Kontaktsenteret ditt fungerer som den viktige koblingen mellom virksomheten din og kundene dine. Hver oppringning til kontaktsenteret ditt er en mulighet til å lære mer om kundenes behov og hvor godt du oppfyller disse behovene.
De fleste kontaktsentre krever at agentene deres oppsummerer samtalen etter hver samtale. Samtaleoppsummering er et verdifullt verktøy som hjelper kontaktsentre med å forstå og få innsikt fra kundeanrop. I tillegg forbedrer nøyaktige samtalesammendrag kundereisen ved å eliminere behovet for kunder å gjenta informasjon når de overføres til en annen agent.
I dette innlegget forklarer vi hvordan du bruker kraften til generativ AI for å redusere innsatsen og forbedre nøyaktigheten ved å lage samtalesammendrag og samtaledisposisjoner. Vi viser også hvordan du raskt kommer i gang med den nyeste versjonen av vår åpen kildekode-løsning, Live Call Analytics med Agent Assist.
Utfordringer med samtalesammendrag
Etter hvert som kontaktsentre samler inn mer taledata, har behovet for effektiv samtaleoppsummering vokst betydelig. Imidlertid er de fleste sammendrag tomme eller unøyaktige fordi det er tidkrevende å lage dem manuelt, og det påvirker agenters nøkkelberegninger som gjennomsnittlig behandlingstid (AHT). Agenter rapporterer at oppsummering kan ta opptil en tredjedel av den totale samtalen, så de hopper over den eller fyller ut ufullstendig informasjon. Dette skader kundeopplevelsen - lenge frustrerer kunder mens agenten skriver, og ufullstendige oppsummeringer betyr å be kundene om å gjenta informasjon når de overføres mellom agenter.
Den gode nyheten er at automatisering og løsning av oppsummeringsutfordringen nå er mulig gjennom generativ AI.
Generativ AI hjelper til med å oppsummere kundeanrop nøyaktig og effektivt
Generativ AI drives av svært store maskinlæringsmodeller (ML) referert til som grunnmodeller (FM-er) som er forhåndstrent på enorme mengder data i stor skala. En undergruppe av disse FM-ene fokusert på naturlig språkforståelse kalles store språkmodeller (LLMs) og er i stand til å generere menneskelignende, kontekstuelt relevante sammendrag. De beste LLM-ene kan enkelt behandle selv komplekse, ikke-lineære setningsstrukturer og bestemme ulike aspekter, inkludert emne, hensikt, neste trinn, utfall og mer. Ved å bruke LLM-er for å automatisere samtaleoppsummering kan kundesamtaler oppsummeres nøyaktig og på en brøkdel av tiden som trengs for manuell oppsummering. Dette igjen gjør det mulig for kontaktsentre å levere overlegen kundeopplevelse samtidig som de reduserer dokumentasjonsbyrden på agentene deres.
Følgende skjermbilde viser et eksempel på anropsdetaljer-siden for Live Call Analytics med Agent Assist, som inneholder informasjon om hver samtale.
Følgende video viser et eksempel på Live Call Analytics med Agent Assist som oppsummerer en pågående samtale, oppsummerer etter at samtalen avsluttes og genererer en oppfølgings-e-post.
Løsningsoversikt
Følgende diagram illustrerer arbeidsflyten.
Det første trinnet for å generere abstrakte samtalesammendrag er å transkribere kundeanropet. Å ha nøyaktige, klare til bruk transkripsjoner er avgjørende for å generere nøyaktige og effektive samtalesammendrag. Amazon Transcribe kan hjelpe deg med å lage transkripsjoner med høy nøyaktighet for samtalene til kontaktsenteret. Amazon Transcribe er en funksjonsrik tale-til-tekst API med toppmoderne talegjenkjenningsmodeller som er fullt administrert og kontinuerlig opplært. Kunder som f.eks New York Times, Slack, Zillow, Wixog tusenvis av andre bruke Amazon Transcribe for å generere svært nøyaktige transkripsjoner for å forbedre forretningsresultatene deres. En viktig differensieringsfaktor for Amazon Transcribe er dens evne til å beskytte kundedata ved å redigere sensitiv informasjon fra lyd og tekst. Selv om beskyttelse av kundenes personvern og sikkerhet er viktig generelt for kontaktsentre, er det enda viktigere å maskere sensitiv informasjon som bankkontoinformasjon og personnummer før du genererer automatiserte samtalesammendrag, slik at de ikke blir injisert i sammendragene.
