Pusat kontak Anda berfungsi sebagai penghubung penting antara bisnis Anda dan pelanggan Anda. Setiap panggilan ke pusat kontak Anda adalah kesempatan untuk mempelajari lebih lanjut tentang kebutuhan pelanggan Anda dan seberapa baik Anda memenuhi kebutuhan tersebut.
Sebagian besar pusat kontak mengharuskan agennya untuk merangkum percakapan mereka setelah setiap panggilan. Peringkasan panggilan adalah alat berharga yang membantu pusat kontak memahami dan mendapatkan wawasan dari panggilan pelanggan. Selain itu, ringkasan panggilan yang akurat meningkatkan perjalanan pelanggan dengan menghilangkan kebutuhan pelanggan untuk mengulangi informasi ketika ditransfer ke agen lain.
Dalam postingan ini, kami menjelaskan cara menggunakan kekuatan AI generatif untuk mengurangi upaya dan meningkatkan akurasi pembuatan ringkasan panggilan dan disposisi panggilan. Kami juga menunjukkan cara memulai dengan cepat menggunakan versi terbaru dari solusi sumber terbuka kami, Analisis Panggilan Langsung dengan Bantuan Agen.
Tantangan dengan ringkasan panggilan
Ketika pusat kontak mengumpulkan lebih banyak data ucapan, kebutuhan akan ringkasan panggilan yang efisien telah meningkat secara signifikan. Namun, sebagian besar ringkasan kosong atau tidak akurat karena membuatnya secara manual memakan waktu, sehingga memengaruhi metrik utama agen seperti waktu pemrosesan rata-rata (AHT). Agen melaporkan bahwa ringkasan dapat memakan waktu hingga sepertiga dari total panggilan, sehingga mereka melewatkannya atau mengisi informasi yang tidak lengkap. Hal ini merugikan pengalaman pelangganโpenahanan yang lama membuat pelanggan frustrasi saat agen mengetik, dan ringkasan yang tidak lengkap berarti meminta pelanggan mengulangi informasi saat ditransfer antar agen.
Kabar baiknya adalah otomatisasi dan penyelesaian tantangan peringkasan kini dapat dilakukan melalui AI generatif.
AI Generatif membantu merangkum panggilan pelanggan secara akurat dan efisien
AI generatif didukung oleh model pembelajaran mesin (ML) yang sangat besar yang disebut sebagai model dasar (FM) yang telah dilatih sebelumnya pada sejumlah besar data dalam skala besar. Bagian dari FM yang berfokus pada pemahaman bahasa alami disebut model bahasa besar (LLM) dan mampu menghasilkan ringkasan yang relevan secara kontekstual dan mirip manusia. LLM terbaik bahkan dapat memproses struktur kalimat non-linier yang kompleks dengan mudah dan menentukan berbagai aspek, termasuk topik, maksud, langkah selanjutnya, hasil, dan banyak lagi. Menggunakan LLM untuk mengotomatiskan peringkasan panggilan memungkinkan percakapan pelanggan diringkas secara akurat dan dalam waktu yang lebih singkat yang diperlukan untuk peringkasan manual. Hal ini pada gilirannya memungkinkan pusat kontak untuk memberikan pengalaman pelanggan yang unggul sekaligus mengurangi beban dokumentasi pada agen mereka.
Tangkapan layar berikut menunjukkan contoh halaman detail panggilan Analisis Panggilan Langsung dengan Bantuan Agen, yang berisi informasi tentang setiap panggilan.
Video berikut menunjukkan contoh Analisis Panggilan Langsung dengan Bantuan Agen yang merangkum panggilan yang sedang berlangsung, merangkum setelah panggilan berakhir, dan membuat email tindak lanjut.
Ikhtisar solusi
Diagram berikut mengilustrasikan alur kerja solusi.
