای باز کردن یک پنجره جستجوی جدید انتخاب کنید.
- پرس و جو زیر را وارد کنید:
- را انتخاب کنید دویدن.
تصویر زیر طبقه بندی بلیط را نشان می دهد. اگر هنوز در دسترس نیست، چند دقیقه صبر کنید و دوباره امتحان کنید (Kinesis Data Firehose به مدتی برای فشار دادن داده ها نیاز دارد). اکنون می توانیم از این داده ها در QuickSight استفاده کنیم.
گزارش آزمون کنترل کننده بلیط را بررسی کنید
پس از اینکه طبقهبندیکننده بلیط دادههای طبقهبندی را در خوشه آمازون Redshift فشار میدهد، تابع لامبدا کنترلکننده بلیط اجرا میشود، که بلیط را بر اساس طبقهبندی، از جمله توصیه مواد برای پشتیبانی از مهندسان، کنترل میکند. در این مثال، کنترل کننده بلیط مطالب توصیه شده از جمله runbook، اسناد AWS و اسناد SSM را برمی گرداند تا پشتیبانی بتواند هنگام رسیدگی به بلیط به آنها مراجعه کند. می توانید خروجی را با سیستم مدیریت بلیط خود ادغام کنید و می توانید فرآیندهای رسیدگی را در کد تابع لامبدا سفارشی کنید. در این مرحله بررسی می کنیم که چه توصیه هایی ارائه شده است.
- در کنسول لامبدا، را انتخاب کنید توابع در صفحه ناوبری
- تابع Lambda را که با آن شروع می شود انتخاب کنید
Ticket-Classification-Inf-TicketHandlerLambdaFunct
. - بر مانیتور برگه ، انتخاب کنید مشاهده گزارشها در CloudWatch.
- جریان گزارش را انتخاب کنید.
تصویر زیر گزارش ها را نشان می دهد. می توانید خروجی آمازون Comprehend و لیست اسناد AWS توصیه شده و اسناد SSM را برای بلیط طبقه بندی شده به عنوان مشاهده کنید. Update EC2
. میتوانید runbookها، اسناد، اسناد SSM یا هر ماده دیگری را در کد تابع Lambda اضافه کنید.
زیرساخت طبقه بندی بلیط را با سیستم فروش بلیط خود یکپارچه کنید
در این بخش، مراحل یکپارچهسازی زیرساخت طبقهبندی بلیط با سیستم فروش بلیط و سفارشی کردن پیکربندی شما را طی میکنیم.
اکثر سیستم های فروش بلیط دارای یک ویژگی ماشه هستند که به شما امکان می دهد هنگام ارسال بلیط، کد را اجرا کنید. سیستم فروش بلیط خود را برای فراخوانی تابع لامبدا طبقه بندی کننده بلیط با ورودی فرمت شده زیر تنظیم کنید:
اگر میخواهید ورودی را سفارشی کنید، کد تابع Lambda طبقهبندیکننده بلیط را تغییر دهید. شما باید پارامترها را اضافه یا حذف کنید (خطوط 90-105) و ورودی را برای Amazon Comprehend سفارشی کنید (خطوط 15-17).
می توانید عملکرد لامبدا کنترل کننده بلیط را برای اجرای اتوماسیون یا ویرایش توصیه ها سفارشی کنید. به عنوان مثال، می توانید نظر داخلی را با توصیه ها به بلیط اضافه کنید. برای سفارشی کردن، کد Lambda کنترل کننده بلیط را باز کنید و خطوط 68-70 و 75-81 را ویرایش کنید.
از داده های طبقه بندی با QuickSight استفاده کنید
پس از اینکه زیرساخت طبقه بندی بلیط را با سیستم بلیط خود ادغام کردید، داده های طبقه بندی بلیط در خوشه Amazon Redshift ذخیره می شود. می توانید از QuickSight برای بررسی این داده ها و تولید گزارش استفاده کنید. در این مثال، ما یک تحلیل QuickSight با داده های طبقه بندی ایجاد می کنیم.