For kunder som allerede bruker Amazon Connect, vårt omnikanals skykontaktsenter, Kontaktlinser for Amazon Connect gir transkripsjons- og analysefunksjoner i sanntid. Men hvis du ønsker å bruke generativ AI med ditt eksisterende kontaktsenter, har vi utviklet løsninger som gjør det meste av det tunge arbeidet knyttet til transkribering av samtaler i sanntid eller etter anrop fra ditt eksisterende kontaktsenter, og genererer automatiske samtalesammendrag ved hjelp av generativ AI. I tillegg lar løsningen beskrevet i denne delen deg integrere med ditt Customer Relationship Management (CRM)-system for automatisk å oppdatere din valgte CRM med genererte samtalesammendrag. I dette eksemplet bruker vi vår Live Call Analytics med Agent Assist (LCA)-løsning for å generere samtaletranskripsjoner og samtalesammendrag i sanntid med LLM-er som er vert på Amazonas grunnfjell. Du kan også skrive en AWS Lambda funksjon og gi LCA funksjonens Amazon Resource Name (ARN) i AWS skyformasjon parametere, og bruk LLM du ønsker.
Følgende forenklede LCA-arkitektur illustrerer samtaleoppsummering med Amazon Bedrock.
LCA leveres som en CloudFormation-mal som implementerer den foregående arkitekturen og lar deg transkribere samtaler i sanntid. Arbeidsflyttrinnene er som følger:
- Samtalelyd kan streames via SIPREC fra telefonisystemet ditt til Amazon Chime SDK Voice Connector, som buffer lyden inn Amazon Kinesis videostrømmer. LCA støtter også andre lydinntaksmekanismer, for eksempel Genesys Cloud Audiohook.
- Amazon Chime SDK Call Analytics streamer deretter lyden fra Kinesis Video Streams til Amazon Transcribe, og skriver JSON-utgangen til Amazon Kinesis datastrømmer.
- En Lambda-funksjon behandler transkripsjonssegmentene og vedvarer dem til en Amazon DynamoDB tabellen.
- Etter at samtalen avsluttes, publiserer Amazon Chime SDK Voice Connector en Amazon EventBridge varsel som utløser en Lambda-funksjon som leser det vedvarende transkripsjonen fra DynamoDB, genererer en LLM-ledetekst (mer om dette i følgende avsnitt) og kjører en LLM-slutning med Amazon Bedrock. Det genererte sammendraget blir overført til DynamoDB og kan brukes av agenten i LCA-brukergrensesnittet. Du kan eventuelt gi en Lambda-funksjon ARN som kjøres etter at sammendraget er generert for å integreres med tredjeparts CRM-systemer.
LCA gir også muligheten til å kalle oppsummeringslamda-funksjonen under samtalen, fordi transkripsjonen når som helst kan hentes og en ledetekst opprettes, selv om samtalen pågår. Dette kan være nyttig når en samtale blir overført til en annen agent eller eskalert til en overordnet. I stedet for å sette kunden på vent og forklare samtalen, kan den nye agenten raskt lese et automatisk generert sammendrag, og det kan inkludere hva det nåværende problemet er og hva den forrige agenten prøvde å gjøre for å løse det.
Eksempel på oppsummering av anrop
Du kan kjøre LLM-slutninger med rask utvikling for å generere og forbedre samtalesammendragene dine. Du kan endre ledetekstmalene for å se hva som fungerer best for LLM du velger. Følgende er et eksempel på standardforespørselen for å oppsummere en transkripsjon med LCA. Vi erstatter {transcript}
plassholder med selve transkripsjonen av samtalen.
LCA kjører ledeteksten og lagrer det genererte sammendraget. I tillegg til oppsummering, kan du styre LLM til å generere nesten hvilken som helst tekst som er viktig for agentens produktivitet. Du kan for eksempel velge fra et sett med emner som ble dekket under samtalen (agentdisposisjon), generere en liste over nødvendige oppfølgingsoppgaver, eller til og med skrive en e-post til den som ringer og takke dem for samtalen.
Følgende skjermbilde er et eksempel på generering av agentoppfølging av e-post i LCA-brukergrensesnittet.
Med en godt konstruert ledetekst har noen LLM-er muligheten til å generere all denne informasjonen i en enkelt slutning også, noe som reduserer slutningskostnader og behandlingstid. Agenten kan deretter bruke det genererte svaret innen noen få sekunder etter avsluttet samtale for etterkontaktarbeidet. Du kan også integrere den genererte responsen automatisk inn i CRM-systemet ditt.
Følgende skjermbilde viser et eksempelsammendrag i LCA-brukergrensesnittet.