Langkah pertama untuk menghasilkan ringkasan panggilan abstrak adalah menyalin panggilan pelanggan. Memiliki transkrip yang akurat dan siap digunakan sangat penting untuk menghasilkan ringkasan panggilan yang akurat dan efektif. Amazon Transkripsikan dapat membantu Anda membuat transkrip dengan akurasi tinggi untuk panggilan pusat kontak Anda. Amazon Transcribe adalah API ucapan-ke-teks yang kaya fitur dengan model pengenalan ucapan canggih yang dikelola sepenuhnya dan terus dilatih. Pelanggan seperti , Kendur, Zillow, Wix, dan ribuan orang lain menggunakan Amazon Transcribe untuk menghasilkan transkrip yang sangat akurat guna meningkatkan hasil bisnis mereka. Pembeda utama Amazon Transcribe adalah kemampuannya melindungi data pelanggan dengan menyunting informasi sensitif dari audio dan teks. Meskipun melindungi privasi dan keselamatan pelanggan secara umum penting bagi pusat kontak, lebih penting lagi untuk menutupi informasi sensitif seperti informasi rekening bank dan nomor Jaminan Sosial sebelum membuat ringkasan panggilan otomatis, sehingga informasi tersebut tidak dimasukkan ke dalam ringkasan.
Bagi pelanggan yang sudah menggunakan Sambungan Amazon, pusat kontak cloud omnichannel kami, Lensa Kontak untuk Amazon Connect menyediakan fitur transkripsi dan analitik real-time secara asli. Namun, jika Anda ingin menggunakan AI generatif dengan pusat kontak yang ada, kami telah mengembangkannya solusi yang melakukan sebagian besar pekerjaan berat terkait dengan menyalin percakapan secara real-time atau pasca-panggilan dari pusat kontak Anda yang ada, dan menghasilkan ringkasan panggilan otomatis menggunakan AI generatif. Selain itu, solusi yang dirinci di bagian ini memungkinkan Anda melakukannya terintegrasi dengan sistem Manajemen Hubungan Pelanggan (CRM) Anda untuk memperbarui CRM pilihan Anda secara otomatis dengan ringkasan panggilan yang dihasilkan. Dalam contoh ini, kami menggunakan milik kami Analisis Panggilan Langsung dengan solusi Agent Assist (LCA) untuk menghasilkan transkripsi panggilan real-time dan ringkasan panggilan dengan LLM yang dihosting Batuan Dasar Amazon. Anda juga dapat menulis AWS Lambda berfungsi dan memberikan LCA Amazon Resource Name (ARN) fungsi tersebut di Formasi AWS Cloud parameter, dan gunakan LLM pilihan Anda.
Arsitektur LCA yang disederhanakan berikut mengilustrasikan ringkasan panggilan dengan Amazon Bedrock.
LCA disediakan sebagai templat CloudFormation yang menerapkan arsitektur sebelumnya dan memungkinkan Anda menyalin panggilan secara real-time. Langkah-langkah alur kerjanya adalah sebagai berikut:
- Audio panggilan dapat dialirkan melalui SIPREC dari sistem telepon Anda ke Amazon Chime SDK Voice Connector, yang mem-buffer audio masuk Aliran Video Amazon Kinesis. LCA juga mendukung mekanisme penyerapan audio lainnya, seperti Kait Audio Genesys Cloud.
- Amazon Chime SDK Call Analytics kemudian mengalirkan audio dari Kinesis Video Streams ke Amazon Transcribe, dan menulis output JSON ke Aliran Data Amazon Kinesis.
- Fungsi Lambda memproses segmen transkripsi dan menyimpannya ke suatu Amazon DynamoDB tabel.
- Setelah panggilan berakhir, Amazon Chime SDK Voice Connector menerbitkan Jembatan Acara Amazon pemberitahuan yang memicu fungsi Lambda yang membaca transkrip yang ada dari DynamoDB, menghasilkan perintah LLM (lebih lanjut tentang ini di bagian berikut), dan menjalankan inferensi LLM dengan Amazon Bedrock. Ringkasan yang dihasilkan disimpan di DynamoDB dan dapat digunakan oleh agen di antarmuka pengguna LCA. Anda juga dapat menyediakan ARN fungsi Lambda yang akan dijalankan setelah ringkasan dibuat untuk diintegrasikan dengan sistem CRM pihak ketiga.
