Dalam posting ini, kami menunjukkan cara membuat solusi respons email otomatis menggunakan Amazon Comprehend.
Organisasi menghabiskan banyak sumber daya, tenaga, dan uang untuk menjalankan operasi layanan pelanggan mereka untuk menjawab pertanyaan pelanggan dan memberikan solusi. Pelanggan Anda mungkin mengajukan pertanyaan melalui berbagai saluran, seperti email, obrolan, atau telepon, dan mengerahkan tenaga kerja untuk menjawab pertanyaan tersebut dapat menjadi sumber daya yang intensif, memakan waktu, dan bahkan tidak produktif jika jawaban atas pertanyaan tersebut berulang.
Selama pandemi COVID-19, banyak organisasi tidak dapat secara memadai mendukung pelanggan mereka karena penutupan fasilitas layanan pelanggan dan agen, dan pertanyaan pelanggan menumpuk. Beberapa organisasi berjuang untuk menjawab pertanyaan dengan segera, yang dapat menyebabkan pengalaman pelanggan yang buruk. Hal ini pada gilirannya dapat mengakibatkan ketidakpuasan pelanggan, dan dapat berdampak pada reputasi dan pendapatan organisasi dalam jangka panjang.
Meskipun organisasi Anda mungkin memiliki aset data untuk pertanyaan dan jawaban pelanggan, Anda mungkin masih kesulitan menerapkan proses otomatis untuk membalas pelanggan Anda. Tantangan mungkin termasuk data yang tidak terstruktur, bahasa yang berbeda, dan kurangnya keahlian dalam teknologi kecerdasan buatan (AI) dan pembelajaran mesin (ML).
Anda dapat mengatasi tantangan tersebut dengan menggunakan Amazon Comprehend untuk mengotomatiskan tanggapan email terhadap pertanyaan pelanggan. Dengan solusi kami, Anda dapat mengidentifikasi maksud dari email pelanggan yang mengirimkan respons otomatis jika maksud tersebut cocok dengan basis pengetahuan Anda yang ada. Jika maksud tidak memiliki kecocokan, email akan dikirim ke tim dukungan untuk tanggapan manual. Berikut ini adalah beberapa maksud pelanggan yang umum saat menghubungi layanan pelanggan:
- Status transaksi (misalnya, status pengiriman uang)
- Reset kata sandi
- Kode promo atau diskon
- Operasi berjam-jam
- Temukan lokasi agen
- Laporkan penipuan
- Buka kunci akun
- Tutup Akun
Amazon Comprehend dapat membantu Anda melakukan klasifikasi dan deteksi entitas pada email untuk salah satu maksud di atas. Untuk solusi ini, kami menunjukkan cara mengklasifikasikan email pelanggan untuk tiga maksud pertama. Anda juga dapat menggunakan Amazon Comprehend untuk mendeteksi informasi penting dari email, sehingga Anda dapat mengotomatiskan proses bisnis Anda. Misalnya, Anda dapat menggunakan Amazon Comprehend untuk mengotomatiskan balasan permintaan pelanggan dengan informasi spesifik yang terkait dengan kueri tersebut.
Ikhtisar solusi
Untuk membangun alur respons email pelanggan, kami menggunakan layanan berikut:
- Amazon Comprehend
- AWS Lambda
- Layanan Email Amazon Simple (SES Amazon)
- Layanan Pemberitahuan Sederhana Amazon (Amazon SNS)
- Amazon Work Mail
Diagram arsitektur berikut menyoroti solusi ujung ke ujung:
Alur kerja solusi mencakup langkah-langkah berikut:
- Pelanggan mengirim email ke email dukungan pelanggan yang dibuat di WorkMail.
- WorkMail memanggil fungsi Lambda setelah menerima email.
- Fungsi mengirimkan konten email ke titik akhir model klasifikasi kustom.
