Bygg en virtuell kreditgodkännandeagent med Amazon Lex, Amazon Textract och Amazon Connect

Banker och finansinstitut granskar tusentals kreditansökningar per vecka. Kreditgodkännandeprocessen kräver att finansiella organisationer investerar tid och resurser i att granska dokument som W2:s, kontoutdrag och elräkningar. Den totala upplevelsen kan bli kostsam för organisationen. Samtidigt måste organisationer överväga låntagare som väntar på beslut om sina kreditansökningar. För att behålla kunder måste organisationer behandla låntagaransökningar snabbt med låga handläggningstider.

Med en automatiserad kreditgodkännandeassistent som använder maskininlärning kan finansiella organisationer påskynda processen, minska kostnaderna och ge bättre kundupplevelse med snabbare beslut. Banker och Fintechs kan bygga en virtuell agent som kan granska en kunds finansiella dokument och ge ett beslut direkt. Att bygga en effektiv kreditgodkännandeprocess förbättrar inte bara kundupplevelsen utan sänker också kostnaden.

I det här inlägget visar vi hur man bygger en virtuell kreditgodkännandeassistent som granskar de finansiella dokument som krävs för godkännande av lån och fattar beslut direkt för en sömlös kundupplevelse. Lösningen använder Amazon Lex, amazontextoch Amazon Connect, bland andra AWS-tjänster.

Översikt över lösningen

Du kan distribuera lösningen med en AWS molnformation mall. Lösningen skapar en virtuell agent med hjälp av Amazon Lex och associerar den med Amazon Connect, som fungerar som samtalsgränssnitt med kunder och ber lånesökanden att ladda upp nödvändiga dokument. Dokumenten lagras i en Amazon enkel lagringstjänst (Amazon S3) hink används endast för den kunden.

Denna lösning är helt serverlös och använder Amazon S3 för att lagra en statisk webbplats som är värd för användargränssnittet och anpassad JavaScript för att aktivera resten av förfrågningarna. Amazon CloudFront fungerar som ett innehållsleveransnätverk (CDN) för att tillåta ett offentligt gränssnitt för webbplatsen. CloudFront är en snabb CDN-tjänst som säkert levererar data, videor, applikationer och API:er till kunder globalt med låg latens och höga överföringshastigheter, allt inom en utvecklarvänlig miljö.

Detta är ett exempelprojekt utformat för att vara lätt att distribuera för experiment. De AWS identitets- och åtkomsthantering (IAM) policybehörigheter i den här lösningen använder minst privilegier, dock CloudFront och Amazon API Gateway resurser som används är allmänt tillgängliga. För att vidta lämpliga åtgärder för att säkra din CloudFront-distribution och API Gateway-resurser, se Konfigurera säker åtkomst och begränsa åtkomst till innehåll och Säkerhet i Amazon API Gateway, Respektive.

Dessutom har backend API Gateway med HTTP-rutter för två AWS Lambda funktioner. Den första funktionen skapar sessionen med Amazon Connect för chatt; den andra skickar den försignerade URL-länken som hämtas av frontend från Amazon Connect till Amazon Lex. Amazon Lex utlöser Lambda-funktionen som är kopplad till den och låter Amazon Textract läsa dokumenten och fånga alla fält och information i dem. Denna funktion fattar också kreditbeslut baserat på affärsprocesser som tidigare definierats av organisationen. Lösningen är integrerad med Amazon Connect för att låta kunder koppla upp sig till kontaktcenteragenter om kunden har problem eller behöver hjälp genom processen.

Följande exempel skildrar interaktionen mellan bot och låntagare.

Följande diagram illustrerar lösningsarkitekturen.

Lösningsarbetsflödet är som följer:

1. Kunder navigerar till en URL som serveras av CloudFront, som hämtar webbsidor från en S3-bucket och skickar JavaScript till webbläsaren.
2. Webbläsaren renderar webbsidorna och gör ett API-anrop till API Gateway.
3. API Gateway utlöser den associerade Lambda-funktionen.
4. Funktionen initierar en startChatContact API-anrop med Amazon Connect och utlöser kontaktflödet som är associerat med det.
5. Amazon Connect utlöser Amazon Lex med yttrandet för att klassificera avsikten. Efter att avsikten är sekretessbelagd, framkallar Amazon Lex de nödvändiga platserna och ber kunden att ladda upp dokumentet för att uppfylla avsikten.
6. Sökanden laddar upp W2-dokumentet till S3-bucket med hjälp av ikonen för uppladdningsbilaga i chattfönstret.

Som en bästa praxis kan du överväga att implementera kryptering i vila för S3-hinken som använder AWS nyckelhanteringstjänst (AWS KMS). Dessutom kan du bifoga en bucket-policy till S3-bucket för att säkerställa att data alltid krypteras under överföring. Överväg att aktivera serveråtkomstloggning för S3-bucket för att fånga detaljerade register över förfrågningar för att hjälpa till med säkerhet och åtkomstrevisioner. För mer information, se Säkerhet bästa praxis för Amazon S3.

