Dans cet article, nous montrons comment créer une solution de réponse automatisée par e-mail à l'aide de Amazon comprendre.
Les organisations consacrent beaucoup de ressources, d'efforts et d'argent à la gestion de leurs opérations de service client pour répondre aux questions des clients et fournir des solutions. Vos clients peuvent poser des questions via différents canaux, tels que le courrier électronique, le chat ou le téléphone, et le déploiement d'une main-d'œuvre pour répondre à ces questions peut nécessiter beaucoup de ressources, prendre du temps et même être improductif si les réponses à ces questions sont répétitives.
Pendant la pandémie de COVID-19, de nombreuses organisations n'ont pas pu soutenir leurs clients de manière adéquate en raison de la fermeture du service client et des installations des agents, et les demandes des clients s'accumulaient. Certaines organisations ont eu du mal à répondre rapidement aux requêtes, ce qui peut entraîner une mauvaise expérience client. Cela peut à son tour entraîner l'insatisfaction des clients et avoir un impact sur la réputation et les revenus d'une organisation à long terme.
Bien que votre organisation puisse disposer des actifs de données pour les requêtes et les réponses des clients, vous pouvez toujours avoir du mal à mettre en œuvre un processus automatisé pour répondre à vos clients. Les défis peuvent inclure des données non structurées, des langages différents et un manque d'expertise dans les technologies d'intelligence artificielle (IA) et d'apprentissage automatique (ML).
Vous pouvez surmonter ces défis en utilisant Amazon Comprehend pour automatiser les réponses par e-mail aux requêtes des clients. Avec notre solution, vous pouvez identifier l'intention des e-mails des clients et envoyer une réponse automatisée si l'intention correspond à votre base de connaissances existante. Si l'intent n'a pas de correspondance, l'e-mail est envoyé à l'équipe d'assistance pour une réponse manuelle. Voici quelques intentions courantes des clients lorsqu'ils contactent le service client :
- Statut de la transaction (par exemple, statut d'un transfert d'argent)
- Réinitialiser le mot de passe
- Code promotionnel ou remise
- Heures d'ouverture
- Trouver un emplacement d'agent
- Signaler une fraude
- Déverrouiller compte
- Fermer le compte
Amazon Comprehend peut vous aider à effectuer une classification et une détection d'entité sur les e-mails pour l'une des intentions ci-dessus. Pour cette solution, nous montrons comment classer les e-mails des clients pour les trois premières intentions. Vous pouvez également utiliser Amazon Comprehend pour détecter les informations clés des e-mails, afin d'automatiser vos processus métier. Par exemple, vous pouvez utiliser Amazon Comprehend pour automatiser la réponse à une demande client avec des informations spécifiques liées à cette requête.
Vue d'ensemble de la solution
Pour créer notre flux de réponse par e-mail client, nous utilisons les services suivants :
- Amazon comprendre
- AWS Lambda
- Service de messagerie simple Amazon (AmazonSES)
- Service de notification simple d'Amazon (Amazon SNS)
- Amazon WorkMail
Le schéma d'architecture suivant met en évidence la solution de bout en bout :
Le workflow de la solution comprend les étapes suivantes :
- Un client envoie un e-mail à l'e-mail d'assistance client créé dans WorkMail.
- WorkMail appelle une fonction Lambda lors de la réception de l'e-mail.
- La fonction envoie le contenu de l'e-mail à un point de terminaison de modèle de classification personnalisé.
- Le point de terminaison de classification personnalisé renvoie une valeur classifiée et un niveau de confiance (supérieur à 80 %, mais vous pouvez le configurer selon vos besoins).
- Si la valeur de classification est
MONEYTRANSFER
, la fonction Lambda appelle le point de terminaison de détection d'entité pour trouver l'ID de transfert d'argent. - Si l'ID de transfert d'argent est renvoyé, la fonction renvoie l'état du transfert d'argent de manière aléatoire (dans un scénario réel, vous pouvez appeler la base de données via l'API pour récupérer l'état réel du transfert).
- En fonction de la valeur classifiée renvoyée, un modèle d'e-mail prédéfini dans Amazon SES est choisi et un e-mail de réponse est envoyé au client.
- Si le niveau de confiance est inférieur à 80 %, qu'une valeur classifiée n'est pas renvoyée ou que la détection d'entité ne trouve pas l'ID de transfert d'argent, l'e-mail du client est poussé vers une rubrique SNS. Vous pouvez vous abonner à Amazon SNS pour transmettre le message à votre système de billetterie.
Pré-requis
Reportez-vous à README.md déposer dans le GitHub repo pour vous assurer que vous remplissez les conditions préalables pour déployer cette solution.
Déployez la solution
Le déploiement de la solution comprend les étapes de haut niveau suivantes :
- Effectuez les configurations manuelles à l'aide du Console de gestion AWS.
- Exécutez des scripts dans un Amazon Sage Maker instance de bloc-notes à l'aide du fichier de bloc-notes fourni.
- Déployez la solution à l'aide de Kit de développement AWS Cloud (AWSCDK).
Pour des instructions complètes, reportez-vous au README.md déposer dans le GitHub repo.
