I det här inlägget visar vi hur man skapar en automatiserad lösning för e-postsvar med hjälp av Amazon Comprehend.
Organisationer lägger mycket resurser, ansträngning och pengar på att driva sin kundvårdsverksamhet för att svara på kundernas frågor och tillhandahålla lösningar. Dina kunder kan ställa frågor via olika kanaler, såsom e-post, chatt eller telefon, och att distribuera en arbetsstyrka för att svara på dessa frågor kan vara resurskrävande, tidskrävande och till och med improduktivt om svaren på dessa frågor är repetitiva.
Under covid-19-pandemin kunde många organisationer inte stödja sina kunder på ett adekvat sätt på grund av stängningen av kundtjänst och agentfaciliteter, och kundförfrågningar hopade sig. Vissa organisationer kämpade för att svara på frågor snabbt, vilket kan orsaka en dålig kundupplevelse. Detta kan i sin tur leda till missnöje hos kunder och kan påverka en organisations rykte och intäkter på lång sikt.
Även om din organisation kan ha datatillgångarna för kundfrågor och svar, kan du fortfarande kämpa för att implementera en automatiserad process för att svara dina kunder. Utmaningar kan inkludera ostrukturerad data, olika språk och brist på expertis inom artificiell intelligens (AI) och maskininlärning (ML).
Du kan övervinna sådana utmaningar genom att använda Amazon Comprehend för att automatisera e-postsvar på kundfrågor. Med vår lösning kan du identifiera avsikten med kunders e-postmeddelanden skicka ett automatiskt svar om avsikten matchar din befintliga kunskapsbas. Om avsikten inte stämmer överens går e-postmeddelandet till supportteamet för ett manuellt svar. Följande är några vanliga kunders avsikter när du kontaktar kundtjänst:
- Transaktionsstatus (till exempel status för en pengaöverföring)
- Återställning av lösenord
- Kampanjkod eller rabatt
- Timmar av operation
- Hitta en agentplats
- Anmäl bedrägeri
- Lås upp konto
- Stäng Konto
Amazon Comprehend kan hjälpa dig att utföra klassificering och enhetsdetektering på e-postmeddelanden för något av ovanstående syften. För den här lösningen visar vi hur man klassificerar kundmail för de tre första syftena. Du kan också använda Amazon Comprehend för att upptäcka nyckelinformation från e-postmeddelanden, så att du kan automatisera dina affärsprocesser. Till exempel kan du använda Amazon Comprehend för att automatisera svaret på en kundförfrågan med specifik information relaterad till den frågan.
Lösningsöversikt
För att bygga vårt kundsvarsflöde för e-post använder vi följande tjänster:
- Amazon Comprehend
- AWS Lambda
- Amazons enkla e -posttjänst (Amazon SES)
- Amazon enkel meddelandetjänst (Amazon SNS)
- Amazon WorkMail
Följande arkitekturdiagram belyser end-to-end-lösningen:
Lösningsarbetsflödet inkluderar följande steg:
- En kund skickar ett e-postmeddelande till den kundsupport-e-post som skapats i WorkMail.
- WorkMail anropar en Lambda-funktion när e-postmeddelandet tas emot.
- Funktionen skickar e-postinnehållet till en anpassad klassificeringsmodellslutpunkt.
- Den anpassade klassificeringens slutpunkt returnerar med ett klassificerat värde och konfidensnivå (över 80 %, men du kan konfigurera detta efter behov).
- Om klassificeringsvärdet är
MONEYTRANSFER
, anropar Lambda-funktionen slutpunkten för enhetsdetektering för att hitta pengaöverförings-ID. - Om penningöverförings-ID:t returneras, returnerar funktionen penningöverföringsstatusen slumpmässigt (i verkliga scenarion kan du anropa databasen via API för att hämta den faktiska överföringsstatusen).
- Baserat på det klassificerade värdet som returneras, väljs en fördefinierad e-postmall i Amazon SES, och ett svarsmail skickas till kunden.
- Om konfidensnivån är mindre än 80 %, ett sekretessbelagt värde inte returneras eller enhetsdetektering inte hittar pengaöverförings-ID:t skickas kundens e-postmeddelande till ett SNS-ämne. Du kan prenumerera på Amazon SNS för att skicka meddelandet till ditt biljettsystem.
Förutsättningar
Referera till README.md fil i GitHub repo för att se till att du uppfyller förutsättningarna för att distribuera den här lösningen.
Distribuera lösningen
Lösningsdistribution består av följande steg på hög nivå:
- Komplettera manuella konfigurationer med hjälp av AWS Management Console.
- Kör skript i en Amazon SageMaker notebook-instans med den medföljande notebook-filen.
- Distribuera lösningen med hjälp av AWS Cloud Development Kit (AWS CDK).
För fullständiga instruktioner, se README.md fil i GitHub repo.