7. Webbläsaren ringer till Amazon Connect för att hämta en försignerad URL till den uppladdade bilden. Se till att de försignerade webbadresserna går ut några minuter efter att Lambda-funktionen kör logiken.
8. Efter att dokumentet har laddats upp gör webbapplikationen ett API-anrop till API Gateway för att uppdatera filplatsen för användning i Amazon Lex-sessionsattribut.
9. API Gateway utlöser en lambdafunktion för att skicka W2 försignerade URL-plats. Funktionen uppdaterar sessionsattributen i Amazon Lex med den försignerade URL:en för W2-dokumentet.
10. Webbläsaren uppdaterar även sloten till uploaded, vilket uppfyller syftet.
11. Amazon Lex utlöser en Lambda-funktion, som laddar ner W2-bilddata och skickar den till Amazon Textract för bearbetning.
12. Amazon Textract läser alla fält från W2-bilddokumentet, konverterar dem till nyckel-värdepar och skickar tillbaka data till Lambda-funktionen.

Amazon Textract överensstämmer med AWS modell för delat ansvar, som beskriver ansvaret för dataskydd mellan AWS och kunden. För mer information, se Dataskydd i Amazon Textract.

13. Lambda använder W2-data för utvärdering av låneansökan och returnerar resultatet till webbläsaren.

Följ de bästa metoderna för att aktivera inloggning i Lambda. Hänvisa till del 1 och del 2 av bloggserien ”Operating Lambda: Building a solid security foundation."

Dataöverföring är säkrad med TLS, och det rekommenderas starkt att kryptera data i vila. För mer information om att skydda data inuti din S3-hink, se Stärk säkerheten för känslig data lagrad i Amazon S3 genom att använda ytterligare AWS-tjänster.

Förutsättningar

För detta genomgång bör du ha följande förutsättningar:

1. An AWS-konto.
2. En Amazon Connect-kontaktcenterinstans i us-east-1-regionen. Du kan använda en befintlig eller skapa en ny. För instruktioner, se Kom igång med Amazon Connect. Om du har en befintlig Amazon Connect-instans och chatten inte är aktiverad, se Aktivera chatt i ett befintligt Amazon Connect-kontaktcenter.
3. Chattbilagor är aktiverade i Amazon Connect. För instruktioner, se Aktivera bilagor för att dela filer med chatt. För CORS-inställningar, använd alternativ 2, som använder jokertecknet * för att AllowedOrigin.
4. Exempelprojektet som ligger i GitHub repository. Du måste klona detta arkiv på din lokala dator och använda AWS serverlös applikationsmodell (AWS SAM) för att distribuera projektet. För att installera AWS SAM CLI och konfigurera AWS-referenser, se Komma igång med AWS SAM.
5. Python 3.9 runtime för att stödja AWS SAM-distribution.

Importera Amazon Connect-flödet

Utför följande steg för att importera Amazon Connect-flödet:

1. Logga in på din Amazon Connect-instans.
2. Enligt Rutthanteringväljer Kontaktflöden.
3. Välja Skapa kontaktflöde.
4. På Save meny, välj Importera flöde.
5. Välja Välja och välj importflödesfilen som finns i /flöde underkatalog, kallas Loan_App_Connect_Flow.
6. Spara flödet. Publicera inte ännu.
7. Bygga ut Visa ytterligare flödesinformation och välj kopieringsikonen för att fånga ARN.
   
8. Spara dessa ID:n för användning som parametrar i CloudFormation-mallen som ska distribueras i nästa steg:

   arn:aws:connect:us-east-1:123456789012:instance/11111111-1111-1111-1111-111111111111/contact-flow/22222222-2222-2222-2222-222222222222

Amazon Connect-instansens ID är det långa alfanumeriska värdet mellan snedstrecken omedelbart efter instance i ARN. För det här inlägget är instans-ID:t 11111111-1111-1111-1111-111111111111.

Kontaktflödes-ID är det långa värdet efter snedstrecket som följer contact-flow i ARN. För det här inlägget är flödes-ID:t 22222222-2222-2222-2222-222222222222.

Implementera med AWS SAM

Med instans- och flödes-ID:n registrerade är vi redo att distribuera projektet.

1. Öppna ett terminalfönster och klona GitHub repository i en valfri katalog.
2. Navigera till amazon-connect-virtual-credit-agent katalog och följ installationsinstruktionerna i GitHub-repo.
3. Spela in Amazon Lex-botnamnet från Utgångarna avsnitt av distributionen för nästa steg (kallas Loan_App_Bot om du accepterade standardnamnet).
4. Återgå till dessa instruktioner när AWS SAM-distributionen har slutförts framgångsrikt.