Testez la solution
Pour tester la solution, envoyez un e-mail depuis votre adresse e-mail personnelle à l'e-mail d'assistance créé dans le cadre du déploiement d'AWS CDK (pour cet article, nous utilisons support@mydomain.com). Nous utilisons les trois intentions suivantes dans nos exemples de données pour la formation à la classification personnalisée :
- TRANSFERT D'ARGENT – Le client veut connaître le statut d'un transfert d'argent
- RÉINITIALISATION DU PASSE – Le client a une demande de connexion, de compte verrouillé ou de mot de passe
- CODE PROMO – Le client souhaite connaître une réduction ou un code promotionnel disponible pour un transfert d'argent
La capture d'écran suivante montre un exemple d'e-mail client :
Si l'e-mail du client n'est pas classifié ou si les niveaux de confiance sont inférieurs à 80 %, le contenu de l'e-mail est transféré vers une rubrique SNS. Celui qui est abonné au sujet reçoit le contenu de l'e-mail sous forme de message. Nous nous sommes inscrits à ce sujet SNS avec l'e-mail que nous avons transmis avec le human_workflow_email
paramètre lors du déploiement.
Nettoyer
Pour éviter d'engager des coûts permanents, supprimez les ressources que vous avez créées dans le cadre de cette solution lorsque vous avez terminé.
Conclusion
Dans cet article, vous avez appris à configurer un système de réponse par e-mail automatisé à l'aide de la classification des clients et de la détection des entités Amazon Comprehend et d'autres services AWS. Cette solution peut offrir les avantages suivants :
- Amélioration du temps de réponse aux e-mails
- Amélioration de la la satisfaction client
- Économies de temps et de ressources
- Capacité à se concentrer sur les principaux problèmes des clients
Vous pouvez également étendre cette solution à d'autres domaines de votre entreprise et à d'autres secteurs.
Avec l'architecture actuelle, les e-mails classés avec un faible score de confiance sont acheminés vers une boucle humaine pour une vérification et une réponse manuelles. Vous pouvez utiliser les entrées du processus d'examen manuel pour améliorer encore le modèle Amazon Comprehend et augmenter le taux de classification automatisé. IA augmentée d'Amazon (Amazon A2I) fournit des flux de travail de révision humaine intégrés pour les cas d'utilisation courants du ML, tels que la reconnaissance d'entités basée sur le NLP dans les documents. Cela vous permet de consulter facilement les prédictions d'Amazon Comprehend.
Au fur et à mesure que nous obtiendrons plus de données pour chaque intention, nous recyclerons et déploierons le modèle de classification personnalisé et mettrons à jour le flux de réponse par e-mail en conséquence dans le GitHub repo.
À propos de l’auteur
Godwin Sahayaraj Vincent est un architecte de solutions d'entreprise chez AWS qui est passionné par l'apprentissage automatique et fournit des conseils aux clients pour concevoir, déployer et gérer leurs charges de travail et architectures AWS. Dans ses temps libres, il aime jouer au cricket avec ses amis et au tennis avec ses trois enfants.
Shamika Ariyawansa est architecte de solutions spécialisées en IA/ML au sein de l'équipe mondiale des soins de santé et des sciences de la vie chez Amazon Web Services. Il travaille avec les clients pour faire avancer leur parcours ML avec une combinaison d'offres AWS ML et ses connaissances du domaine ML. Il est basé à Denver, Colorado. Dans ses temps libres, il aime les aventures hors route dans les montagnes du Colorado et participe à des compétitions d'apprentissage automatique.
- Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
- Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
- CryptoHawk. Radar Altcoins. Essai gratuit.
- Source : https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- Description
- Compte
- AI
- Amazon
- Amazon Web Services
- api
- architecture
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- Outils
- augmentée
- Automatisation
- disponibles
- AWS
- qui ne s'occupent pas de leur chez-soi.
- frontière
- construire
- intégré
- la performance des entreprises
- Appelez-nous
- les soins
- cas
- Causes
- globaux
- Voies
- classification
- le cloud
- code
- Colorado
- combinaison
- Commun
- confiance
- contenu
- Costs
- COVID-19
- Pandémie de COVID-19
- cricket
- Courant
- expérience client
- Support à la clientèle
- Clients
- données
- Base de données
- Denver
- déployer
- déployer
- déploiement
- Conception
- Détection
- Développement
- différent
- La remise
- INSTITUTIONNELS
- Ne fait pas
- domaine
- même
- Endpoint
- Entreprise
- exemple
- Développer vous
- Découvrez
- nous a permis de concevoir
- Prénom
- flux
- Focus
- Abonnement
- plein
- fonction
- Global
- la médecine
- aider
- Comment
- How To
- HTTPS
- identifier
- Impact
- Mettre en oeuvre
- améliorer
- comprendre
- Améliore
- secteurs
- d'information
- Intelligence
- intention
- clés / KEY :
- enfants
- spécialisées
- Langues
- savant
- apprentissage
- Niveau
- Life Sciences
- fermé
- Location
- click
- machine learning
- gestion
- Manuel
- Match
- ML
- modèle
- de l'argent
- cahier
- déclaration
- Offrandes
- Opérations
- organisation
- organisations
- Autre
- pandémie
- Mot de Passe
- personnel
- Jouez
- pauvres
- Prédictions
- processus
- les process
- fournir
- fournit
- ressource
- Ressources
- réponse
- Retours
- de revenus
- Avis
- pour le running
- STARFLEET SCIENCES
- Services
- shutdown
- étapes
- So
- Solutions
- passer
- Statut
- inscrire
- Support
- combustion propre
- équipe
- Les technologies
- tester
- fiable
- long
- Formation
- Mises à jour
- utilisé
- Plus-value
- Vérification
- web
- services Web
- WHO
- Workforce
- vos contrats