I dette innlegget viser vi hvordan du lager en automatisert e-postsvarløsning ved å bruke Amazon Comprehend.
Organisasjoner bruker mye ressurser, krefter og penger på å drive kundebehandling for å svare på spørsmål fra kundene og tilby løsninger. Kundene dine kan stille spørsmål via ulike kanaler, for eksempel e-post, chat eller telefon, og det kan være ressurskrevende, tidkrevende og til og med uproduktivt å utplassere en arbeidsstyrke for å svare på disse spørsmålene hvis svarene på disse spørsmålene gjentar seg.
Under COVID-19-pandemien kunne mange organisasjoner ikke støtte kundene sine tilstrekkelig på grunn av nedleggelsen av kundeservice og agentfasiliteter, og kundehenvendelser hopet seg opp. Noen organisasjoner slet med å svare på forespørsler raskt, noe som kan føre til en dårlig kundeopplevelse. Dette kan igjen føre til misnøye hos kunder, og kan påvirke en organisasjons omdømme og inntekter på lang sikt.
Selv om organisasjonen din kan ha dataressursene for kundespørsmål og -svar, kan du fortsatt slite med å implementere en automatisert prosess for å svare kundene dine. Utfordringer kan omfatte ustrukturerte data, forskjellige språk og mangel på ekspertise innen kunstig intelligens (AI) og maskinlæring (ML) teknologier.
Du kan overvinne slike utfordringer ved å bruke Amazon Comprehend til å automatisere e-postsvar på kundeforespørsler. Med vår løsning kan du identifisere hensikten med kunde-e-poster som sender et automatisk svar hvis intensjonen samsvarer med din eksisterende kunnskapsbase. Hvis intensjonen ikke stemmer, går e-posten til supportteamet for et manuelt svar. Følgende er noen vanlige kundehensikter når du kontakter kundeservice:
- Transaksjonsstatus (for eksempel status for en pengeoverføring)
- Tilbakestilling av passord
- Kampanjekode eller rabatt
- Åpningstider
- Finn et agentsted
- Rapporter svindel
- Lås opp kontoen
- Stenge konto
Amazon Comprehend kan hjelpe deg med å utføre klassifisering og enhetsdeteksjon på e-poster for noen av hensiktene ovenfor. For denne løsningen viser vi hvordan du klassifiserer kunde-e-poster for de tre første hensiktene. Du kan også bruke Amazon Comprehend til å oppdage nøkkelinformasjon fra e-poster, slik at du kan automatisere forretningsprosessene dine. For eksempel kan du bruke Amazon Comprehend til å automatisere svaret på en kundeforespørsel med spesifikk informasjon knyttet til den spørringen.
Løsningsoversikt
For å bygge vår kundesvarflyt for e-post, bruker vi følgende tjenester:
- Amazon Comprehend
- AWS Lambda
- Enkel e -posttjeneste fra Amazon (Amazon SES)
- Amazon enkel varslingstjeneste (Amazon SNS)
- Amazon WorkMail
Følgende arkitekturdiagram fremhever ende-til-ende-løsningen:
Løsningsarbeidsflyten inkluderer følgende trinn:
- En kunde sender en e-post til kundestøtte-e-posten opprettet i WorkMail.
- WorkMail påkaller en Lambda-funksjon ved mottak av e-posten.
- Funksjonen sender e-postinnholdet til et tilpasset klassifiseringsmodellendepunkt.
- Det tilpassede klassifiseringsendepunktet returnerer med en klassifisert verdi og et konfidensnivå (over 80 %, men du kan konfigurere dette etter behov).
- Hvis klassifiseringsverdien er
MONEYTRANSFER
, kaller Lambda-funksjonen enhetsdeteksjonsendepunktet for å finne pengeoverførings-IDen. - Hvis pengeoverførings-IDen returneres, returnerer funksjonen pengeoverføringsstatusen tilfeldig (i virkelige scenarier kan du ringe databasen via API for å hente den faktiske overføringsstatusen).
- Basert på den klassifiserte verdien som returneres, velges en forhåndsdefinert e-postmal i Amazon SES, og en svar-e-post sendes til kunden.
- Hvis konfidensnivået er mindre enn 80 %, en klassifisert verdi ikke returneres, eller enhetsdeteksjonen ikke finner pengeoverførings-IDen, blir kundens e-post sendt til et SNS-emne. Du kan abonnere på Amazon SNS for å sende meldingen til billettsystemet ditt.
Forutsetninger
Referere til README.md fil i GitHub repo for å sikre at du oppfyller forutsetningene for å distribuere denne løsningen.
Distribuere løsningen
Løsningsdistribusjon består av følgende trinn på høyt nivå:
- Fullfør manuelle konfigurasjoner ved å bruke AWS-administrasjonskonsoll.
- Kjør skript i en Amazon SageMaker notatbokforekomst ved å bruke den medfølgende notatbokfilen.
- Distribuer løsningen ved å bruke AWS skyutviklingssett (AWS CDK).
For fullstendige instruksjoner, se README.md fil i GitHub repo.