Uppdatera kontaktflödesblocken

Utför följande steg för att uppdatera kontaktflödesblocken:

1. Logga in på din Amazon Connect-instans
2. Enligt Rutthanteringväljer Kontaktflöden.
3. Välj flödet som heter Loan_App_Flow.
4. Välj Få kundinspel blockera.
5. Under Amazon Lex-sektionen väljer du boten som heter Loan_App_Bot och dev-aliaset som skapades tidigare.
6. Välja Save.
7. Välj Ställ in arbetskö blockera.
8. Välj X-ikonen och välj i rullgardinsmenyn BasicQueue.
9. Välja Save.
   
10. Spara flödet.
11. Publicera flödet.

Testa lösningen

Du är nu redo att testa lösningen.

1. Logga in på din Amazon Connect-instans för att ställa in en Amazon Connect-agent för en chatt.
2. På instrumentpanelen väljer du telefonikonen för att öppna kontaktkontrollpanelen (CCP) i ett separat fönster.
   
3. I CCP:n ändrar du agenttillståndet till Tillgängliga.
   
4. På Utgångarna fliken för din CloudFormation-stack, välj värdet för cloudFrontDistribution.

Detta är en länk till din CloudFront-URL. Du omdirigeras till en webbsida med din lånetjänstbot. En flytande åtgärdsknapp (FAB) finns längst ner till höger på skärmen.

5. Välj FAB för att öppna chattboten.
6. När du har fått välkomstmeddelandet, gå in I need a loan.
   
7. När du uppmanas, välj en lånetyp och ange ett lånebelopp.
8. Ladda upp en bild av ett W2-dokument.

Ett exempel på W2-bildfil finns i projektförrådet i /img underkatalog. Filen heter w2.png.

Efter att bilden har laddats upp frågar boten dig om du vill skicka in ansökan.

9. Välja Ja att skicka in.

Efter inlämning utvärderar boten W2-bilden och ger ett svar. Efter några sekunder är du ansluten till en agent.

Du bör se en begäran om att ansluta till chatten i CCP.

10. Välj begäran att acceptera.

Agenten är nu ansluten till chattanvändaren. Du kan simulera varje sida av konversationen för att testa chattsessionen.

11. Välja Avsluta chat när du är klar.

Felsökning

När du har distribuerat stacken, om du ser ett Amazon S3-behörighetsfel när du tittar på CloudFront-URL, betyder det att domänen inte är klar än. CDN kan ta upp till 1 timme att vara redo.

Om du inte kan lägga till dina bilagor, kontrollera din CORS-inställning. För instruktioner, se Aktivera bilagor för att dela filer med chatt. För CORS-inställning, använd alternativ 2, som använder * jokertecken till AllowedOrigin.

Städa upp

För att undvika framtida avgifter, ta bort alla resurser som skapats genom att ta bort CloudFormation-stacken.

Slutsats

I det här inlägget demonstrerade vi hur du snabbt och säkert ställer in en lösning för bearbetning av låneansökningar. Data i vila och under överföring är både krypterade och säkrade. Den här lösningen kan fungera som en plan för att bygga andra självbetjäningsflöden där Amazon Connect och Amazon Lex tillhandahåller ett samtalsgränssnitt för kundengagemang. Vi ser fram emot att se vilka andra lösningar du bygger med denna arkitektur.

Om du behöver hjälp med att bygga upp dessa funktioner och Amazon Connect-kontaktflöden, vänligen kontakta en av dussintals Amazon Connect-partners som finns tillgängliga över hela världen.

---

Om författarna

Dipkumar Mehta är Senior Conversational AI-konsult med Amazon ProServe Natural Language AI-team. Han fokuserar på att hjälpa kunder att designa, distribuera och skala end-to-end Conversational AI-lösningar i produktion på AWS. Han brinner också för att förbättra kundupplevelsen och driva affärsresultat genom att utnyttja data.

Cecil Patterson är en Natural Language AI-konsult med AWS Professional-tjänster baserad i norra Texas. Han har många års erfarenhet av att arbeta med stora företag för att möjliggöra och stödja globala infrastrukturlösningar. Cecil använder sin erfarenhet och mångsidiga kompetens för att bygga exceptionella samtalslösningar för kunder av alla slag.

Sanju Sunny är en digital innovationsspecialist med Amazon ProServe. Han engagerar sig med kunder i en mängd olika branscher kring Amazons distinkta kundbesatta innovationsmekanismer för att snabbt skapa, validera och prototypa nya produkter, tjänster och upplevelser.

Matt Kurio är en säkerhetstransformationskonsult med Amazon ProServe Shared Delivery Team. Han utmärker sig genom att hjälpa företagskunder att bygga säkra plattformar och hantera säkerheten effektivt och effektivt. Han tycker också om att koppla av på stranden och utomhusaktiviteter med sin familj.

• 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/build-a-virtual-credit-approval-agent-with-amazon-lex-amazon-textract-and-amazon-connect/