برای QuickSight ثبت نام کنید
اگر از قبل QuickSight ندارید، با مراحل زیر ثبت نام کنید:
- در کنسول QuickSight، را انتخاب کنید برای QuickSight ثبت نام کنید.
- را انتخاب کنید استاندارد.
- تحت منطقه QuickSight، منطقه ای را که در پارامتر CloudFormation پیکربندی کرده اید انتخاب کنید
QuickSightRegion
. - تحت اطلاعات حساب، نام حساب QuickSight و آدرس ایمیل اعلان خود را وارد کنید.
- تحت دسترسی QuickSight به خدمات AWS، انتخاب کنید آمازون Redshift.
- اگر می خواهید به منابع دیگر دسترسی و کشف خودکار اجازه دهید، آنها را نیز انتخاب کنید.
- را انتخاب کنید پایان.
- را انتخاب کنید به Amazon QuickSight بروید بعد از اینکه ثبت نام کردید
خوشه Amazon Redshift خود را به QuickSight متصل کنید
برای اتصال خوشه خود به QuickSight به عنوان منبع داده، مراحل زیر را انجام دهید:
- در کنسول QuickSight، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
- را انتخاب کنید مجموعه داده جدید.
- را انتخاب کنید Redshift خودکار کشف شد.
- اطلاعات زیر را ارائه دهید:
- برای نام منبع داده، وارد
ticketclassification
. - برای شناسه نمونه، خوشه Amazon Redshift را با شروع انتخاب کنید
classificationredshiftcluster-
. - برای نوع اتصال، انتخاب کنید شبکه عمومی.
- برای نام پایگاه داده، وارد
ticketclassification
. - نام کاربری و رمز عبور خوشه Amazon Redshift را که در پارامترهای پشته CloudFormation پیکربندی کرده اید وارد کنید.
- برای نام منبع داده، وارد
- را انتخاب کنید اعتبارسنجی اتصال برای دیدن اینکه آیا اتصال کار می کند یا خیر.
اگر کار نکرد، احتمالاً به دلیل استفاده از نام کاربری و رمز عبور اشتباه است، یا منطقه QuickSight با آنچه در پشته CloudFormation مشخص کردهاید متفاوت است. - را انتخاب کنید ایجاد منبع داده.
- در میز خود را انتخاب کنید بخش، را انتخاب کنید
tickets
جدول. - را انتخاب کنید انتخاب کنید.
- انتخاب کنید برای تجزیه و تحلیل سریعتر، به SPICE وارد کنید.
SPICE موتور محاسباتی فوق سریع، موازی و درون حافظه QuickSight است. برای انجام سریع محاسبات پیشرفته و ارائه داده ها طراحی شده است. واردات (همچنین نامیده می شود مصرف) داده های شما در SPICE می تواند در زمان و هزینه صرفه جویی کند. برای اطلاعات بیشتر در مورد SPICE مراجعه کنید وارد کردن داده به SPICE. اگر با خطای «ظرفیت SPICE کافی نیست»، ظرفیت SPICE بیشتری خریداری کنید. برای اطلاعات بیشتر مراجعه کنید خرید ظرفیت SPICE در منطقه AWS. - را انتخاب کنید تجسم.
یک گزارش تجزیه و تحلیل طبقه بندی بلیط ایجاد کنید
پس از اتمام ایجاد مجموعه داده، می توانید تجزیه و تحلیل QuickSight جدید را مشاهده کنید. در این بخش، مراحل ایجاد گزارش تجزیه و تحلیل طبقه بندی بلیط، شامل جدول محوری، نمودار دایره ای و نمودار خطی را طی می کنیم.
- را انتخاب کنید دستخط.
- تحت انواع بصری، جدول محوری را انتخاب کنید.
- کشیدن
operation
از جانب لیست فیلدها به ردیف. - کشیدن
resource
از جانب لیست فیلدها به ستون ها. - بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید.
- تحت انواع بصری، نمودار دایره ای را انتخاب کنید.
