によると、 PWCレポート、小売顧客の 32% が 73 つの否定的な経験の後に解約し、顧客の XNUMX% が顧客の経験が購入の決定に影響を与えると述べています。 グローバルな小売業界では、販売前および販売後のサポートはどちらも顧客ケアの重要な側面です。 電子メール、ライブ チャット、ボット、電話など、さまざまな方法で顧客サポートを提供しています。 近年、会話型 AI が向上して以来、多くの企業が AI を活用したチャットボットや AI を活用したエージェント サポートなどの最先端のテクノロジを採用して、生産性を高め、コストを削減しながら顧客サービスを向上させています。
Amazon Comprehend ドキュメントまたはテキストの内容に関する洞察を抽出できる、完全に管理され、継続的にトレーニングされた自然言語処理 (NLP) サービスです。 この投稿では、AWS のお客様である Pro360 がどのように Amazon Comprehend カスタム分類 APIを使用すると、機械学習 (ML) を学習する必要なく、ビジネス固有のラベルを使用してカスタム テキスト分類モデルを簡単に構築できるため、カスタマー エクスペリエンスが向上し、運用コストが削減されます。
Pro360: チャットボットで顧客の反対意見を正確に検出
Pro360 は、業界固有の才能を持つスペシャリストを潜在的なクライアントと結びつけ、新しい機会を見つけて専門的なネットワークを拡大できるようにすることを目的とした市場です。 これにより、顧客は専門家と直接通信し、個々の要件に基づいてサービスのカスタマイズされた価格を交渉できます。 Pro360 は、スペシャリストとクライアントの間でマッチングが成功した場合にクライアントに請求します。
Pro360 は、消費者の苦情やブランドに対する信頼の低下につながる信頼性の低い料金に関連する問題に対処する必要がありました。 問題は、複数の目的に満ちた複雑な会話、丁重な否定、間接的なコミュニケーションの中で、顧客の目的を理解するのが難しいことでした。 このような会話は、誤った請求につながり、顧客満足度を低下させていました。 一例として、顧客は会話を開始してすぐに停止するか、「忙しい」または「噛ませてください」と丁寧に断って会話を終了することがあります。 また、文化の違いにより、特に「いいえ」と言いたい場合に、意図を明確に表現することに慣れていないお客様もいます。 これにより、さらに挑戦的になりました。
この問題を解決するために、Pro360 は当初、「もっと情報が欲しい」または「いいえ、他のオプションがあります」などのオプションと選択肢を顧客に追加しました。 顧客は、独自の質問やクエリを入力する代わりに、提供されたオプションを選択するだけです。 それにもかかわらず、顧客はシステムと対話する際に率直に自分の自然な言語で話すことを好んだため、問題は解決されませんでした。 Pro360 は、問題がルールベースのシステムの結果であり、NLP ベースのソリューションに移行することで顧客の意図をよりよく理解し、顧客満足度の向上につながることを特定しました。
カスタム分類は、Amazon Comprehend の機能です。 小さなデータセットを使用して独自の分類器を開発する. Pro360 はこの機能を利用して、99.2 のデータ ポイントでトレーニングし、800 のデータ ポイントでテストすることにより、300% の精度でモデルを構築しました。 彼らは 82 段階のアプローチに従ってモデルを構築および反復し、99.3% から 360% までの望ましいレベルの精度を達成しました。 まず、ProXNUMX は、分類に使用する XNUMX つのクラス、reject と non-reject を定義しました。 次に、関係のない絵文字や記号を削除しました。 ~
および ...