- Titik akhir klasifikasi kustom kembali dengan nilai rahasia dan tingkat kepercayaan (lebih dari 80%, tetapi Anda dapat mengonfigurasinya sesuai kebutuhan).
- Jika nilai klasifikasi adalah
MONEYTRANSFER
, fungsi Lambda memanggil titik akhir deteksi entitas untuk menemukan ID transfer uang. - Jika ID transfer uang dikembalikan, fungsi mengembalikan status transfer uang secara acak (dalam skenario dunia nyata, Anda dapat memanggil database melalui API untuk mengambil status transfer sebenarnya).
- Berdasarkan nilai rahasia yang dikembalikan, template email yang telah ditentukan sebelumnya di Amazon SES dipilih, dan email balasan dikirim ke pelanggan.
- Jika tingkat kepercayaan kurang dari 80%, nilai rahasia tidak dikembalikan, atau deteksi entitas tidak menemukan ID pengiriman uang, email pelanggan didorong ke topik SNS. Anda dapat berlangganan Amazon SNS untuk mengirim pesan ke sistem tiket Anda.
Prasyarat
Mengacu kepada README.md file di GitHub repo untuk memastikan Anda memenuhi prasyarat untuk menerapkan solusi ini.
Terapkan solusinya
Penerapan solusi terdiri dari langkah-langkah tingkat tinggi berikut:
- Selesaikan konfigurasi manual menggunakan Konsol Manajemen AWS.
- Jalankan skrip di Amazon SageMaker instance notebook menggunakan file notebook yang disediakan.
- Terapkan solusi menggunakan Kit Pengembangan AWS Cloud (AWS-CDK).
Untuk petunjuk lengkap, lihat README.md file di GitHub repo.
Uji solusinya
Untuk menguji solusinya, kirim email dari email pribadi Anda ke email dukungan yang dibuat sebagai bagian dari penerapan AWS CDK (untuk postingan ini, kami menggunakan support@domainsaya.com). Kami menggunakan tiga maksud berikut dalam data sampel kami untuk pelatihan klasifikasi khusus:
- TRANSFER UANG โ Pelanggan ingin mengetahui status pengiriman uang
- PASRESET โ Pelanggan memiliki permintaan login, akun terkunci, atau kata sandi
- KODE PROMOSI โ Pelanggan ingin tahu tentang diskon atau kode promo yang tersedia untuk transfer uang
Tangkapan layar berikut menunjukkan contoh email pelanggan:
Jika email pelanggan tidak diklasifikasikan atau tingkat kepercayaan di bawah 80%, konten email diteruskan ke topik SNS. Siapa pun yang berlangganan topik menerima konten email sebagai pesan. Kami berlangganan topik SNS ini dengan email yang kami kirimkan dengan human_workflow_email
parameter selama penerapan.
Membersihkan
Untuk menghindari timbulnya biaya berkelanjutan, hapus sumber daya yang Anda buat sebagai bagian dari solusi ini setelah selesai.
Kesimpulan
Dalam posting ini, Anda mempelajari cara mengonfigurasi sistem respons email otomatis menggunakan klasifikasi pelanggan Amazon Comprehend dan deteksi entitas serta layanan AWS lainnya. Solusi ini dapat memberikan manfaat sebagai berikut:
- Waktu respons email yang ditingkatkan
- Meningkatkan kepuasan pelanggan
- Penghematan biaya terkait waktu dan sumber daya
- Kemampuan untuk fokus pada masalah pelanggan utama
Anda juga dapat memperluas solusi ini ke area lain dalam bisnis Anda dan industri lain.
Dengan arsitektur saat ini, email yang diklasifikasikan dengan skor kepercayaan rendah dialihkan ke loop manusia untuk verifikasi dan respons manual. Anda dapat menggunakan masukan dari proses peninjauan manual untuk lebih meningkatkan model Amazon Comprehend dan meningkatkan tingkat klasifikasi otomatis. Amazon Augmented AI (Amazon A2I) menyediakan alur kerja tinjauan manusia bawaan untuk kasus penggunaan ML umum, seperti pengenalan entitas berbasis NLP dalam dokumen. Ini memungkinkan Anda meninjau prediksi dari Amazon Comprehend dengan mudah.