- کشیدن
operation
از جانب لیست فیلدها به گروه/رنگ. - بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید دوباره.
- تحت انواع بصری، دوباره نمودار دایره ای را انتخاب کنید.
- کشیدن
resource
از جانب لیست فیلدها به گروه/رنگ. - بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید دوباره.
- تحت انواع بصری، نمودار خطی را انتخاب کنید.
- کشیدن
creation_time
از جانب لیست فیلدها به محور X. - کشیدن
operation
از جانب لیست فیلدها به رنگ. - بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید دوباره.
- تحت انواع بصری، دوباره نمودار خطی را انتخاب کنید.
- کشیدن
creation_time
از جانب لیست فیلدها به محور X. - کشیدن
operation
از جانب لیست فیلدها به رنگ. - در صورت نیاز اندازه نمودارها را تغییر داده و مرتب کنید.
- را انتخاب کنید ذخیره به عنوان.
- یک نام برای تحلیل خود وارد کنید و انتخاب کنید ذخیره.
تبریک می گویم! اولین تحلیل بلیط شما آماده است. هنگامی که داده های بیشتری در اختیار دارید، تجزیه و تحلیل مانند تصویر زیر خواهد بود.
پاک کردن
در این مرحله منابعی را که ایجاد کرده ایم با سرویس های مختلف پاکسازی می کنیم.
درک آمازون
برای حذف نقاط پایانی، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، را انتخاب کنید نقاط پایان در صفحه ناوبری
- را انتخاب کنید
endpoint ticket-classification-operation
. - را انتخاب کنید حذف و دستورات را دنبال کنید.
- برای حذف این مراحل را تکرار کنید
ticket-classification-resource
نقطه پایانی
در مرحله بعد، طبقه بندی های سفارشی که ایجاد کرده اید را حذف کنید. - را انتخاب کنید طبقه بندی سفارشی در صفحه ناوبری
- را انتخاب کنید
classification ticket-classification-operation
. - انتخاب کنید بدون نام نسخه.
- را انتخاب کنید حذف و دستورات را دنبال کنید.
- برای حذف این مراحل را تکرار کنید
ticket-classification-resource
طبقه بندی.
آمازون S3
در مرحله بعد، سطل S3 که ایجاد کرده اید را پاک کنید.
- در کنسول آمازون S3، سطلی را که ایجاد کردید انتخاب کنید.
- تمام اشیاء موجود در سطل را حذف کنید.
- سطل را حذف کنید.
آمازون QuickSight
تجزیه و تحلیل های QuickSight و مجموعه داده ای که ایجاد کرده اید را حذف کنید.
- در کنسول QuickSight، را انتخاب کنید تجزیه و تحلیل در صفحه ناوبری
- نماد گزینه ها (سه نقطه) را در تحلیلی که ایجاد کردید انتخاب کنید.
- را انتخاب کنید حذف و دستورات را دنبال کنید.
- را انتخاب کنید مجموعه داده ها در صفحه ناوبری
- انتخاب
tickets
مجموعه داده - را انتخاب کنید حذف مجموعه داده و دستورات را دنبال کنید.
AWS CloudFormation
منابعی را که به عنوان بخشی از پشته CloudFormation ایجاد کرده اید، پاک کنید.
- در کنسول AWS CloudFormation، را انتخاب کنید پشته در صفحه ناوبری
- انتخاب
Ticket-Classification-Infrastructure
پشته. - بر منابع برگه، شناسه فیزیکی را انتخاب کنید
ClassificationDeliveryStreamS3Bucket
.
کنسول آمازون S3 باز می شود. - تمام اشیاء موجود در این سطل را حذف کنید.
- به کنسول AWS CloudFormation برگردید، انتخاب کنید حذف، و دستورات را دنبال کنید.
مدیر اسرار AWS
در نهایت، راز Secrets Manager را حذف کنید.
- در کنسول Secrets Manager، راز را انتخاب کنید
ClassificationRedshiftClusterPassword
. - بر اعمال منو ، انتخاب کنید راز را حذف کنید.