Det er også mulig å generere et sammendrag mens samtalen fortsatt pågår (se følgende skjermbilde), noe som kan være spesielt nyttig for lange kundesamtaler.
Før generativ AI, vil agenter være pålagt å være oppmerksomme samtidig som de tar notater og utfører andre oppgaver etter behov. Ved å transkribere samtalen automatisk og bruke LLM-er til automatisk å lage sammendrag, kan vi redusere den mentale belastningen på agenten, slik at de kan fokusere på å levere en overlegen kundeopplevelse. Dette fører også til mer nøyaktig arbeid etter samtale, fordi transkripsjonen er en nøyaktig representasjon av hva som skjedde under samtalen – ikke bare hva agenten tok notater om eller husket.
Oppsummering
Eksempel LCA-applikasjonen leveres som åpen kildekode – bruk den som et utgangspunkt for din egen løsning, og hjelp oss med å gjøre den bedre ved å bidra med tilbakerettinger og funksjoner via GitHub pull-forespørsler. For informasjon om distribusjon av LCA, se Live anropsanalyse og agenthjelp for kontaktsenteret ditt med Amazon-språklige AI-tjenester. Bla til LCA GitHub-depot for å utforske koden, registrer deg for å bli varslet om nye utgivelser, og sjekk ut README for de siste dokumentasjonsoppdateringene. For kunder som allerede er på Amazon Connect, kan du lære mer om generativ AI med Amazon Connect ved å henvise til Hvordan kontaktsenterledere kan forberede seg på generativ AI.
Om forfatterne
Christopher Lott er en senior løsningsarkitekt i AWS AI Language Services-teamet. Han har 20 års erfaring med utvikling av programvare for bedrifter. Chris bor i Sacramento, California og liker hagearbeid, romfart og å reise verden rundt.
Smriti Ranjan er en hovedproduktsjef i AWS AI/ML-teamet med fokus på språk og søketjenester. Før hun begynte i AWS, jobbet hun hos Amazon Devices og andre teknologistartups som ledet produkt- og vekstfunksjoner. Smriti bor i Boston, MA og liker å gå på fotturer, delta på konserter og reise verden rundt.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/use-generative-ai-to-increase-agent-productivity-through-automated-call-summarization/
- : har
- :er
- $OPP
- 100
- 13
- 20
- 20 år
- 438
- 7
- a
- evne
- I stand
- Om oss
- Logg inn
- nøyaktighet
- nøyaktig
- nøyaktig
- faktiske
- I tillegg
- Aerospace
- Etter
- Agent
- agenter
- AI
- AI / ML
- Alle
- tillater
- nesten
- allerede
- også
- Selv
- Amazon
- Amazon Chime
- Amazon Transcribe
- Amazon Web Services
- beløp
- an
- analytics
- og
- En annen
- besvare
- noen
- api
- Søknad
- arkitektur
- ER
- AS
- spør
- aspekter
- bistå
- Assistent
- assosiert
- At
- delta
- oppmerksomhet
- lyd
- automatisere
- Automatisert
- automatisk
- Automatisere
- gjennomsnittlig
- AWS
- tilbake
- Bank
- bankkonto
- basert
- BE
- fordi
- før du
- under
- foruten
- BEST
- Bedre
- mellom
- boston
- byrde
- virksomhet
- by
- california
- ring
- som heter
- Caller
- Samtaler
- CAN
- kan ikke
- sentrum
- Sentre
- utfordre
- sjekk
- Chime
- valg
- Velg
- chris
- Christopher
- Cloud
- kode
- samle
- komplekse
- konserter
- Koble
- kontakt
- kontakt senter
- inneholder
- kontinuerlig
- medvirkende
- Samtale
- samtaler
- Kostnad
- dekket
- skape
- opprettet
- Opprette
- CRM
- avgjørende
- Gjeldende
- kunde
- kunde Data
- kundeopplevelse
- Kundereise
- Kunder
- dato
- Misligholde
- definert
- leverer
- levere
- utplasserings
- Distribueres
- detaljert
- detaljer
- Bestem
- utviklet
- Utvikling
- Enheter
- differensierer
- direkte
- do
- dokumentasjon
- ikke
- under
- hver enkelt
- lette
- Effektiv
