Kör effektivitet med bästa praxis för CI/CD på Amazon Lex

Låt oss säga att du har identifierat ett användningsfall i din organisation som du skulle vilja hantera via en chatbot. Du har bekantat dig med Amazon Lex, byggde en prototyp och gjorde några testinteraktioner med boten. Du gillade den övergripande upplevelsen och vill nu distribuera boten i din produktionsmiljö, men är inte säker på bästa praxis för Amazon Lex. I det här inlägget granskar vi de bästa metoderna för att utveckla och distribuera Amazon Lex-bots, vilket gör att du kan effektivisera bot-livscykeln från början till slut och optimera din verksamhet.

Vi har täckt planerings-, design- och konfigurationsfaserna tidigare blogginlägg. Vi föreslår att du granskar dessa inlägg för att hjälpa dig skapa engagerande konversationer med din bot innan du fortsätter. Efter att du initialt har konfigurerat boten bör du testa den internt och iterera på botdefinitionen. Du är nu redo att distribuera den i din produktionsmiljö (som ett callcenter), där boten kommer att bearbeta livekonversationer. Väl i produktion bör du övervaka den kontinuerligt för att se till att den uppfyller dina önskade affärsmål. Denna cykel upprepas när du lägger till nya användningsfall och förbättringar.

Låt oss granska de bästa metoderna för utveckling, testning, distribution och övervakning av botar.

Utveckling

Tänk på följande bästa praxis när du utvecklar din bot:

• Hantera botschema via kod – Amazon Lex-konsolen ger ett lättanvänt gränssnitt när du designar och konfigurerar boten, men förlitar sig på manuella åtgärder för att replikera inställningen. Vi rekommenderar att du konverterar bot-schemat till kod efter att ha avslutat designen för att förenkla detta steg. Du kan använda API: er or AWS molnformation (Se Skapa Amazon Lex V2-resurser med AWS CloudFormation) för att hantera boten programmatiskt.
• Checkpoint bot-schema med botversionering – Checkpointing är ett vanligt tillvägagångssätt som ofta används för att återställa en applikation till ett senast känt stabilt tillstånd. Amazon Lex erbjuder denna funktion via botversionering. Vi rekommenderar att du använder en ny version vid varje milstolpe i din utvecklingsprocess. Detta gör att du kan göra stegvisa ändringar av din botdefinition, med ett enkelt sätt att återställa dem om de inte fungerar som förväntat.
• Identifiera datahanteringskrav och konfigurera lämpliga kontroller – Amazon Lex följer AWS modell med delat ansvar, som inkluderar riktlinjer för dataskydd för att följa branschföreskrifter och med ditt företags egna datasekretessstandarder. Dessutom följer Amazon Lex efterlevnadsprogram såsom SOC, PCI och FedRAMP. Amazon Lex ger möjligheten att fördunkla slots som anses vara känsliga. Du bör identifiera dina datasekretesskrav och konfigurera lämpliga kontroller i din bot.

Testning

När du har en botdefinition bör du testa boten för att säkerställa att den fungerar som avsett och är korrekt konfigurerad. Den ska till exempel ha behörighet att trigga andra tjänster, som t.ex AWS Lambda funktioner. Dessutom bör du också testa boten för att bekräfta att den kan tolka olika typer av användarförfrågningar. Tänk på följande bästa praxis för testning:

• Identifiera testdata – Du bör samla in relevant testdata för att testa botprestanda. Testdatan bör innehålla en omfattande representation av förväntade användarkonversationer med boten, särskilt för IVR-användningsfall där boten kommer att behöva förstå röstinmatningar. Testdata bör täcka olika talstilar och accenter. Sådana testdata kan ge erfarenhetsvalidering för din målkundbas.
• Identifiera mätvärden för användarupplevelsen – Det kan vara svårt att definiera samtalsupplevelsen. Du måste förutse och planera för alla olika sätt som användare kan engagera sig med boten på. Hur guidar du den som ringer utan att låta för föreskrivande? Hur återställer du dig om den som ringer ger felaktig eller ofullständig information? För att hantera dialogen genom många olika scenarier bör du sätta upp ett tydligt mål som täcker olika talstilar, akustiska förhållanden och modalitet, och identifiera objektiva mätvärden som du kan spåra. Till exempel skulle en objektiv indikator vara "90 % av konversationerna bör ha mindre än två återuppmaningar spelade upp för användaren," kontra en subjektiv indikator som "de flesta konversationer ska inte be användarna att upprepa sina input."
• Utvärdera användarupplevelsen längs vägen – I vissa fall kan till synes små förändringar ha stor inverkan på användarupplevelsen. Tänk till exempel på en situation där du oavsiktligt introducerar ett stavfel i det reguljära uttrycket som används för en konto-ID-platstyp, vilket leder till att bot uppmanar användaren att ge input igen. Du bör utvärdera användarupplevelsen och investera i en automatiserad testning för att generera nyckeltal. Du kan hänvisa till Utvärdering av en automatisk taligenkänningstjänst och Testar noggrannhet och regression med Amazon Connect och Amazon Lex för exempel på hur man testar och genererar nyckeltal.