LCA juga mengizinkan opsi untuk memanggil fungsi ringkasan Lambda selama panggilan, karena transkrip dapat diambil kapan saja dan perintah dibuat, meskipun panggilan sedang berlangsung. Hal ini dapat berguna saat panggilan dialihkan ke agen lain atau diteruskan ke supervisor. Daripada menunda pelanggan dan menjelaskan panggilannya, agen baru dapat dengan cepat membaca ringkasan yang dibuat secara otomatis, dan dapat mencakup apa masalah saat ini dan apa yang coba dilakukan oleh agen sebelumnya untuk menyelesaikannya.
Contoh permintaan ringkasan panggilan
Anda dapat menjalankan inferensi LLM dengan rekayasa cepat untuk menghasilkan dan meningkatkan ringkasan panggilan Anda. Anda dapat memodifikasi templat prompt untuk melihat mana yang terbaik untuk LLM yang Anda pilih. Berikut ini adalah contoh perintah default untuk meringkas transkrip dengan LCA. Kami menggantinya {transcript}
placeholder dengan transkrip panggilan yang sebenarnya.
LCA menjalankan prompt dan menyimpan ringkasan yang dihasilkan. Selain ringkasan, Anda dapat mengarahkan LLM untuk menghasilkan hampir semua teks yang penting untuk produktivitas agen. Misalnya, Anda dapat memilih dari serangkaian topik yang dibahas selama panggilan (disposisi agen), membuat daftar tugas tindak lanjut yang diperlukan, atau bahkan menulis email ke penelepon untuk berterima kasih atas panggilan tersebut.
Tangkapan layar berikut adalah contoh pembuatan email tindak lanjut agen di antarmuka pengguna LCA.
Dengan perintah yang dirancang dengan baik, beberapa LLM juga memiliki kemampuan untuk menghasilkan semua informasi ini dalam satu inferensi, sehingga mengurangi biaya inferensi dan waktu pemrosesan. Agen kemudian dapat menggunakan respons yang dihasilkan dalam beberapa detik setelah mengakhiri panggilan untuk pekerjaan setelah kontak mereka. Anda juga dapat mengintegrasikan respons yang dihasilkan secara otomatis ke dalam sistem CRM Anda.
Tangkapan layar berikut menunjukkan contoh ringkasan di antarmuka pengguna LCA.
Anda juga dapat membuat ringkasan saat panggilan masih berlangsung (lihat tangkapan layar berikut), yang dapat sangat membantu untuk panggilan pelanggan yang lama.
Sebelum AI generatif, agen diharuskan memperhatikan sambil mencatat dan melakukan tugas lain sesuai kebutuhan. Dengan menyalin panggilan secara otomatis dan menggunakan LLM untuk membuat ringkasan secara otomatis, kami dapat menurunkan beban mental agen, sehingga mereka dapat fokus untuk memberikan pengalaman pelanggan yang unggul. Hal ini juga menghasilkan pekerjaan setelah panggilan yang lebih akurat, karena transkripsi merupakan representasi akurat dari apa yang terjadi selama panggilanโbukan hanya apa yang dicatat atau diingat oleh agen.
Kesimpulan
Contoh aplikasi LCA disediakan sebagai sumber terbukaโgunakan ini sebagai titik awal untuk solusi Anda sendiri, dan bantu kami menjadikannya lebih baik dengan berkontribusi kembali perbaikan dan fitur melalui permintaan penarikan GitHub. Untuk informasi tentang penerapan LCA, lihat Analisis panggilan langsung dan bantuan agen untuk pusat kontak Anda dengan layanan AI bahasa Amazon. Telusuri ke Repositori LCA GitHub untuk menjelajahi kode, mendaftar untuk diberitahu tentang rilis baru, dan memeriksa README untuk pembaruan dokumentasi terbaru. Untuk pelanggan yang sudah menggunakan Amazon Connect, Anda dapat mempelajari lebih lanjut tentang AI generatif dengan Amazon Connect dengan mengacu pada Bagaimana pemimpin pusat kontak dapat bersiap menghadapi AI generatif.