Test løsningen
For å teste løsningen, send en e-post fra din personlige e-post til støtte-e-posten opprettet som en del av AWS CDK-distribusjonen (for dette innlegget bruker vi support@mydomain.com). Vi bruker følgende tre hensikter i prøvedataene våre for tilpasset klassifiseringstrening:
- PENGEOVERFØRING – Kunden ønsker å vite statusen til en pengeoverføring
- TILBAKESTILLING AV PASS – Kunden har en pålogging, låst konto eller passordforespørsel
- RABATTKODE – Kunden ønsker å vite om en rabatt- eller kampanjekode som er tilgjengelig for pengeoverføring
Følgende skjermbilde viser et eksempel på kunde-e-post:
Hvis kundens e-post ikke er klassifisert eller konfidensnivået er under 80 %, videresendes innholdet i e-posten til et SNS-emne. Den som abonnerer på emnet mottar e-postinnholdet som en melding. Vi abonnerte på dette SNS-emnet med e-posten vi sendte med human_workflow_email
parameter under distribusjonen.
Rydd opp
For å unngå å pådra deg løpende kostnader, slett ressursene du opprettet som en del av denne løsningen når du er ferdig.
konklusjonen
I dette innlegget lærte du hvordan du konfigurerer et automatisert e-postsvarsystem ved å bruke Amazon Comprehend-kundeklassifisering og enhetsdeteksjon og andre AWS-tjenester. Denne løsningen kan gi følgende fordeler:
- Forbedret responstid på e-post
- Forbedret kundetilfredshet
- Kostnadsbesparelser når det gjelder tid og ressurser
- Evne til å fokusere på sentrale kundespørsmål
Du kan også utvide denne løsningen til andre områder i virksomheten din og til andre bransjer.
Med dagens arkitektur blir e-postene som er klassifisert med lav konfidensscore rutet til en menneskelig sløyfe for manuell verifisering og svar. Du kan bruke inndataene fra den manuelle gjennomgangsprosessen til å forbedre Amazon Comprehend-modellen ytterligere og øke den automatiserte klassifiseringsfrekvensen. Amazon Augmented AI (Amazon A2I) gir innebygde arbeidsflyter for menneskelig gjennomgang for vanlige ML-brukstilfeller, for eksempel NLP-basert enhetsgjenkjenning i dokumenter. Dette lar deg enkelt se gjennom spådommer fra Amazon Comprehend.
Etter hvert som vi får mer data for hver hensikt, vil vi omskolere og distribuere den tilpassede klassifiseringsmodellen og oppdatere e-postsvarflyten tilsvarende i GitHub repo.
om forfatteren
Godwin Sahayaraj Vincent er en Enterprise Solutions Architect hos AWS som brenner for maskinlæring og gir veiledning til kunder for å designe, distribuere og administrere deres AWS-arbeidsmengder og -arkitekturer. På fritiden elsker han å spille cricket med vennene sine og tennis med de tre barna sine.
Shamika Ariyawansa er en AI/ML-spesialistløsningsarkitekt i Global Healthcare and Life Sciences-teamet hos Amazon Web Services. Han jobber med kunder for å fremme deres ML-reise med en kombinasjon av AWS ML-tilbud og ML-domenekunnskapen hans. Han er basert fra Denver, Colorado. På fritiden liker han å kjøre offroad-eventyr i Colorado-fjellene og konkurrere i maskinlæringskonkurranser.
- Myntsmart. Europas beste Bitcoin og Crypto Exchange.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
- CryptoHawk. Altcoin Radar. Gratis prøveperiode.
- Kilde: https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- Om oss
- Logg inn
- AI
- Amazon
- Amazon Web Services
- api
- arkitektur
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- Eiendeler
- augmented
- Automatisert
- tilgjengelig
- AWS
- Fordeler
- grensen
- bygge
- innebygd
- virksomhet
- ring
- hvilken
- saker
- Årsak
- utfordringer
- kanaler
- klassifisering
- Cloud
- kode
- Colorado
- kombinasjon
- Felles
- selvtillit
- innhold
- Kostnader
- Covid-19
- COVID-19-pandemi
- cricket
- Gjeldende
- kundeopplevelse
- Kundeservice
- Kunder
- dato
- Database
- Denver
- utplassere
- utplasserings
- distribusjon
- utforming
- Gjenkjenning
- Utvikling
- forskjellig
- Rabatt
- dokumenter
- ikke
- domene
- lett
- emalje
- Endpoint
- Enterprise
- eksempel
- Expand
- erfaring
- ekspertise
- Først
- flyten
- Fokus
- etter
- fullt
- funksjon
- Global
- helsetjenester
- hjelpe
- Hvordan
- Hvordan
- HTTPS
- identifisere
- Påvirkning
- iverksette
- forbedre
- inkludere
- Øke
- bransjer
- informasjon
- Intelligens
- hensikt
- nøkkel
- kids
- kunnskap
- språk
- lært
- læring
- Nivå
- Life Sciences
- låst
- Lang
- maskin
- maskinlæring
- ledelse
- håndbok
- Match
- ML
- modell
- penger
- bærbare
- varsling
- tilbud
- Drift
- organisasjon
- organisasjoner
- Annen
- pandemi
- Passord
- personlig
- Spille
- dårlig
- Spådommer
- prosess
- Prosesser
- gi
- gir
- ressurs
- Ressurser
- svar
- avkastning
- inntekter
- anmeldelse
- rennende
- VITENSKAPER
- Tjenester
- nedleggelse
- Enkelt
- So
- Solutions
- bruke
- status
- abonnere
- støtte
- system
- lag
- Technologies
- test
- tid
- tidkrevende
- Kurs
- Oppdater
- bruke
- verdi
- Verifisering
- web
- webtjenester
- HVEM
- arbeidsstyrke
- virker