- مدت زمان انتظار را 7 روز تنظیم کرده و انتخاب کنید برنامه حذف.
راز شما پس از 7 روز به طور خودکار حذف می شود.
نتیجه
در این پست، نحوه استفاده از خدمات AWS برای ایجاد یک سیستم طبقه بندی و توصیه خودکار را یاد گرفتید. این راه حل به سازمان های شما کمک می کند تا گردش کار زیر را ایجاد کنند:
- طبقه بندی درخواست های مشتری
- راه حل های خودکار را توصیه کنید.
- طبقه بندی درخواست مشتری را تجزیه و تحلیل کنید و درخواست های مشتری برتر را کشف کنید.
- یک راه حل خودکار جدید منتشر کنید و نرخ اتوماسیون را افزایش دهید.
برای اطلاعات بیشتر در مورد آمازون Comprehend، نگاه کنید مستندات جامع آمازون. همچنین می توانید سایر ویژگی های Amazon Comprehend را کشف کنید و از سایرین الهام بگیرید پست های وبلاگ AWS در مورد استفاده از Amazon Comprehend فراتر از طبقه بندی.
درباره نویسنده
سئونگ یول جری چو یک مهندس ارشد توسعه سیستم در AWS Managed Services مستقر در سیدنی، استرالیا است. او بر روی ساخت نرم افزار عملیات ابری بسیار مقیاس پذیر و خودکار با استفاده از فناوری های مختلف از جمله یادگیری ماشین تمرکز می کند. خارج از محل کار، او از سفر، کمپینگ، مطالعه، آشپزی و دویدن لذت می برد.
مانو ساسیکومار یک مدیر مهندس سیستم Sr. با خدمات مدیریت شده AWS است. مانو و تیمش بر ساخت اتوماسیونهای قدرتمند و آسان برای کاهش تلاش دستی تمرکز میکنند و راهحلهای مبتنی بر هوش مصنوعی و ML را برای مدیریت درخواستهای مشتری میسازند. خارج از محل کار، او دوست دارد اوقات فراغت خود را با خانواده خود بگذراند و همچنین بخشی از فعالیت های بشردوستانه و داوطلبانه مختلف باشد.
- Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
- CryptoHawk. رادار آلت کوین امتحان رایگان.
- منبع: https://aws.amazon.com/blogs/machine-learning/how-service-providers-can-use-natural-language-processing-to-gain-insights-from-customer-tickets-with-amazon- درک کردن/
- "
- 100
- 7
- a
- درباره ما
- دسترسی
- مطابق
- حساب
- دقیق
- در میان
- عمل
- فعالیت ها
- نشانی
- پیشرفته
- AI
- معرفی
- اجازه می دهد تا
- قبلا
- هر چند
- آمازون
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- API
- کاربرد
- برنامه های کاربردی
- مناسب
- معماری
- اختصاص داده
- حسابرسی
- استرالیا
- خودکار بودن
- خودکار
- اتوماتیک
- بطور خودکار
- اتوماسیون
- در دسترس
- AWS
- زیرا
- قبل از
- بودن
- در زیر
- بهترین
- میان
- خارج از
- مسدود کردن
- بلاگ
- مرز
- ساختن
- بنا
- کسب و کار
- هوش تجاری
- صدا
- نامزد
- ظرفیت
- گرفتن
- جلب
- دسته بندی
- علت
- شانس
- کانال
- کاراکتر
- بار
- نمودار
- را انتخاب کنید
- برگزیده
- کلاس
- طبقه بندی
- ابر
- رمز
- ستون
- کامل
- محاسبه
- اعتماد به نفس
- پیکر بندی
- اتصال
- ارتباط
- اتصالات
- استوار
- کنسول
- شامل
- ادامه دادن
- مقرون به صرفه
