با توجه به گزارش PWC32% از مشتریان خردهفروشی پس از یک تجربه منفی سرگردان میشوند و 73% از مشتریان میگویند که تجربه مشتری بر تصمیمگیری خرید آنها تأثیر میگذارد. در صنعت خرده فروشی جهانی، پشتیبانی قبل و بعد از فروش هر دو جنبه مهم مراقبت از مشتری هستند. روش های متعددی از جمله ایمیل، چت زنده، ربات ها و تماس های تلفنی برای ارائه کمک به مشتریان استفاده می شود. از آنجایی که هوش مصنوعی مکالمه ای در سال های اخیر بهبود یافته است، بسیاری از کسب و کارها از فناوری های پیشرفته مانند چت ربات های مبتنی بر هوش مصنوعی و پشتیبانی عامل مبتنی بر هوش مصنوعی برای بهبود خدمات مشتری و در عین حال افزایش بهره وری و کاهش هزینه ها استفاده کرده اند.
درک آمازون یک سرویس پردازش زبان طبیعی (NLP) به طور کامل مدیریت شده و به طور مداوم آموزش دیده است که می تواند بینشی در مورد محتوای یک سند یا متن استخراج کند. در این پست، نحوه استفاده مشتری AWS Pro360 را بررسی می کنیم API طبقه بندی سفارشی Amazon Comprehend، که به شما امکان می دهد به راحتی مدل های طبقه بندی متن سفارشی را با استفاده از برچسب های خاص کسب و کار خود بدون نیاز به یادگیری ماشینی (ML) بسازید تا تجربه مشتری را بهبود بخشید و هزینه های عملیاتی را کاهش دهید.
Pro360: ایرادات مشتریان را در چت بات ها به دقت تشخیص دهید
Pro360 بازاری است که هدف آن برقراری ارتباط متخصصان با استعدادهای خاص صنعت با مشتریان بالقوه است و به آنها امکان می دهد فرصت های جدیدی را بیابند و شبکه حرفه ای خود را گسترش دهند. این به مشتریان اجازه می دهد تا مستقیماً با کارشناسان ارتباط برقرار کنند و بر اساس نیازهای فردی خود، قیمت سفارشی خدمات خود را مذاکره کنند. هنگامی که مسابقات موفقیت آمیز بین متخصصان و مشتریان اتفاق می افتد، Pro360 از مشتریان هزینه می گیرد.
Pro360 مجبور شد با مشکلی در ارتباط با هزینه های غیرقابل اعتماد روبرو شود که منجر به شکایت مصرف کنندگان و کاهش اعتماد به برند شد. مشکل این بود که درک هدف مشتری در خلال مکالمات پیچیده پر از اهداف متعدد، انکار مودبانه و ارتباط غیرمستقیم دشوار بود. چنین گفتگوهایی منجر به اتهامات اشتباهی می شد که رضایت مشتری را کاهش می داد. به عنوان مثال، یک مشتری ممکن است مکالمه ای را شروع کند و فوراً متوقف شود، یا با رد کردن مودبانه با گفتن «مشغول هستم» یا «اجازه دهید آن را بجوم»، مکالمه را پایان دهد. همچنین، به دلیل تفاوتهای فرهنگی، ممکن است برخی از مشتریان به بیان واضح مقاصد خود عادت نداشته باشند، بهویژه زمانی که میخواهند «نه» بگویند. این موضوع آن را چالش برانگیزتر کرد.
برای حل این مشکل، Pro360 در ابتدا گزینهها و انتخابهایی مانند «من اطلاعات بیشتری میخواهم» یا «نه، گزینههای دیگری دارم» را برای مشتری اضافه کرد. مشتری به جای تایپ سوال یا درخواست خود، گزینه های ارائه شده را انتخاب می کند. با این وجود، مشکل هنوز حل نشد زیرا مشتریان ترجیح میدهند در هنگام تعامل با سیستم، به زبان طبیعی خود صحبت کنند. Pro360 تشخیص داد که مشکل نتیجه سیستمهای مبتنی بر قوانین است و حرکت به سمت راهحل مبتنی بر NLP منجر به درک بهتر هدف مشتری و رضایت مشتری بهتر میشود.