モデルの精度を向上させるために、否定的な絵文字を特定しました。 最後に、モデルをさらに反復するために、雑談、あいまいな応答、理由のある拒否など、誤認率を改善する XNUMX つの追加のコンテンツ分類を定義しました。
この投稿では、Pro360 が Amazon Comprehend を利用して議論中に消費者の異議を追跡し、ヒューマンインザループ (HITL) メカニズムを使用して顧客のフィードバックをモデルの改善と精度に組み込み、使いやすさと効率性を実証した方法を紹介します。 Amazon Comprehend の。
「当初、AI の導入にはコストがかかると考えていました。 しかし、Amazon Comprehend の発見により、わずか 1.5 か月で NLP モデルを概念から実装まで効率的かつ経済的に導入できるようになりました。 AWS アカウント チーム、ソリューション アーキテクチャ チーム、SSO およびサービス チームの ML 専門家によるサポートに感謝しています。」
– Pro360 の創設者兼 CEO である LC Lee 氏。
ソリューションの概要
次の図は、リアルタイムの推論、フィードバック ワークフロー、人間によるレビュー ワークフローをカバーするソリューション アーキテクチャと、これらのコンポーネントが Amazon Comprehend トレーニング ワークフローにどのように貢献するかを示しています。
以下のセクションでは、ワークフローの各ステップについて説明します。
リアルタイムのテキスト分類
使用するには Amazon Comprehend によるリアルタイムのカスタム分類、エントリ ポイントとして API をデプロイし、Amazon Comprehend モデルを呼び出してリアルタイムのテキスト分類を行う必要があります。 手順は次のとおりです。
- クライアント側の呼び出し アマゾンAPIゲートウェイ 入力としてクライアント メッセージを提供するためのエントリ ポイントとして。
- API Gateway はリクエストを AWSラムダ から API を呼び出します。 Amazon DynamoDB ステップ 3 と 4 で Amazon Comprehend を使用します。
- Lambda は、DynamoDB にデータを保存する Amazon Comprehend エンドポイントの現在のバージョンを確認し、 AmazonComprehendエンドポイント リアルタイムの推論を取得します。
- 組み込みのルールを使用する Lambda は、スコアをチェックして、しきい値を下回っているかどうかを判断します。 次に、そのデータを DynamoDB に保存し、人間の承認を待って評価結果を確認します。
フィードバックのワークフロー
エンドポイントが分類結果をクライアント側に返すと、アプリケーションはエンドユーザーにフィードバックを取得するためのヒントを表示し、次のラウンド (トレーニング ワークフロー) のためにデータをデータベースに保存します。 フィードバック ワークフローの手順は次のとおりです。
- クライアント側は、API Gateway を呼び出してユーザー フィードバックを送信します。
- API Gateway は Lambda へのリクエストをバイパスします。 Lambda は形式をチェックし、DynamoDB に保存します。
- Lambda からのユーザー フィードバックは DynamoDB に保存され、次のトレーニング プロセスに使用されます。
人間によるレビューのワークフロー
人間によるレビュー プロセスは、信頼スコアがしきい値を下回るデータを明確にするのに役立ちます。 このデータは、Amazon Comprehend モデルの改善に役立ち、再トレーニングの次の反復に追加されます。 使用した 弾性負荷分散 Pro360 システムが構築されているため、このプロセスを実行するためのエントリ ポイントとして Amazon エラスティック コンピューティング クラウド (アマゾン EC2)。 このワークフローの手順は次のとおりです。
- Elastic Load Balancer の既存の API をエントリ ポイントとして使用します。
- コンピューティング リソースとして Amazon EC2 を使用して、レビュー担当者が入力データに信頼スコアの低いタグを付けるためのフロントエンド ダッシュボードを構築します。
- レビュアーが入力データから異論を特定した後、結果を DynamoDB テーブルに保存します。
Amazon Comprehend トレーニングワークフロー
Amazon Comprehend モデルのトレーニングを開始するには、トレーニング データを準備する必要があります。 次の手順は、モデルをトレーニングする方法を示しています。
- を使用しております AWSグルー 抽出、変換、ロード (ETL) ジョブを実行し、XNUMX つの異なる DynamoDB テーブルからデータをマージして、 Amazon シンプル ストレージ サービス (Amazon S3)。
- Amazon S3 トレーニング データの準備ができたら、トリガーできます AWSステップ関数 トレーニング ジョブを実行するためのオーケストレーション ツールとして、S3 パスを Step Functions ステート マシンに渡します。
- Lambda 関数を呼び出してトレーニング データ パスが存在することを検証し、Amazon Comprehend トレーニング ジョブをトリガーします。
- トレーニング ジョブの開始後、別の Lambda 関数を使用してトレーニング ジョブのステータスを確認します。 トレーニング ジョブが完了すると、モデル メトリクスを取得し、さらに評価するために DynamoDB に保存します。
- Lambda モデル選択関数で現在のモデルのパフォーマンスを確認します。 現在のバージョンのパフォーマンスが元のバージョンよりも優れている場合、それを Amazon Comprehend エンドポイントにデプロイします。
- 次に、別の Lambda 関数を呼び出して、エンドポイントのステータスを確認します。 この関数は、エンドポイントの準備が整うと、リアルタイムのテキスト分類のために DynamoDB の情報を更新します。
まとめと次のステップ
この投稿では、Amazon Comprehend を使用して Pro360 を使用して、機械学習の専門家がなくても AI を活用したアプリケーションを構築できることを示しました。これにより、顧客の反対意見検出の精度を高めることができます。 Pro360 は、わずか 1.5 か月でカスタム目的の NLP モデルを構築することができ、現在では顧客の丁寧な拒否の 90% を識別し、99.2% の全体的な精度で顧客の意図を検出することができます。 このソリューションは、カスタマー エクスペリエンスを向上させ、顧客維持率を 28.5% 増加させるだけでなく、財務上の成果を改善し、運用コストを 8% 削減し、カスタマー サービス エージェントの作業負荷を軽減します。
ただし、顧客の反対意見を特定することは、顧客体験を改善するための最初のステップにすぎません。 カスタマー エクスペリエンスを反復し、収益の成長を加速することで、次のステップは、関心の欠如、タイミングの問題、または他者からの影響など、顧客の異議の理由を特定し、適切な対応を生成して販売コンバージョンを増加させることです。レート。
Amazon Comprehend を使用してカスタム テキスト分類モデルを構築するには、 AWSマネジメントコンソール. Amazon Comprehend の使用方法の詳細については、こちらをご覧ください Amazon Comprehend 開発者リソース.