- effektiv
- innsats
- eliminere
- emalje
- muliggjør
- slutt
- slutter
- Ingeniørarbeid
- forbedre
- Enterprise
- bedriftsprogramvare
- spesielt
- Selv
- Hver
- eksempel
- eksisterende
- erfaring
- Forklar
- forklare
- utforske
- Egenskaper
- Hentet
- Noen få
- fyll
- Først
- Fokus
- fokuserte
- fokusering
- etter
- følger
- Til
- Fundament
- brøkdel
- fra
- fullt
- funksjon
- funksjoner
- Gevinst
- Kjønn
- general
- generere
- generert
- genererer
- genererer
- generasjonen
- generative
- Generativ AI
- få
- GitHub
- god
- voksen
- Vekst
- håndtere
- Ha
- å ha
- he
- tung
- tung løfting
- hjelpe
- nyttig
- hjelpe
- hjelper
- Høy
- svært
- hold
- holder
- vert
- Hvordan
- Hvordan
- Men
- http
- HTTPS
- gjør vondt
- if
- illustrerer
- slag
- viktig
- forbedre
- in
- unøyaktig
- inkludere
- Inkludert
- Øke
- informasjon
- innsikt
- integrere
- hensikt
- Interface
- inn
- utstedelse
- IT
- DET ER
- sammenføyning
- reise
- JSON
- bare
- nøkkel
- Språk
- stor
- siste
- ledere
- ledende
- Fører
- LÆRE
- læring
- løfte
- i likhet med
- LINK
- Liste
- leve
- Bor
- LLM
- Lang
- lavere
- maskin
- maskinlæring
- gjøre
- fikk til
- ledelse
- leder
- håndbok
- manuelt
- maske
- bety
- mekanismer
- møte
- mental
- Metrics
- ML
- modeller
- modifisere
- mer
- mest
- navn
- Naturlig
- Trenger
- nødvendig
- behov
- Nøytral
- Ny
- nyheter
- neste
- Merknader
- varsling
- nå
- tall
- forekom
- of
- omnichannel
- on
- pågående
- bare
- åpen
- åpen kildekode
- Opportunity
- Alternativ
- or
- Annen
- vår
- ut
- utfall
- produksjon
- egen
- side
- parametere
- Betale
- utfører
- vedvarer
- placeholder
- plato
- Platon Data Intelligence
- PlatonData
- Point
- mulig
- Post
- makt
- powered
- Forbered
- forrige
- Principal
- Før
- privatliv
- prosess
- Prosesser
- prosessering
- Produkt
- Produktsjef
- produktivitet
- Progress
- beskytte
- beskytte
- gi
- forutsatt
- gir
- utgir
- Sette
- spørsmål
- spørsmål
- raskt
- heller
- Lese
- ekte
- sanntids
- anerkjennelse
- redusere
- redusere
- referere
- referert
- forholdet
- Utgivelser
- relevant
- gjenta
- erstatte
- svar
- rapporterer
- representasjon
- forespørsler
- krever
- påkrevd
- løse
- ressurs
- Svare
- svar
- Kjør
- går
- Sacramento
- Sikkerhet
- Skala
- SDK
- Søk
- sekunder
- Seksjon
- sikkerhet
- se
- segmenter
- senior
- sensitive
- dømme
- serverer
- Tjenester
- sett
- hun
- Vis
- Viser
- undertegne
- betydelig
- forenklet
- enkelt
- So
- selskap
- Software
- programvareutvikling
- løsning
- Solutions
- løse
- noen
- kilde
- tale
- Talegjenkjenning
- tale-til-tekst
- startet
- Start
- startups
- state-of-the-art
- Trinn
- Steps
- Still
- butikker
- streames
- bekker
- strukturer
- slik
- oppsummere
- SAMMENDRAG
- overlegen
- Støtter
- system
- Systemer
- bord
- Ta
- ta
- oppgaver
- lag
- Teknologi
- mal
- maler
- tekst
- enn
- Det
- De
- verden
- deres
- Dem
- deretter
- Disse
- de
- Tredje
- tredjeparts
- denne
- De
- tusener
- Gjennom
- tid
- tidkrevende
- ganger
- til
- tok
- verktøy
- Tema
- temaer
- Totalt
- trent
- Transcript
- overføres
- Traveling
- prøvd
- SVING
- typer
- forstå
- forståelse
- Oppdater
- oppdateringer
- us
- bruke
- brukt
- Bruker
- Brukergrensesnitt
- ved hjelp av
- Verdifull
- ulike
- enorme
- versjon
- veldig
- av
- video
- vital
- Voice
- ønsker
- we
- web
- webtjenester
- VI VIL
- var
- Hva
- Hva er
- når
- hvilken
- mens
- HVEM
- vil
- med
- innenfor
- Arbeid
- arbeidet
- arbeidsflyt
- virker
- verden
- ville
- skrive
- år
- york
- Du
- Din
- youtube
- zephyrnet