طبقه بندی سفارشی یکی از ویژگی های Amazon Comprehend است که به شما این امکان را می دهد با استفاده از مجموعه داده های کوچک، طبقه بندی کننده های خود را توسعه دهید. Pro360 از این ویژگی برای ساخت مدلی با دقت 99.2% با آموزش بر روی 800 نقطه داده و آزمایش بر روی 300 نقطه داده استفاده کرد. آنها یک رویکرد سه مرحله ای را برای ساخت و تکرار مدل دنبال کردند تا به سطح دقت مطلوب خود از 82٪ به 99.3٪ دست یابند. ابتدا Pro360 دو کلاس Reject و non-Reject را تعریف کرد که می خواستند برای طبقه بندی از آنها استفاده کنند. دوم اینکه ایموجی ها و نمادهای بی ربط را حذف کردند ~
و ...
و ایموجی های منفی را برای بهبود دقت مدل شناسایی کرد. در نهایت، آنها سه طبقهبندی محتوای اضافی را برای بهبود میزان شناسایی نادرست، از جمله صحبتهای کوچک، پاسخ مبهم و رد با دلیل تعریف کردند تا مدل را بیشتر تکرار کنند.
در این پست، نحوه استفاده Pro360 از Amazon Comprehend برای ردیابی اعتراضات مصرف کنندگان در طول بحث و استفاده از مکانیسم انسان در حلقه (HITL) برای ترکیب بازخورد مشتری در بهبود و دقت مدل را به اشتراک می گذاریم که سهولت استفاده و کارایی را نشان می دهد. آمازون درک.
"در ابتدا، من معتقد بودم که پیاده سازی هوش مصنوعی پرهزینه خواهد بود. با این حال، کشف آمازون Comprehend ما را قادر میسازد تا به طور موثر و اقتصادی یک مدل NLP را تنها در 1.5 ماه از مفهوم به پیادهسازی برسانیم. ما از پشتیبانی ارائه شده توسط تیم حساب AWS، تیم معماری راه حل و کارشناسان ML از تیم SSO و خدمات سپاسگزاریم.
– ال سی لی، بنیانگذار و مدیر عامل Pro360.
بررسی اجمالی راه حل
نمودار زیر معماری راهحل را نشان میدهد که استنتاج بلادرنگ، گردش کار بازخورد، و گردش کار بازبینی انسانی را پوشش میدهد و این که چگونه این مؤلفهها به گردش کار آموزش آمازون Comprehend کمک میکنند.
در بخشهای بعدی، شما را در هر مرحله از گردش کار راهنمایی میکنیم.
طبقه بندی متن در زمان واقعی
برای استفاده Amazon Comprehend طبقه بندی سفارشی در زمان واقعی، باید یک API را به عنوان نقطه ورودی مستقر کنید و یک مدل آمازون Comprehend را برای انجام طبقه بندی متن بلادرنگ فراخوانی کنید. مراحل به شرح زیر است:
- طرف مشتری تماس می گیرد دروازه API آمازون به عنوان نقطه ورود برای ارائه پیام مشتری به عنوان ورودی.
- API Gateway درخواست را به AWS لامبدا و API را از آمازون DynamoDB و Amazon Comprehend در مراحل 3 و 4.
- Lambda نسخه فعلی نقطه پایانی Amazon Comprehend را که داده ها را در DynamoDB ذخیره می کند، بررسی می کند و یک نقطه پایان آمازون Comprehend برای دریافت استنتاج بلادرنگ
- لامبدا، با یک قانون داخلی، امتیاز را بررسی می کند تا تعیین کند که آیا زیر آستانه است یا نه. سپس آن داده ها را در DynamoDB ذخیره می کند و منتظر تایید انسان برای تایید نتیجه ارزیابی است.
گردش کار بازخورد
هنگامی که نقطه پایانی نتیجه طبقهبندی را به سمت مشتری برمیگرداند، برنامه از کاربر نهایی با اشارهای برای دریافت بازخورد آنها میخواهد و دادهها را برای دور بعدی (جریان کار آموزشی) در پایگاه داده ذخیره میکند. مراحل گردش کار بازخورد به شرح زیر است:
- سمت کلاینت با فراخوانی API Gateway بازخورد کاربر را ارسال می کند.
- API Gateway درخواست لامبدا را دور می زند. Lambda فرمت را بررسی می کند و آن را در DynamoDB ذخیره می کند.
- بازخورد کاربر از لامبدا در DynamoDB ذخیره می شود و برای فرآیند آموزشی بعدی استفاده خواهد شد.
گردش کار بررسی انسانی
فرآیند بررسی انسانی به ما کمک میکند تا دادهها را با امتیاز اطمینان زیر آستانه شفاف کنیم. این داده ها برای بهبود مدل آمازون Comprehend ارزشمند است و به تکرار بعدی آموزش مجدد اضافه می شود. ما با استفاده از تعادل بار الاستیک به عنوان نقطه ورود برای انجام این فرآیند، زیرا سیستم Pro360 بر روی آن ساخته شده است ابر کامل آمازون الاستیک (آمازون EC2). مراحل این گردش کار به شرح زیر است:
- ما از یک API موجود در Elastic Load Balancer به عنوان نقطه ورود استفاده می کنیم.