Tentang penulis
Christopher Lotto adalah Arsitek Solusi Senior di tim Layanan Bahasa AI AWS. Dia memiliki 20 tahun pengalaman pengembangan perangkat lunak perusahaan. Chris tinggal di Sacramento, California dan menikmati berkebun, dirgantara, dan berkeliling dunia.
Smriti Ranjan adalah Manajer Produk Utama di tim AWS AI/ML yang berfokus pada bahasa dan layanan pencarian. Sebelum bergabung dengan AWS, dia bekerja di Amazon Devices dan startup teknologi lainnya yang memimpin fungsi produk dan pertumbuhan. Smriti tinggal di Boston, MA dan menikmati hiking, menghadiri konser, dan berkeliling dunia.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/use-generative-ai-to-increase-agent-productivity-through-automated-call-summarization/
- :memiliki
- :adalah
- $NAIK
- 100
- 13
- 20
- 20 tahun
- 438
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- Akun
- ketepatan
- tepat
- akurat
- sebenarnya
- Selain itu
- Aerospace
- Setelah
- Agen
- agen
- AI
- AI / ML
- Semua
- memungkinkan
- hampir
- sudah
- juga
- Meskipun
- Amazon
- Lonceng Amazon
- Amazon Transkripsikan
- Amazon Web Services
- jumlah
- an
- analisis
- dan
- Lain
- menjawab
- Apa pun
- api
- Aplikasi
- arsitektur
- ADALAH
- AS
- meminta
- aspek
- membantu
- Asisten
- terkait
- At
- menghadiri
- perhatian
- audio
- mengotomatisasikan
- Otomatis
- secara otomatis
- mengotomatisasi
- rata-rata
- AWS
- kembali
- Bank
- akun bank
- berdasarkan
- BE
- karena
- sebelum
- di bawah
- selain
- TERBAIK
- Lebih baik
- antara
- boston
- beban
- bisnis
- by
- california
- panggilan
- bernama
- pemanggil
- Panggilan
- CAN
- tidak bisa
- pusat
- Pusat
- menantang
- memeriksa
- Berbunyi
- pilihan
- Pilih
- chris
- Christopher
- awan
- kode
- mengumpulkan
- kompleks
- konser
- Terhubung
- kontak
- contact center
- mengandung
- terus menerus
- berkontribusi
- Percakapan
- percakapan
- Biaya
- tercakup
- membuat
- dibuat
- membuat
- CRM
- sangat penting
- terbaru
- pelanggan
- data pelanggan
- pengalaman pelanggan
- Perjalanan Pelanggan
- pelanggan
- data
- Default
- didefinisikan
- menyampaikan
- mengantarkan
- penggelaran
- menyebarkan
- terperinci
- rincian
- Menentukan
- dikembangkan
- Pengembangan
- Devices
- pembeda
- langsung
- do
- dokumentasi
- Dont
- selama
- setiap
- memudahkan
- Efektif
- efisien
- usaha
- menghilangkan
- memungkinkan
- akhir
- berakhir
- Teknik
- mempertinggi
- Enterprise
- perangkat lunak perusahaan
- terutama
- Bahkan
- Setiap
- contoh
- ada
- pengalaman
- Menjelaskan
- menjelaskan
- menyelidiki
- Fitur
- Sudah diambil
- beberapa
- mengisi
- Pertama
- Fokus
- terfokus
- berfokus
- berikut
- berikut
- Untuk
- Prinsip Dasar
- pecahan
- dari
- sepenuhnya
- fungsi
- fungsi
- Mendapatkan
- Gender
- Umum
- menghasilkan
- dihasilkan
- menghasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- GitHub
- baik
- dewasa
- Pertumbuhan
- menangani
- Memiliki
- memiliki
- he
- berat
- angkat berat
- membantu
- bermanfaat
- membantu
- membantu
- High
- sangat
- memegang
- memegang
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- http
- HTTPS