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- مجوزها و اعتبارات
- سفارشی
- مشتری
- مشتریان
- سفارشی
- داده ها
- پایگاه داده
- پایگاه های داده
- تاخیر
- ارائه
- بستگی دارد
- گسترش
- شرح داده شده
- جزئیات
- پروژه
- مختلف
- كشف كردن
- اسناد و مدارک
- نمی کند
- دو برابر
- به آسانی
- آسان برای استفاده
- سردبیر
- بهره وری
- تلاش
- پست الکترونیک
- قادر ساختن
- را قادر می سازد
- رمزگذاری
- نقطه پایانی
- موتور
- مهندس
- مورد تأیید
- وارد
- ضروری است
- برآورد
- مثال
- جز
- موجود
- کارشناس
- خانواده
- ویژگی
- امکانات
- مالی
- نام خانوادگی
- تمرکز
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- از جانب
- تکمیل کنید
- تابع
- تولید می کنند
- در سطح جهانی
- گروه
- اداره
- سخت افزار
- کمک
- کمک می کند
- زیاد
- خیلی
- میزبانی
- چگونه
- چگونه
- HTTPS
- بشردوستانه
- ICON
- انجام
- واردات
- از جمله
- افزایش
- افزایش
- اطلاعات
- شالوده
- ورودی
- بینش
- الهام
- ادغام
- اطلاعات
- موضوع
- مسائل
- IT
- کلید
- کلید
- برچسب
- زبان
- بزرگ
- بزرگتر
- راه اندازی
- آموخته
- یادگیری
- احتمالا
- لاین
- خطوط
- فهرست
- بار
- نگاه کنيد
- دستگاه
- فراگیری ماشین
- ساخته
- نگهداری
- مدیریت
- اداره می شود
- مدیر
- مدیریت
- کتابچه راهنمای
- دستی
- مصالح
- ذکر شده
- قدرت
- حد اقل
- ML
- موبایل
- مدل
- مدل
- پول
- بیش
- چندگانه
- نام
- طبیعی
- جهت یابی
- لازم
- نیازهای
- اخطار
- عدد
- باز کن
- باز می شود
- عمل
- عملیات
- فرصت ها
- گزینه
- کدام سازمان ها
- سازمان های
- دیگر
- به طور کلی
- خود
- بسته
- بخش
- کلمه عبور
- مردم
- کارایی
- دوره
- فیزیکی
- محور
- قوی
- در حال حاضر
- قبلی
- قیمت
- فرآیندهای
- در حال پردازش
- محافظت از
- ارائه
- ارائه
- ارائه دهندگان
- عمومی
- خرید
- بالا بردن
- مطالعه
- زمان واقعی
- توصیه
- كاهش دادن
- کاهش
- منطقه
- گزارش
- گزارش ها
- درخواست
- درخواست
- مورد نیاز
- منابع
- منابع
- نتیجه
- نتایج
- بازده
- مسیر
- دویدن
- در حال اجرا
- مقیاس پذیر
- مقیاس
- ثانیه
- بدون سرور
- سرویس
- خدمات
- تنظیم
- امضاء
- ساده
- تنها
- اندازه
- So
- نرم افزار
- جامد
- راه حل
- مزایا
- برخی از
- فضا
- هزینه
- پشته
- استاندارد
- شروع
- شروع می شود
- وضعیت
- ذخیره سازی
- opbevare
- پرده
- جریان
- جریان
- ساخت یافته
- ارسال
- پشتیبانی
- سیدنی
- سیستم
- سیستم های
- تیم
- فن آوری
- آزمون
- تست
- La
- در نتیجه
- سه
- از طریق
- سراسر
- بلیط
- بلیط
- زمان
- عنوان
- ابزار
- ابزار
- بالا
- آموزش
- دگرگون کردن
- سفر
- روند
- انواع
- برملا کردن
- منحصر به فرد
- واحد
- بروزرسانی
- استفاده کنید
- معمولا
- ساعت محلی UTC تنظیم شده اند
- استفاده کنید
- ارزش
- تنوع
- مختلف
- نسخه
- چشم انداز
- داوطلب
- صبر کنيد
- وب
- چی
- WHO
- بطور گسترده
- در داخل
- بدون
- مهاجرت کاری
- با این نسخهها کار
- شما