- ما از Amazon EC2 به عنوان منبع محاسباتی برای ایجاد یک داشبورد جلویی برای بازبین استفاده میکنیم تا دادههای ورودی را با امتیازات اطمینان پایینتر برچسبگذاری کنیم.
- پس از اینکه بازبینی کننده ایراد را از داده های ورودی شناسایی کرد، نتیجه را در یک جدول DynamoDB ذخیره می کنیم.
گردش کار آموزش آمازون Comprehend
برای شروع آموزش مدل آمازون Comprehend باید داده های آموزشی را آماده کنیم. مراحل زیر نحوه آموزش مدل را به شما نشان می دهد:
- استفاده می کنیم چسب AWS برای انجام کارهای استخراج، تبدیل و بارگذاری (ETL) و ادغام داده ها از دو جدول DynamoDB مختلف و ذخیره آن در سرویس ذخیره سازی ساده آمازون (Amazon S3).
- وقتی داده های آموزشی آمازون S3 آماده شد، می توانیم راه اندازی کنیم توابع مرحله AWS به عنوان ابزار ارکستراسیون برای اجرای کار آموزشی، و مسیر S3 را به ماشین حالت توابع Step منتقل می کنیم.
- ما یک تابع Lambda را فراخوانی می کنیم تا تأیید کنیم که مسیر داده آموزشی وجود دارد، و سپس یک کار آموزشی Amazon Comprehend را راه اندازی می کنیم.
- پس از شروع کار آموزشی، از یک تابع Lambda دیگر برای بررسی وضعیت شغل آموزشی استفاده می کنیم. اگر کار آموزش کامل باشد، متریک مدل را دریافت کرده و برای ارزیابی بیشتر در DynamoDB ذخیره می کنیم.
- ما عملکرد مدل فعلی را با یک تابع انتخاب مدل لامبدا بررسی می کنیم. اگر عملکرد نسخه فعلی بهتر از نسخه اصلی باشد، آن را در نقطه پایانی آمازون Comprehend مستقر می کنیم.
- سپس تابع Lambda دیگری را برای بررسی وضعیت نقطه پایانی فراخوانی می کنیم. وقتی نقطه پایانی آماده است، این تابع اطلاعات را در DynamoDB برای طبقه بندی متن بلادرنگ به روز می کند.
خلاصه و مراحل بعدی
در این پست، ما نشان دادیم که چگونه Amazon Comprehend Pro360 را قادر میسازد تا یک برنامه کاربردی مبتنی بر هوش مصنوعی بدون متخصصان ML بسازد، که میتواند دقت تشخیص اعتراض مشتری را افزایش دهد. Pro360 توانست یک مدل NLP سفارشی را تنها در 1.5 ماه بسازد، و اکنون قادر است 90٪ ردهای مودبانه مشتری را شناسایی کند و قصد مشتری را با 99.2٪ دقت کلی تشخیص دهد. این راه حل نه تنها تجربه مشتری را افزایش می دهد، رشد نرخ حفظ 28.5٪ را افزایش می دهد، بلکه نتایج مالی را نیز بهبود می بخشد، هزینه عملیات را تا 8٪ کاهش می دهد و حجم کار را برای نمایندگان خدمات مشتری کاهش می دهد.
با این حال، شناسایی اعتراضات مشتری تنها اولین قدم در بهبود تجربه مشتری است. با تداوم تکرار تجربه مشتری و تسریع رشد درآمد، گام بعدی شناسایی دلایل اعتراض مشتری مانند عدم علاقه، مسائل مربوط به زمان بندی یا نفوذ دیگران و ایجاد پاسخ مناسب برای افزایش تبدیل فروش است. نرخ.
برای استفاده از Amazon Comprehend برای ساخت مدلهای طبقهبندی متن سفارشی، میتوانید از طریق این سرویس به این سرویس دسترسی داشته باشید کنسول مدیریت AWS. برای کسب اطلاعات بیشتر در مورد نحوه استفاده از Amazon Comprehend، بررسی کنید منابع توسعه دهنده آمازون Comprehend.
درباره نویسنده
ری وانگ یک معمار راه حل در AWS است. Ray با 8 سال تجربه در صنعت فناوری اطلاعات، به ساخت راه حل های مدرن در فضای ابری، به ویژه در NoSQL، داده های بزرگ و یادگیری ماشین اختصاص دارد. او به عنوان یک گرسنه، تمام 12 گواهینامه AWS را گذراند تا زمینه فنی خود را نه تنها عمیق، بلکه گسترده کند. او عاشق خواندن و تماشای فیلم های علمی تخیلی در اوقات فراغت خود است.
