Az Ön kapcsolattartó központja létfontosságú kapcsolatként szolgál vállalkozása és ügyfelei között. Minden hívás a kapcsolattartó központhoz lehetőséget ad arra, hogy többet megtudjon ügyfelei igényeiről, és arról, hogy Ön mennyire elégíti ki ezeket az igényeket.
A legtöbb kapcsolattartó központ megköveteli az ügynökeitől, hogy minden hívás után összefoglalják a beszélgetésüket. A hívásösszegzés értékes eszköz, amely segít a kapcsolattartó központoknak megérteni az ügyfélhívásokat, és betekintést nyerni azokból. Ezenkívül a pontos hívásösszesítések javítják az ügyfél útját azáltal, hogy nincs szükség arra, hogy az ügyfelek megismételjék az információkat, amikor átadják egy másik ügynöknek.
Ebben a bejegyzésben elmagyarázzuk, hogyan használhatjuk fel a generatív mesterséges intelligencia erejét a hívásösszegzések és híváselosztások létrehozásának erőfeszítéseinek csökkentésére és a pontosság javítására. Azt is bemutatjuk, hogyan kezdheti el gyorsan a nyílt forráskódú megoldásunk legújabb verzióját, Élő híváselemzés az Agent Assist segítségével.
Kihívások hívásösszesítésekkel
Ahogy a kapcsolattartó központok több beszédadatot gyűjtenek, jelentősen megnőtt a hatékony hívásösszegzés iránti igény. A legtöbb összefoglaló azonban üres vagy pontatlan, mivel manuális létrehozásuk időigényes, és hatással van az ügynökök kulcsfontosságú mutatóira, például az átlagos kezelési időre (AHT). Az ügynökök jelentése szerint az összegzés akár a teljes hívás harmadát is igénybe veheti, ezért kihagyják, vagy hiányos információkat adnak meg. Ez rontja az ügyfélélményt – a hosszú várakozás frusztrálja az ügyfeleket, miközben az ügynök típusokat ír, és a hiányos összefoglalók azt jelentik, hogy meg kell kérni az ügyfeleket, hogy ismételjék meg az információkat az ügynökök közötti átvitel során.
A jó hír az, hogy az összegzési kihívás automatizálása és megoldása immár lehetséges a generatív mesterséges intelligencia révén.
A generatív AI segít az ügyfelek hívásainak pontos és hatékony összefoglalásában
Generatív AI nagyon nagy gépi tanulási (ML) modellek hajtják, amelyeket alapmodelleknek (FM-eknek) neveznek, és amelyeket előre betanítottak hatalmas mennyiségű adatra. Ezeknek a természetes nyelv megértésére összpontosító FM-ek egy részét nagy nyelvi modelleknek (LLM) nevezik, és képesek emberszerű, kontextus szempontjából releváns összefoglalókat generálni. A legjobb LLM-ek még bonyolult, nem-lineáris mondatszerkezeteket is könnyedén feldolgoznak, és meghatározzák a különböző szempontokat, beleértve a témát, a szándékot, a következő lépéseket, az eredményeket és egyebeket. Az LLM-ek használata a hívásösszegzés automatizálására lehetővé teszi, hogy az ügyfelek beszélgetéseit pontosan és a kézi összesítéshez szükséges idő töredéke alatt összegezze. Ez viszont lehetővé teszi a kapcsolattartó központok számára, hogy kiváló ügyfélélményt nyújtsanak, miközben csökkentik ügynökeik dokumentációs terhét.
A következő képernyőképen egy példa látható az Élő híváselemzés az Agent Assist hívás részleteinek oldalára, amely az egyes hívásokról tartalmaz információkat.
A következő videó példát mutat be az Élő híváselemzés az Agent Assist szolgáltatással, amely összefoglal egy folyamatban lévő hívást, összegzi a hívás befejezése után, és létrehoz egy követő e-mailt.
Megoldás áttekintése
A következő ábra a megoldás munkafolyamatát mutatja be.