konfiguration

När du är nöjd med botens prestanda, vill du distribuera boten för att börja betjäna din produktionstrafik. När du itererar boten under loppet av dess livscykel, upprepar du distributionerna, vilket gör det till en kontinuerlig process, så det är viktigt att ha en strömlinjeformad, automatiserad distribution för att minska risken för fel. Tänk på följande bästa praxis för implementering:

• Använd en miljö med flera konton – Du bör följa AWS rekommenderade konfiguration av flera konton i din organisation och använd separata AWS-konton för ditt utvecklingsskede och produktionsskede. Om du har en närvaro i flera regioner bör du också använda ett separat AWS-konto per region för produktion. Att använda separata AWS-konton per steg ger dig säkerhet, åtkomst och faktureringsgränser för dina AWS-resurser.
• Automatisera marknadsföring av en bot från utveckling till produktion – När du replikerar botinställningen i ditt utvecklingsskede till ditt produktionsskede bör du använda automatiserade lösningar och minimera manuella beröringspunkter. Du bör använda CloudFormation-mallar för att skapa dina bots. Alternativt kan du använda Amazon Lex exportera och importera API:er att tillhandahålla ett automatiserat sätt att kopiera ett botschema över konton.
• Rulla ut ändringar i etapper – Du bör distribuera ändringar i din produktionsmiljö på ett stegvis sätt, så att ändringar släpps till en delmängd av din produktionstrafik innan de släpps till alla användare. Ett sådant tillvägagångssätt ger dig chansen att begränsa sprängradien om det skulle uppstå några problem med förändringen. Ett sätt du kan uppnå detta är genom att ha en tvåfasig distribution: du skapar två alias för en bot (till exempel prod-05 och prod-95). Du associerar först den nya botversionen med ett alias (prod-05 i det här exemplet). När du har validerat nyckelmåtten som uppfyller framgångskriterierna associerar du det andra aliaset (prod-95) med den nya botversionen.

Observera att du måste kontrollera distributionen av trafik på klientapplikationen som används för att integrera med Amazon Lex bots. Till exempel om du använder Amazon Connect för att integrera med dina bots kan du använda en Fördela efter procent kontaktblock i samband med två eller flera Få kundinspel block.

Det är viktigt att notera att Amazon Lex tillhandahåller ett testalias direkt. Testaliaset är endast avsett att användas för ad hoc manuell testning via Amazon Lex-konsolen och är inte avsedd att hantera belastningar i produktionsskala. Vi rekommenderar att du använder ett dedikerat alias för din produktionstrafik.

Övervakning

Övervakning är viktigt för att upprätthålla tillförlitlighet, tillgänglighet och en effektiv slutanvändarupplevelse. Du bör analysera din bots statistik och använda lärdomarna som en återkopplingsmekanism för att förbättra botschemat såväl som dina utvecklings-, testnings- och implementeringsmetoder. Amazon Lex stöder flera mekanismer för att övervaka bots. Tänk på följande bästa praxis för att övervaka dina Lex-robotar:

• Övervaka hela tiden och upprepa – Amazon Lex integreras med amazoncloudwatch för att tillhandahålla mätvärden i nästan realtid som kan ge dig viktiga insikter om dina användares interaktioner med boten. Dessa insikter kan hjälpa dig att få perspektiv på slutanvändarupplevelsen. För att lära dig mer om de olika typerna av mätvärden som Amazon Lex skickar ut, se Övervakar Amazon Lex V2 med Amazon CloudWatch. Vi rekommenderar att du ställer in trösklar för att utlösa larm. På samma sätt ger Amazon Lex dig insyn i de råa ingångsyttrandena från dina användares interaktioner med boten. Du bör använda yttrandestatistik or konversationsloggar för att få insikter för att identifiera kommunikationsmönster och göra lämpliga ändringar i din bot vid behov. För att lära dig hur du skapar en personlig analysinstrumentpanel för dina bots, se Övervaka operativa mätvärden för din Amazon Lex chatbot.

De bästa metoderna som diskuteras i det här inlägget fokuserar främst på Amazon Lex-specifika användningsfall. Utöver dessa bör du granska och följa bästa praxis när du hanterar din molninfrastruktur i AWS. Se till att din molninfrastruktur är säker och endast tillgänglig för behöriga användare. Du bör också granska och anta lämpliga AWS bästa praxis för säkerhet inom din organisation. Slutligen bör du proaktivt granska AWS-kvoter för individuella AWS-tjänster (inklusive Amazon Lex-kvoter) och begär lämpliga ändringar vid behov.

Slutsats

Du kan använda Amazon Lex för att möjliggöra sofistikerade naturliga språkkonversationer och öka kundtjänsteffektiviteten. I det här inlägget granskade vi de bästa metoderna för utveckling, testning, driftsättning och övervakningsfaser av en bots livscykel. Med dessa riktlinjer kan du förbättra slutanvändarupplevelsen och uppnå bättre kundengagemang. Börja bygga din Amazon Lex-konversationsupplevelse idag!

Om författaren

Swapandeep Singh är ingenjör med Amazon Lex-teamet. Han arbetar med att göra interaktioner med bots smidigare och mer mänskliga. Utanför jobbet gillar han att resa och lära sig om olika kulturer.