Testa lösningen
För att testa lösningen, skicka ett e-postmeddelande från din personliga e-post till support-e-postmeddelandet som skapats som en del av AWS CDK-distributionen (för det här inlägget använder vi support@mydomain.com). Vi använder följande tre syften i våra exempeldata för anpassad klassificeringsträning:
- PENGAÖVERFÖRING – Kunden vill veta statusen för en penningöverföring
- ÅTERSTÄLLNING AV PASS – Kunden har en inloggning, låst konto eller begäran om lösenord
- RABATTKOD – Kunden vill veta om en rabatt- eller kampanjkod tillgänglig för en pengaöverföring
Följande skärmdump visar ett exempel på kunde-post:
Om kundens e-postmeddelande inte är klassificerat eller om konfidensnivåerna är under 80 %, vidarebefordras innehållet i e-postmeddelandet till ett SNS-ämne. Den som prenumererar på ämnet får e-postinnehållet som ett meddelande. Vi prenumererade på detta SNS-ämne med e-postmeddelandet som vi skickade med human_workflow_email
parameter under driftsättningen.
Städa upp
För att undvika löpande kostnader, ta bort de resurser du skapade som en del av den här lösningen när du är klar.
Slutsats
I det här inlägget lärde du dig hur du konfigurerar ett automatiskt e-postsvarssystem med Amazon Comprehend-kundklassificering och enhetsdetektering och andra AWS-tjänster. Denna lösning kan ge följande fördelar:
- Förbättrad e-postsvarstid
- Förbättrad kundnöjdhet
- Kostnadsbesparingar avseende tid och resurser
- Förmåga att fokusera på viktiga kundfrågor
Du kan även utöka denna lösning till andra områden i din verksamhet och till andra branscher.
Med den nuvarande arkitekturen dirigeras e-postmeddelanden som klassificeras med ett lågt konfidensvärde till en mänsklig loop för manuell verifiering och svar. Du kan använda indata från den manuella granskningen för att ytterligare förbättra Amazon Comprehend-modellen och öka den automatiserade klassificeringshastigheten. Amazon Augmented AI (Amazon A2I) tillhandahåller inbyggda arbetsflöden för mänsklig granskning för vanliga ML-användningsfall, såsom NLP-baserad enhetsigenkänning i dokument. Detta gör att du enkelt kan granska förutsägelser från Amazon Comprehend.
När vi får mer data för varje syfte kommer vi att omskola och distribuera den anpassade klassificeringsmodellen och uppdatera e-postsvarsflödet i enlighet med detta i GitHub repo.
Om författaren
Godwin Sahayaraj Vincent är en Enterprise Solutions Architect på AWS som brinner för maskininlärning och ger vägledning till kunder för att designa, distribuera och hantera deras AWS-arbetsbelastningar och arkitekturer. På fritiden älskar han att spela cricket med sina vänner och tennis med sina tre barn.
Shamika Ariyawansa är en AI/ML Specialist Solutions Architect på Global Healthcare and Life Sciences-teamet på Amazon Web Services. Han arbetar med kunder för att avancera deras ML-resa med en kombination av AWS ML-erbjudanden och hans ML-domänkunskap. Han är baserad från Denver, Colorado. På sin fritid njuter han av terrängäventyr i Colorado-bergen och tävlar i maskininlärningstävlingar.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- Om oss
- Konto
- AI
- amason
- Amazon Web Services
- api
- arkitektur
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- Tillgångar
- augmented
- Automatiserad
- tillgänglig
- AWS
- Fördelarna
- gränsen
- SLUTRESULTAT
- inbyggd
- företag
- Ring
- vilken
- fall
- Orsak
- utmaningar
- kanaler
- klassificering
- cloud
- koda
- Colorado
- kombination
- Gemensam
- förtroende
- innehåll
- Kostar
- Covid-19
- COVID-19-pandemi
- kricket
- Aktuella
- kundupplevelse
- Helpdesk
- Kunder
- datum
- Databas
- Denver
- distribuera
- utplacera
- utplacering
- Designa
- Detektering
- Utveckling
- olika
- Rabatt
- dokument
- inte
- domän
- lätt
- Slutpunkt
- Företag
- exempel
- Bygga ut
- erfarenhet
- expertis
- Förnamn
- flöda
- Fokus
- efter
- full
- fungera
- Välgörenhet
- hälso-och sjukvård
- hjälpa
- Hur ser din drömresa ut
- How To
- HTTPS
- identifiera
- Inverkan
- genomföra
- förbättra
- innefattar
- Öka
- industrier
- informationen
- Intelligens
- uppsåt
- Nyckel
- barn
- kunskap
- Språk
- lärt
- inlärning
- Nivå
- Life Sciences
- låst
- Lång
- Maskinen
- maskininlärning
- ledning
- manuell
- Match
- ML
- modell
- pengar
- anteckningsbok
- anmälan
- offer~~POS=TRUNC
- Verksamhet
- organisation
- organisationer
- Övriga
- pandemi
- Lösenord
- personlig
- Spela
- dålig
- Förutsägelser
- process
- processer
- ge
- ger
- resurs
- Resurser
- respons
- återgår
- intäkter
- översyn
- rinnande
- VETENSKAPER
- Tjänster
- avstängning
- Enkelt
- So
- Lösningar
- spendera
- status
- prenumerera
- stödja
- system
- grupp
- Tekniken
- testa
- tid
- tidskrävande
- Utbildning
- Uppdatering
- användning
- värde
- Verifiering
- webb
- webbservice
- VEM
- arbetskraft
- fungerar