Az absztrakt hívásösszegzések létrehozásának első lépése az ügyfélhívás átírása. A pontos, használatra kész átiratok létfontosságúak a pontos és hatékony hívásösszegzések létrehozásához. Amazon átirat segíthet nagy pontosságú átiratok létrehozásában a kapcsolattartó központ hívásaihoz. Az Amazon Transcribe egy funkciókban gazdag beszéd-szöveg API, amely a legmodernebb beszédfelismerő modellekkel rendelkezik, amelyeket teljes mértékben felügyelnek és folyamatosan képeznek. Az ügyfelek, mint pl New York Times, Laza, Zillow, Wix, és több ezer mások az Amazon Transcribe segítségével rendkívül pontos átiratokat generálhat üzleti eredményeik javítása érdekében. Az Amazon Transcribe kulcsfontosságú megkülönböztető tulajdonsága, hogy képes megvédeni az ügyfelek adatait azáltal, hogy eltávolítja az érzékeny információkat a hangból és a szövegből. Bár az ügyfelek magánéletének és biztonságának védelme általában véve fontos a kapcsolattartó központok számára, még fontosabb, hogy az érzékeny információkat, például a bankszámlaadatokat és a társadalombiztosítási számokat elrejtse, mielőtt automatizált hívásösszesítőket generálna, hogy azok ne kerüljenek bele az összefoglalókba.
Azon ügyfelek számára, akik már használják Amazon Connect, többcsatornás felhő kapcsolati központunk, Kontaktlencse az Amazon Connecthez natív módon biztosít valós idejű átírási és elemzési funkciókat. Ha azonban meglévő kapcsolattartó központjával szeretne generatív mesterséges intelligenciát használni, ezt fejlesztettük ki megoldások amelyek elvégzik a beszélgetések valós idejű vagy utólagos átírásával kapcsolatos nehézségeket a meglévő kapcsolattartó központból, és generatív mesterséges intelligencia segítségével automatizált hívásösszegzéseket készítenek. Ezenkívül az ebben a részben részletezett megoldás lehetővé teszi integrálható ügyfélkapcsolat-kezelési (CRM) rendszerével hogy automatikusan frissítse a választott CRM-jét generált hívásösszesítésekkel. Ebben a példában a mi Élő híváselemzés az Agent Assist (LCA) megoldással valós idejű hívásátírások és hívásösszegzések generálásához az LLM-ekkel Amazon alapkőzet. Írhatsz egy AWS Lambda függvényt, és adja meg a funkció LCA-ját a függvény Amazon-erőforrásnevében (ARN). AWS felhőképződés paramétereket, és használja az Ön által választott LLM-et.
A következő egyszerűsített LCA architektúra az Amazon Bedrock hívásösszegzését szemlélteti.
Az LCA CloudFormation-sablonként érhető el, amely az előző architektúrát telepíti, és lehetővé teszi a hívások valós idejű átírását. A munkafolyamat lépései a következők:
- A hívás hangja a SIPREC-en keresztül továbbítható a telefonrendszeréből az Amazon Chime SDK Voice Connectorba, amely puffereli a hangot. Amazon Kinesis videofolyamok. Az LCA más hangbeviteli mechanizmusokat is támogat, mint pl Genesys Cloud Audiohook.
- Az Amazon Chime SDK Call Analytics ezután továbbítja a hangot a Kinesis Video Streamsből az Amazon Transcribe-ba, és a JSON-kimenetet a Amazon Kinesis adatfolyamok.
- A lambda függvény feldolgozza a transzkripciós szegmenseket, és megőrzi őket egy Amazon DynamoDB táblázat.
- A hívás befejezése után az Amazon Chime SDK Voice Connector közzétesz egy Amazon EventBridge értesítés, amely elindít egy Lambda-függvényt, amely beolvassa a DynamoDB-ből megmaradt átiratot, LLM-promptot generál (erről bővebben a következő részben), és LLM-következtetést futtat az Amazon Bedrock segítségével. Az előállított összegzés megmarad a DynamoDB-ben, és az ügynök használhatja az LCA felhasználói felületén. Opcionálisan megadhat egy ARN Lambda-függvényt, amely az összefoglaló létrehozása után fut le, és integrálható harmadik féltől származó CRM-rendszerekkel.