Saat kami mendapatkan lebih banyak data untuk setiap maksud, kami akan melatih ulang dan menerapkan model klasifikasi khusus dan memperbarui alur respons email yang sesuai di GitHub repo.
tentang Penulis
Godwin Sahayaraj Vincent adalah Arsitek Solusi Perusahaan di AWS yang bersemangat tentang Pembelajaran Mesin dan memberikan panduan kepada pelanggan untuk merancang, menerapkan, dan mengelola beban kerja dan arsitektur AWS mereka. Di waktu senggangnya, ia suka bermain kriket bersama teman-temannya dan tenis bersama ketiga anaknya.
Shamika Ariyawansa adalah Arsitek Solusi Spesialis AI/ML di tim Kesehatan Global dan Ilmu Hayati di Amazon Web Services. Dia bekerja dengan pelanggan untuk memajukan perjalanan ML mereka dengan kombinasi penawaran AWS ML dan pengetahuan domain ML-nya. Dia berbasis di Denver, Colorado. Di waktu luangnya, ia menikmati petualangan off-road di pegunungan Colorado dan berkompetisi dalam kompetisi pembelajaran mesin.
- Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
- CryptoHawk. Radar Altcoin. Uji Coba Gratis.
- Sumber: https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- Tentang Kami
- Akun
- AI
- Amazon
- Amazon Web Services
- api
- arsitektur
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- Aktiva
- ditambah
- Otomatis
- tersedia
- AWS
- Manfaat
- batas
- membangun
- built-in
- bisnis
- panggilan
- yang
- kasus
- Menyebabkan
- tantangan
- saluran
- klasifikasi
- awan
- kode
- Colorado
- kombinasi
- Umum
- kepercayaan
- Konten
- Biaya
- Covid-19
- Pandemi COVID-19
- jangkrik
- terbaru
- pengalaman pelanggan
- Customer Support
- pelanggan
- data
- Basis Data
- Denver
- menyebarkan
- penggelaran
- penyebaran
- Mendesain
- Deteksi
- Pengembangan
- berbeda
- Diskon
- dokumen
- Tidak
- domain
- mudah
- Titik akhir
- Enterprise
- contoh
- Lihat lebih lanjut
- pengalaman
- keahlian
- Pertama
- aliran
- Fokus
- berikut
- penuh
- fungsi
- Aksi
- kesehatan
- membantu
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- mengenali
- Dampak
- melaksanakan
- memperbaiki
- memasukkan
- Meningkatkan
- industri
- informasi
- Intelijen
- maksud
- kunci
- anak
- pengetahuan
- Bahasa
- belajar
- pengetahuan
- Tingkat
- Biologi
- terkunci
- Panjang
- mesin
- Mesin belajar
- pengelolaan
- panduan
- Cocok
- ML
- model
- uang
- buku catatan
- pemberitahuan
- Penawaran
- Operasi
- organisasi
- organisasi
- Lainnya
- pandemi
- Kata Sandi
- pribadi
- Bermain
- miskin
- Prediksi
- proses
- proses
- memberikan
- menyediakan
- sumber
- Sumber
- tanggapan
- Pengembalian
- pendapatan
- ulasan
- berjalan
- ILMU PENGETAHUAN
- Layanan
- penutupan
- Sederhana
- So
- Solusi
- menghabiskan
- Status
- berlangganan
- mendukung
- sistem
- tim
- Teknologi
- uji
- waktu
- membuang-buang waktu
- Pelatihan
- Memperbarui
- menggunakan
- nilai
- Verifikasi
- jaringan
- layanan web
- SIAPA
- Tenaga kerja
- bekerja