- sakit
- if
- menggambarkan
- berdampak
- penting
- memperbaiki
- in
- tidak akurat
- memasukkan
- Termasuk
- Meningkatkan
- informasi
- wawasan
- mengintegrasikan
- maksud
- Antarmuka
- ke
- isu
- IT
- NYA
- bergabung
- perjalanan
- json
- hanya
- kunci
- bahasa
- besar
- Terbaru
- pemimpin
- terkemuka
- Memimpin
- BELAJAR
- pengetahuan
- pengangkatan
- 'like'
- LINK
- Daftar
- hidup
- hidup
- LLM
- Panjang
- menurunkan
- mesin
- Mesin belajar
- membuat
- berhasil
- pengelolaan
- manajer
- panduan
- manual
- masker
- berarti
- mekanisme
- pertemuan
- mental yang
- Metrik
- ML
- model
- memodifikasi
- lebih
- paling
- nama
- Alam
- Perlu
- dibutuhkan
- kebutuhan
- Netral
- New
- berita
- berikutnya
- Catatan
- pemberitahuan
- sekarang
- nomor
- terjadi
- of
- omnichannel
- on
- terus-menerus
- hanya
- Buka
- open source
- Kesempatan
- pilihan
- or
- Lainnya
- kami
- di luar
- hasil
- keluaran
- sendiri
- halaman
- parameter
- Membayar
- melakukan
- terus berlanjut
- placeholder
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- mungkin
- Pos
- kekuasaan
- didukung
- Mempersiapkan
- sebelumnya
- Utama
- Sebelumnya
- pribadi
- proses
- proses
- pengolahan
- Produk
- manajer produk
- produktifitas
- Kemajuan
- melindungi
- melindungi
- memberikan
- disediakan
- menyediakan
- Terbit
- Puting
- pertanyaan
- Pertanyaan
- segera
- agak
- Baca
- nyata
- real-time
- pengakuan
- menurunkan
- mengurangi
- lihat
- disebut
- hubungan
- Pers
- relevan
- ulangi
- menggantikan
- balasan
- melaporkan
- perwakilan
- permintaan
- membutuhkan
- wajib
- menyelesaikan
- sumber
- Menanggapi
- tanggapan
- Run
- berjalan
- Sacramento
- Safety/keselamatan
- Skala
- SDK
- Pencarian
- detik
- Bagian
- keamanan
- melihat
- segmen
- senior
- peka
- putusan pengadilan
- melayani
- Layanan
- set
- dia
- Menunjukkan
- Pertunjukkan
- menandatangani
- signifikan
- disederhanakan
- tunggal
- So
- Sosial
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- Memecahkan
- beberapa
- sumber
- pidato
- Speech Recognition
- speech-to-text
- mulai
- Mulai
- Startups
- state-of-the-art
- Langkah
- Tangga
- Masih
- toko
- streaming
- stream
- struktur
- seperti itu
- meringkaskan
- RINGKASAN
- unggul
- Mendukung
- sistem
- sistem
- tabel
- Mengambil
- pengambilan
- tugas
- tim
- Teknologi
- Template
- template
- teks
- dari
- bahwa
- Grafik
- Dunia
- mereka
- Mereka
- kemudian
- Ini
- mereka
- Ketiga
- pihak ketiga
- ini
- itu
- ribuan
- Melalui
- waktu
- membuang-buang waktu
- kali
- untuk
- mengambil
- alat
- tema
- Topik
- Total
- terlatih
- Salinan
- ditransfer
- Perjalanan
- mencoba
- MENGHIDUPKAN
- jenis
- memahami
- pemahaman
- Memperbarui
- Pembaruan
- us
- menggunakan
- bekas
- Pengguna
- User Interface
- menggunakan
- Berharga
- berbagai
- Luas
- versi
- sangat
- melalui
- Video
- vital
- Suara
- ingin
- we
- jaringan
- layanan web
- BAIK
- adalah
- Apa
- Apa itu
- ketika
- yang
- sementara
- SIAPA
- akan
- dengan
- dalam
- Kerja
- bekerja
- alur kerja
- bekerja
- dunia
- akan
- menulis
- tahun
- York
- Kamu
- Anda
- Youtube
- zephyrnet.dll