Az LCA azt is lehetővé teszi, hogy a hívás során meghívjuk az összegző Lambda függvényt, mert bármikor lekérhető az átirat és létrehozható egy prompt, még akkor is, ha a hívás folyamatban van. Ez hasznos lehet olyan esetekben, amikor egy hívást átirányítanak egy másik ügynöknek, vagy továbbítják egy felügyelőnek. Ahelyett, hogy tartásba helyezné az ügyfelet, és elmagyarázná a hívást, az új ügyintéző gyorsan el tud olvasni egy automatikusan generált összefoglalót, amely tartalmazhatja az aktuális problémát, és azt, hogy az előző ügynök mit próbált tenni a megoldás érdekében.
Példa a hívás összegzésére
Gyors tervezéssel LLM-következtetéseket futtathat a hívásösszegzések létrehozásához és javításához. Módosíthatja a prompt sablonokat, hogy megtudja, mi működik a legjobban a kiválasztott LLM-hez. A következő példa az átirat LCA-val történő összegzésére szolgáló alapértelmezett promptra. Cseréljük a {transcript}
helyőrző a hívás tényleges átiratával.
Az LCA futtatja a promptot, és eltárolja a generált összegzést. Az összegzésen kívül az LLM-et arra irányíthatja, hogy szinte minden olyan szöveget generáljon, amely fontos az ügynök termelékenysége szempontjából. Például választhat a hívás során érintett témák közül (ügynöki rendelkezés), létrehozhat egy listát a szükséges utómunkálatokról, vagy akár e-mailt is írhat a hívónak, megköszönve a hívást.
A következő képernyőkép egy példa az ügynök követő e-mailek generálására az LCA felhasználói felületén.
Egy jól megtervezett prompt segítségével egyes LLM-ek képesek az összes információt egyetlen következtetésben generálni, csökkentve a következtetési költségeket és a feldolgozási időt. Az ügyintéző ezután a generált választ a hívás befejezése után néhány másodpercen belül felhasználhatja a kapcsolatfelvétel utáni munkájához. A generált választ is integrálhatja automatikusan bekerül a CRM rendszerébe.
A következő képernyőképen egy példa-összefoglaló látható az LCA felhasználói felületén.
Lehetőség van összefoglaló létrehozására a hívás közben is (lásd a következő képernyőképet), ami különösen hosszú ügyfélhívások esetén lehet hasznos.
A generatív mesterséges intelligencia előtt az ügynököknek figyelniük kell, miközben jegyzeteket is készítenek, és szükség szerint más feladatokat is végrehajtanak. A hívás automatikus átírásával és az LLM-ek automatikus összefoglalók létrehozásával csökkenthetjük az ügynök lelki terheit, így a kiváló ügyfélélmény biztosítására összpontosíthatnak. Ez pontosabb hívás utáni munkához is vezet, mivel az átírás pontosan azt tükrözi, hogy mi történt a hívás során – nem csak azt, amit az ügynök feljegyzett vagy emlékezett.
Összegzésként
A minta LCA-alkalmazás nyílt forráskódú – használhatja saját megoldása kiindulópontjaként, és segítsen nekünk annak jobbá tételében azáltal, hogy a GitHub lekérésein keresztül visszajavításokat és funkciókat ad hozzá. Az LCA telepítésével kapcsolatos információkért lásd: Élő híváselemzés és ügynöki segítség a kapcsolattartó központ számára az Amazon nyelvű AI-szolgáltatásaival. Böngésszen a LCA GitHub adattár a kód felfedezéséhez iratkozzon fel, hogy értesítést kapjon az új kiadásokról, és nézze meg a README a legújabb dokumentációs frissítésekért. Azon ügyfelek számára, akik már használják az Amazon Connectet, többet megtudhatnak az Amazon Connect generatív mesterséges intelligenciájáról a következő hivatkozással Hogyan készülhetnek fel a kapcsolattartó központok vezetői a generatív AI-ra.