جوزی چنگ یک HKT AI/ML Go-To-Market در AWS است. تمرکز فعلی او بر تحول کسبوکار در خردهفروشی و CPG از طریق دادهها و ML است تا رشد فوقالعاده شرکتها را تقویت کند. قبل از پیوستن به AWS، جوزی برای خرده فروشی آمازون و سایر شرکت های اینترنتی چین و ایالات متحده به عنوان مدیر محصول رشد کار می کرد.
شانا چانگ یک معمار راه حل در AWS است. او بر روی مشاهده پذیری در معماری های مدرن و راه حل های نظارت بومی ابری تمرکز دارد. قبل از پیوستن به AWS، او یک مهندس نرم افزار بود. او در اوقات فراغت خود از پیاده روی و تماشای فیلم لذت می برد.
ریک تالوکدار یک معمار ارشد با تیم آمازون Comprehend Service است. او با مشتریان AWS کار می کند تا به آنها کمک کند یادگیری ماشینی را در مقیاس بزرگ اتخاذ کنند. او در خارج از محل کار به مطالعه و عکاسی علاقه دارد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : دارد
- :است
- :نه
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- قادر
- درباره ما
- شتاب دادن
- دسترسی
- حساب
- دقت
- به درستی
- رسیدن
- اضافه
- اضافی
- اتخاذ
- به تصویب رسید
- پس از
- عامل
- عاملان
- AI
- مجهز به هوش مصنوعی
- AI / ML
- اهداف
- معرفی
- اجازه دادن
- اجازه می دهد تا
- همچنین
- آمازون
- درک آمازون
- آمازون EC2
- an
- و
- دیگر
- API
- کاربرد
- روش
- مناسب
- تصویب
- معماری
- هستند
- AS
- جنبه
- کمک
- At
- AWS
- مشتری AWS
- متعادل کننده
- مستقر
- BE
- زیرا
- قبل از
- اعتقاد بر این
- در زیر
- بهتر
- میان
- بزرگ
- بزرگ داده
- هر دو
- رباتها
- نام تجاری
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته
- ساخته شده در
- کسب و کار
- تحول تجاری
- کسب و کار
- اما
- by
- صدا
- فراخوانی
- تماس ها
- CAN
- اهميت دادن
- مدیر عامل شرکت
- گواهینامه ها
- به چالش کشیدن
- بار
- chatbots
- بررسی
- چک
- چین
- انتخاب
- کلاس ها
- طبقه بندی
- به وضوح
- مشتری
- مشتریان
- ابر
- COM
- ارتباط
- ارتباط
- شرکت
- شکایت
- کامل
- اجزاء
- درک
- محاسبه
- مفهوم
- رفتار
- اعتماد به نفس
- تکرار
- اتصال
- مصرف کننده
- محتوا
- مداوم
- به طور مداوم
- کمک
- گفتگو
- محاورهای
- هوش مصنوعی محاوره ای
- گفتگو
- تبدیل
- هزینه
- هزینه
- پوشش
- cpg
- فرهنگی
- جاری
- سفارشی
- مشتری
- تجربه مشتری
- رضایت مشتری
- خدمات مشتری
- مشتریان
- سفارشی
- لبه برش
- داشبورد
- داده ها
- نقاط داده
- پایگاه داده
- مقدار
- تصمیم گیری
- رو به کاهش است
- اختصاصی
- عمیق
- مشخص
- نشان دادن
- گسترش
- مطلوب
- کشف
- مشخص کردن
- توسعه دهنده
- تفاوت
- مختلف
- مشکل
- مستقیما
- کشف
- بحث و گفتگو
- سند
- پایین
- در طی
- هر
- راحتی در استفاده
- به آسانی
- بهره وری
- موثر
- پست الکترونیک
- را قادر می سازد
- نقطه پایانی
- مهندس
- افزایش می یابد
- سرمایه گذاری
- ورود
- به خصوص
- ارزیابی
- حتی
- مثال
- موجود
- وجود دارد
- گسترش
- تجربه
- کارشناس
- تخصص
- کارشناسان
- اکتشاف
- عصاره
- ویژگی
- باز خورد
- رشته
- پر شده
- مالی
- پیدا کردن
- نام خانوادگی
- تمرکز
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- قالب
- موسس
- موسس و مدیر عامل
- از جانب
- سوخت
- کاملا
- تابع
- توابع