著者について
レイ・ワン AWS のソリューション アーキテクトです。 IT 業界で 8 年の経験を持つ Ray は、特に NoSQL、ビッグデータ、機械学習において、クラウド上で最新のソリューションを構築することに専念しています。 貪欲なやり手として、彼は 12 の AWS 証明書すべてに合格し、技術分野を深くするだけでなく広くしました。 彼は余暇に SF 映画を読んだり見たりするのが大好きです。
ジョシー・チェン AWS での HKT AI/ML Go-To-Market です。 彼女は現在、データと ML を介して小売業と CPG のビジネスを変革し、企業の驚異的な成長を促進することに重点を置いています。 AWS に入社する前は、Amazon Retail やその他の中国および米国のインターネット企業でグロース プロダクト マネージャーとして働いていました。
シャナ・チャン AWS のソリューション アーキテクトです。 彼女は、最新のアーキテクチャとクラウドネイティブの監視ソリューションにおける可観測性に焦点を当てています。 AWS に入社する前は、ソフトウェア エンジニアでした。 余暇には、ハイキングや映画鑑賞を楽しんでいます。
ウリック・タルクダー Amazon Comprehend Service チームのシニア アーキテクトです。 彼は AWS のお客様と協力して、大規模な機械学習の導入を支援しています。 仕事以外では、読書と写真を楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 未来を鋳造する w エイドリエン・アシュリー。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :持っている
- :は
- :not
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- できる
- 私たちについて
- 加速する
- アクセス
- 精度
- 正確にデジタル化
- 達成する
- 追加されました
- NEW
- 採用
- 採択
- 後
- エージェント
- エージェント
- AI
- AI電源
- AI / ML
- 目指して
- すべて
- 許可
- ことができます
- また
- Amazon
- Amazon Comprehend
- Amazon EC2
- an
- および
- 別の
- API
- 申し込み
- アプローチ
- 適切な
- 承認
- 建築
- です
- AS
- 側面
- 援助
- At
- AWS
- AWS のお客様
- スイング
- ベース
- BE
- なぜなら
- 信じて
- 以下
- より良いです
- の間に
- ビッグ
- ビッグデータ
- 両言語で
- ボット
- ブランド
- 持って来る
- ビルド
- 建物
- 内蔵
- 内蔵
- ビジネス
- ビジネス変革
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- コール
- 呼び出し
- コール
- 缶
- これ
- 最高経営責任者(CEO)
- 証明書
- 挑戦
- 課金
- チャットボット
- チェック
- 小切手
- 中国
- 選択肢
- クラス
- 分類
- はっきりと
- クライアント
- クライアント
- クラウド
- COM
- 伝える
- コミュニケーション
- 企業
- 不満
- コンプリート
- コンポーネント
- 理解する
- 計算
- コンセプト
- プロフェッショナルな方法で
- 信頼
- 確認します
- お問合せ
- consumer
- コンテンツ
- 連続
- 連続的に
- 貢献する
- 会話
- 会話
- 会話型AI
- 会話
- 変換
- 費用
- コスト
- カバーする
- CPG
- 文化的な
- 電流プローブ
- カスタム
- 顧客
- 顧客満足体験
- 顧客満足
- 顧客サービス
- Customers
- カスタマイズ
- 最先端
- ダッシュボード
- データ
- データポイント
- データベース
- 取引
- 決定
- 減少
- 専用の
- 深いです
- 定義済みの
- デモ
- 展開します
- 希望
- 検出
- 決定する
- Developer
- の違い
- 異なります
- 難しい
- 直接に
- 発見
- 議論
- ドキュメント
- ダウン
- 間に
- 各
- 使いやすさ
- 簡単に
- 効率
- 効率良く
- 可能
- エンドポイント
- エンジニア
- 強化
- Enterprise
- エントリ
- 特に
- 評価
- さらに
- 例
- 既存の
- 存在
- 詳細
- 体験
- エキスパート
- 専門知識
- 専門家
- 探る
- エキス
- 特徴
- フィードバック
- フィールド
- 埋め
- ファイナンシャル
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フォーカス
- 焦点を当てて
- 続いて
- フォロー中
- 次
- 形式でアーカイブしたプロジェクトを保存します.