A szerzőkről
Christopher Lott az AWS AI Language Services csapatának vezető megoldástervezője. 20 éves vállalati szoftverfejlesztési tapasztalattal rendelkezik. Chris a kaliforniai Sacramentóban él, és szeret kertészkedni, repülni, és utazni a világban.
Smriti Ranjan az AWS AI/ML csapatának fő termékmenedzsere, aki a nyelvi és keresési szolgáltatásokra összpontosít. Mielőtt csatlakozott az AWS-hez, az Amazon Devices-nél és más technológiai startupoknál dolgozott, amelyek termék- és növekedési funkciókat irányítottak. Smriti Bostonban (MA) él, és élvezi a túrázást, a koncerteken való részvételt és a világutazást.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/use-generative-ai-to-increase-agent-productivity-through-automated-call-summarization/
- :van
- :is
- $ UP
- 100
- 13
- 20
- 20 év
- 438
- 7
- a
- képesség
- Képes
- Rólunk
- Fiók
- pontosság
- pontos
- pontosan
- tényleges
- Ezen kívül
- légtér
- Után
- Ügynök
- szerek
- AI
- AI / ML
- Minden termék
- lehetővé teszi, hogy
- majdnem
- már
- Is
- Bár
- amazon
- Amazon csengő
- Amazon átirat
- Az Amazon Web Services
- Összegek
- an
- analitika
- és a
- Másik
- válasz
- bármilyen
- api
- Alkalmazás
- építészet
- VANNAK
- AS
- kér
- szempontok
- segít
- Helyettes
- társult
- At
- részt
- figyelem
- hang-
- automatizált
- Automatizált
- automatikusan
- automatizálás
- átlagos
- AWS
- vissza
- Bank
- bankszámla
- alapján
- BE
- mert
- előtt
- lent
- kívül
- BEST
- Jobb
- között
- Boston
- teher
- üzleti
- by
- Kalifornia
- hívás
- hívott
- Hívó
- kéri
- TUD
- nem tud
- Központ
- Centers
- kihívás
- ellenőrizze
- Harangjáték
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- chris
- Christopher
- felhő
- kód
- gyűjt
- bonyolult
- koncertek
- Csatlakozás
- kapcsolat
- kapcsolatközpont
- tartalmaz
- folyamatosan
- hozzájáruló
- Beszélgetés
- beszélgetések
- Költség
- fedett
- teremt
- készítette
- létrehozása
- CRM
- kritikus
- Jelenlegi
- vevő
- ügyféladatok
- Vásárlói élmény
- Vásárlói utazás
- Ügyfelek
- dátum
- alapértelmezett
- meghatározott
- szállít
- átadó
- bevezetéséhez
- bevet
- részletes
- részletek
- Határozzuk meg
- fejlett
- Fejlesztés
- Eszközök
- megkülönböztető
- közvetlen
- do
- dokumentáció
- ne
- alatt
- minden
- könnyű
- Hatékony
- hatékony
- erőfeszítés
- megszüntetése
- lehetővé teszi
- befejező
- vége
- Mérnöki
- növelése
- Vállalkozás
- vállalati szoftver
- különösen
- Még
- Minden
- példa
- létező
- tapasztalat
- Magyarázza
- magyarázó
- feltárása
- Jellemzők
- Elhozták
- kevés
- kitöltése
- vezetéknév
- Összpontosít
- összpontosított
- összpontosítás
- következő
- következik
- A
- Alapítvány
- töredék
- ból ből
- teljesen
- funkció
- funkciók
- Nyereség
- nem
- általános
- generál
- generált
- generál
- generáló
- generáció
- nemző
- Generatív AI
- kap
- GitHub
- jó
- felnőtt
- Növekedés
- fogantyú
- Legyen
- tekintettel
- he
- nehéz
- súlyemelés
- segít
- hasznos
- segít
- segít
- Magas
- nagyon
- tart
- tart
- házigazdája
- Hogyan