- بیشتر
- دروازه
- تولید می کنند
- دریافت کنید
- جهانی
- رفتن به بازار
- ممنون
- رشد
- آیا
- he
- کمک
- کمک می کند
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- گرسنه
- i
- شناسایی
- شناسایی می کند
- شناسایی
- شناسایی
- نشان می دهد
- بلافاصله
- پیاده سازی
- اجرای
- مهم
- بهبود
- بهبود یافته
- بهبود
- بهبود
- in
- از جمله
- ترکیب کردن
- افزایش
- افزایش
- فرد
- صنعت
- خاص صنعت
- نفوذ
- اطلاعات
- در ابتدا
- ورودی
- بینش
- در عوض
- قصد
- نیت
- تعامل
- علاقه
- اینترنت
- به
- مسائل
- IT
- صنعت فناوری اطلاعات
- تکرار
- کار
- شغل ها
- پیوستن
- JPG
- تنها
- برچسب ها
- عدم
- زبان
- بزرگ
- رهبری
- برجسته
- یاد گرفتن
- یادگیری
- رهبری
- انسوی کشتی که از باد در پناه است
- سطح
- پسندیدن
- زنده
- بار
- پایین آوردن
- دستگاه
- فراگیری ماشین
- ساخته
- ساخت
- اداره می شود
- مدیریت
- مدیر
- بسیاری
- بازار
- ممکن است..
- مکانیزم
- ادغام کردن
- پیام
- روش
- متری
- قدرت
- ML
- مدل
- مدل
- مدرن
- نظارت بر
- ماه
- بیش
- فیلم ها
- متحرک
- چندگانه
- طبیعی
- پردازش زبان طبیعی
- نیاز
- منفی
- شبکه
- جدید
- بعد
- nlp
- اکنون
- متعدد
- هدف
- of
- on
- ONE
- فقط
- عمل
- قابل استفاده
- فرصت ها
- گزینه
- or
- تنظیم و ارکستراسیون
- اصلی
- دیگر
- دیگران
- خارج از
- به طور کلی
- خود
- ویژه
- عبور
- گذشت
- عبور می کند
- مسیر
- کارایی
- تلفن
- تماس های تلفنی
- عکاسی
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- نقطه
- پست
- پتانسیل
- مشتریان بالقوه
- مرجح
- آماده
- قیمت
- مشکل
- روند
- در حال پردازش
- محصول
- مدیر تولید
- بهره وری
- حرفه ای
- ارائه
- ارائه
- خرید
- PWC
- سوال
- نرخ
- اشعه
- خواندن
- مطالعه
- اماده
- واقعی
- زمان واقعی
- دلیل
- دلایل
- اخیر
- كاهش دادن
- کاهش
- کاهش
- مربوط
- حذف شده
- درخواست
- مورد نیاز
- منابع
- پاسخ
- نتیجه
- خرده فروشی
- صنعت خرده فروشی
- نگهداری
- بازده
- درامد
- رشد درآمد
- این فایل نقد می نویسید:
- دور
- قانون
- دویدن
- حراجی
- رضایت
- مقیاس
- Sci-Fi حجم
- نمره
- بخش
- انتخاب
- ارشد
- سرویس
- خدمات
- اشتراک گذاری
- نشان
- طرف
- ساده
- به سادگی
- پس از
- کوچک
- نرم افزار
- مهندس نرمافزار
- راه حل
- مزایا
- حل
- برخی از
- سخن گفتن
- متخصصان
- شروع
- شروع می شود
- دولت
- وضعیت
- گام
- مراحل
- هنوز
- توقف
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- موفق
- چنین
- پشتیبانی
- سیستم
- سیستم های
- جدول
- TAG
- استعداد
- صحبت
- تیم
- فنی
- فن آوری
- تست
- طبقه بندی متن
- نسبت به
- که
- La
- شان
- آنها
- آنها
- این
- کسانی که
- سه
- سه گام
- آستانه
- از طریق
- زمان
- زمان
- به
- ابزار
- مسیر
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- عظیم
- ماشه
- اعتماد
- زیر
- فهمیدن
- درک
- به روز رسانی
- us
- استفاده کنید
- استفاده
- کاربر
- با استفاده از
- استفاده
- تصدیق
- ارزشمند
- نسخه
- خواسته
- بود
- تماشا کردن
- تماشای
- we
- بود
- چه
- که
- در حین
- وسیع
- اراده
- با
- بدون
- مهاجرت کاری
- مشغول به کار
- با این نسخهها کار
- خواهد بود
- سال
- شما
- شما
- زفیرنت