- AIとMoku
- 創設者兼最高経営責任者(CEO)
- から
- ガソリンタンク
- 完全に
- function
- 機能
- さらに
- ゲートウェイ
- 生成する
- 取得する
- グローバル
- 市場に行きます
- 感謝する
- 成長性
- 持ってる
- he
- 助けます
- ことができます
- 認定条件
- How To
- しかしながら
- HTML
- HTTP
- HTTPS
- 人間
- 飢えました
- i
- 特定され
- 識別する
- 識別する
- 識別
- 説明する
- 直ちに
- 実装
- 実装
- 重要
- 改善します
- 改善されました
- 改善
- 改善
- in
- 含めて
- 組み込む
- 増える
- の増加
- 個人
- 産業を変えます
- 業界固有
- 影響
- 情報
- 当初
- 洞察力
- を取得する必要がある者
- 意図
- 意図
- 相互作用
- 関心
- インターネット
- に
- 問題
- IT
- IT産業
- 繰り返し
- ジョブ
- Jobs > Create New Job
- 参加
- JPG
- ただ
- ラベル
- 欠如
- 言語
- 大
- つながる
- 主要な
- LEARN
- 学習
- ツェッペリン
- リー
- レベル
- ような
- ライブ
- 負荷
- 導入トータルコストの
- 機械
- 機械学習
- 製
- make
- マネージド
- 管理
- マネージャー
- 多くの
- 市場
- 五月..
- メカニズム
- マージ
- メッセージ
- メソッド
- メトリック
- かもしれない
- ML
- モデル
- モダン
- モニタリング
- ヶ月
- 他には?
- 動画
- 移動する
- の試合に
- ナチュラル
- 自然言語処理
- 必要
- 負
- ネットワーク
- 新作
- 次の
- NLP
- 今
- 多数の
- 客観
- of
- on
- ONE
- の
- 操作
- オペレーショナル
- 機会
- オプション
- or
- 編成
- オリジナル
- その他
- その他
- 外側
- 全体
- 自分の
- 特に
- パス
- 渡された
- パス
- path
- パフォーマンス
- 電話
- 電話
- 写真撮影
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポイント
- ポイント
- ポスト
- 潜在的な
- 潜在的なクライアント
- 優先
- 準備
- ブランド
- 問題
- プロセス
- 処理
- プロダクト
- プロダクトマネージャー
- 生産性
- プロ
- 提供します
- 提供
- 購入
- PWC
- 質問
- レート
- RAY
- 読む
- リーディング
- 準備
- リアル
- への
- 理由
- 理由は
- 最近
- 減らします
- 電話代などの費用を削減
- 縮小
- 関連する
- 削除済み
- 要求
- 要件
- リソースを追加する。
- 応答
- 結果
- 小売
- 小売業
- 保持
- 収益
- 収入
- 収入の伸び
- レビュー
- 円形
- ルール
- ラン
- セールス
- 満足
- 規模
- サイエンスフィクション
- スコア
- セクション
- 選択
- シニア
- サービス
- サービス
- シェアする
- 表示する
- 側
- 簡単な拡張で
- 単に
- から
- 小さい
- ソフトウェア
- ソフトウェアエンジニア
- 溶液
- ソリューション
- 解決する
- 一部
- 話す
- 専門家
- start
- 開始
- 都道府県
- Status:
- 手順
- ステップ
- まだ
- Force Stop
- ストレージ利用料
- 店舗
- 保存され
- 店舗
- 成功した
- そのような
- サポート
- システム
- テーブル
- TAG
- 才能
- Talk
- チーム
- 技術的
- テクノロジー
- テスト
- テキスト分類
- より
- それ
- アプリ環境に合わせて
- それら
- 彼ら
- この
- それらの
- 三
- 3段階
- しきい値
- 介して
- 時間
- タイミング
- 〜へ
- ツール
- 追跡する
- トレーニング
- 訓練された
- トレーニング
- 最適化の適用
- 変換
- すばらしい
- トリガー
- 信頼
- 下
- わかる
- 理解する
- 更新版
- us
- つかいます
- 中古
- ユーザー
- 利用された
- 検証
- 貴重な
- バージョン
- wanted
- ました
- よく見る
- 見ている
- we
- した
- かどうか
- which
- while
- ワイド
- 意志
- 無し
- 仕事
- 働いていました
- 作品
- でしょう
- 年
- You
- あなたの
- ゼファーネット