- How To
- azonban
- http
- HTTPS
- fáj
- if
- illusztrálja
- ütköztető
- fontos
- javul
- in
- pontatlan
- tartalmaz
- Beleértve
- Növelje
- információ
- meglátások
- integrálni
- A szándék
- Felület
- bele
- kérdés
- IT
- ITS
- csatlakozott
- utazás
- json
- éppen
- Kulcs
- nyelv
- nagy
- legutolsó
- vezetők
- vezető
- vezetékek
- TANUL
- tanulás
- emelő
- mint
- LINK
- Lista
- él
- életek
- LLM
- Hosszú
- alacsonyabb
- gép
- gépi tanulás
- csinál
- sikerült
- vezetés
- menedzser
- kézikönyv
- kézzel
- maszk
- jelent
- mechanizmusok
- találkozó
- szellemi
- Metrics
- ML
- modellek
- módosítása
- több
- a legtöbb
- név
- Természetes
- Szükség
- szükséges
- igények
- Semleges
- Új
- hír
- következő
- Megjegyzések
- bejelentés
- Most
- számok
- történt
- of
- omnichannel
- on
- folyamatban lévő
- csak
- nyitva
- nyílt forráskódú
- Alkalom
- opció
- or
- Más
- mi
- ki
- eredmények
- teljesítmény
- saját
- oldal
- paraméterek
- Fizet
- előadó
- fennáll
- placeholder
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- lehetséges
- állás
- hatalom
- powered
- Készít
- előző
- Fő
- Előzetes
- magánélet
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- termék menedzser
- termelékenység
- Haladás
- védelme
- védelme
- ad
- feltéve,
- biztosít
- közzéteszi
- elhelyezés
- kérdés
- Kérdések
- gyorsan
- Inkább
- Olvass
- igazi
- real-time
- elismerés
- csökkenteni
- csökkentő
- utal
- említett
- kapcsolat
- Releases
- ismétlés
- cserélni
- válasz
- jelentést
- képviselet
- kéri
- szükség
- kötelező
- megoldása
- forrás
- Reagálni
- válasz
- futás
- fut
- Sacramento
- Biztonság
- Skála
- sdk
- Keresés
- másodperc
- Rész
- biztonság
- lát
- szegmensek
- idősebb
- érzékeny
- mondat
- szolgálja
- Szolgáltatások
- készlet
- ő
- előadás
- Műsorok
- <p></p>
- jelentősen
- egyszerűsített
- egyetlen
- So
- Közösség
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- Megoldása
- néhány
- forrás
- beszéd
- Speech Recognition
- beszéd-szöveg
- kezdődött
- Kezdve
- Startups
- csúcs-
- Lépés
- Lépései
- Még mindig
- árnyékolók
- áramlott
- patakok
- struktúrák
- ilyen
- összegez
- ÖSSZEFOGLALÓ
- felettes
- Támogatja
- rendszer
- Systems
- táblázat
- Vesz
- bevétel
- feladatok
- csapat
- Technológia
- sablon
- sablonok
- szöveg
- mint
- hogy
- A
- a világ
- azok
- Őket
- akkor
- Ezek
- ők
- Harmadik
- harmadik fél
- ezt
- azok
- ezer
- Keresztül
- idő
- időigényes
- alkalommal
- nak nek
- vett
- szerszám
- téma
- Témakörök
- Végösszeg
- kiképzett
- Másolat
- átment
- Utazó
- kipróbált
- FORDULAT
- típusok
- megért
- megértés
- Frissítések
- Frissítés
- us
- használ
- használt
- használó
- felhasználói felület
- segítségével
- Értékes
- különféle
- Hatalmas
- változat
- nagyon
- keresztül
- videó
- fontos
- Hang
- akar
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- Mi
- amikor
- ami
- míg
- WHO
- lesz
- val vel
- belül
- Munka
- dolgozott
- munkafolyamat
- művek
- világ
- lenne
- ír
- év
- york
- te
- A te
- youtube
- zephyrnet