ในโพสต์นี้ เราสาธิตวิธีสร้างโซลูชันตอบกลับอีเมลอัตโนมัติโดยใช้ เข้าใจ Amazon.
องค์กรใช้ทรัพยากร ความพยายาม และเงินจำนวนมากในการดำเนินการดูแลลูกค้าเพื่อตอบคำถามของลูกค้าและจัดหาโซลูชัน ลูกค้าของคุณอาจถามคำถามผ่านช่องทางต่างๆ เช่น อีเมล แชท หรือโทรศัพท์ และการนำพนักงานไปใช้เพื่อตอบคำถามเหล่านั้นอาจเป็นการใช้ทรัพยากรที่เข้มข้น ใช้เวลานาน และไม่เป็นผลหากคำตอบสำหรับคำถามเหล่านั้นซ้ำซาก
ในช่วงการระบาดใหญ่ของ COVID-19 หลายองค์กรไม่สามารถสนับสนุนลูกค้าได้อย่างเพียงพอเนื่องจากการปิดการดูแลลูกค้าและสิ่งอำนวยความสะดวกของตัวแทน และการสอบถามจากลูกค้าก็เพิ่มมากขึ้น บางองค์กรมีปัญหาในการตอบคำถามในทันที ซึ่งอาจทำให้ลูกค้าได้รับประสบการณ์ที่ไม่ดี ซึ่งอาจส่งผลให้เกิดความไม่พอใจของลูกค้า และอาจส่งผลต่อชื่อเสียงและรายได้ขององค์กรในระยะยาว
แม้ว่าองค์กรของคุณอาจมีสินทรัพย์ข้อมูลสำหรับการสอบถามและคำตอบของลูกค้า แต่คุณอาจยังคงประสบปัญหาในการใช้กระบวนการอัตโนมัติเพื่อตอบกลับลูกค้าของคุณ ความท้าทายอาจรวมถึงข้อมูลที่ไม่มีโครงสร้าง ภาษาที่แตกต่างกัน และการขาดความเชี่ยวชาญด้านปัญญาประดิษฐ์ (AI) และเทคโนโลยีการเรียนรู้ของเครื่อง (ML)
คุณสามารถเอาชนะความท้าทายดังกล่าวได้โดยใช้ Amazon Comprehend ในการตอบกลับอีเมลอัตโนมัติสำหรับข้อสงสัยของลูกค้า ด้วยโซลูชันของเรา คุณสามารถระบุเจตนาของอีเมลของลูกค้าที่ส่งการตอบกลับอัตโนมัติหากเจตนาตรงกับฐานความรู้ที่มีอยู่ของคุณ หากเจตนาไม่ตรงกัน อีเมลจะส่งไปยังทีมสนับสนุนเพื่อตอบกลับด้วยตนเอง ต่อไปนี้คือความตั้งใจของลูกค้าทั่วไปเมื่อติดต่อฝ่ายดูแลลูกค้า:
- สถานะการทำธุรกรรม (เช่น สถานะการโอนเงิน)
- รีเซ็ตรหัสผ่าน
- รหัสโปรโมชั่นหรือส่วนลด
- เวลาทำการ
- ค้นหาที่ตั้งตัวแทน
- รายงานการฉ้อโกง
- ปลดล็อคบัญชี
- ปิดบัญชี
Amazon Comprehend สามารถช่วยคุณดำเนินการจำแนกประเภทและตรวจจับเอนทิตีในอีเมลสำหรับเจตนาใด ๆ ข้างต้น สำหรับโซลูชันนี้ เราจะแสดงวิธีจัดประเภทอีเมลของลูกค้าสำหรับจุดประสงค์สามรายการแรก คุณยังสามารถใช้ Amazon Comprehend เพื่อตรวจหาข้อมูลสำคัญจากอีเมล เพื่อให้คุณสามารถทำให้กระบวนการทางธุรกิจของคุณเป็นแบบอัตโนมัติได้ ตัวอย่างเช่น คุณสามารถใช้ Amazon Comprehend เพื่อตอบกลับคำขอของลูกค้าโดยอัตโนมัติด้วยข้อมูลเฉพาะที่เกี่ยวข้องกับการสืบค้นนั้น
ภาพรวมโซลูชัน
เพื่อสร้างโฟลว์การตอบกลับอีเมลลูกค้าของเรา เราใช้บริการต่อไปนี้:
- เข้าใจ Amazon
- AWS แลมบ์ดา
- บริการอีเมล Amazon Simple (อเมซอน เอสอีเอส)
- บริการแจ้งเตือนแบบง่ายของ Amazon (อเมซอน SNS)
- อเมซอน เวิร์กเมล
ไดอะแกรมสถาปัตยกรรมต่อไปนี้เน้นถึงโซลูชันแบบ end-to-end:
เวิร์กโฟลว์โซลูชันประกอบด้วยขั้นตอนต่อไปนี้:
- ลูกค้าส่งอีเมลไปยังอีเมลสนับสนุนลูกค้าที่สร้างใน WorkMail
- WorkMail จะเรียกใช้ฟังก์ชัน Lambda เมื่อได้รับอีเมล
- ฟังก์ชันส่งเนื้อหาอีเมลไปยังจุดสิ้นสุดของแบบจำลองการจัดประเภทแบบกำหนดเอง
- จุดสิ้นสุดการจัดประเภทที่กำหนดเองส่งคืนด้วยค่าที่จัดประเภทและระดับความเชื่อมั่น (มากกว่า 80% แต่คุณสามารถกำหนดค่าได้ตามต้องการ)
- หากค่าการจำแนกเป็น
MONEYTRANSFER
ฟังก์ชัน Lambda จะเรียกจุดสิ้นสุดการตรวจหาเอนทิตีเพื่อค้นหา ID การโอนเงิน - หากมีการส่งคืน ID การโอนเงิน ฟังก์ชันจะส่งคืนสถานะการโอนเงินแบบสุ่ม (ในสถานการณ์จริง คุณสามารถเรียกฐานข้อมูลผ่าน API เพื่อดึงข้อมูลสถานะการโอนจริงได้)
- ตามค่าจัดประเภทที่ส่งคืน เทมเพลตอีเมลที่กำหนดไว้ล่วงหน้าใน Amazon SES จะถูกเลือก และอีเมลตอบกลับจะถูกส่งไปยังลูกค้า
- หากระดับความเชื่อมั่นน้อยกว่า 80% ค่าที่จัดประเภทจะไม่ถูกส่งกลับ หรือการตรวจจับเอนทิตีไม่พบรหัสการโอนเงิน อีเมลของลูกค้าจะถูกส่งไปยังหัวข้อ SNS คุณสามารถสมัครใช้งาน Amazon SNS เพื่อส่งข้อความไปยังระบบการออกตั๋วของคุณได้
เบื้องต้น
โปรดดูที่ README.md แฟ้มใน repo GitHub เพื่อให้แน่ใจว่าคุณมีคุณสมบัติตรงตามข้อกำหนดเบื้องต้นในการปรับใช้โซลูชันนี้
ปรับใช้โซลูชัน
การปรับใช้โซลูชันประกอบด้วยขั้นตอนระดับสูงต่อไปนี้:
- กำหนดค่าด้วยตนเองให้เสร็จสิ้นโดยใช้ คอนโซลการจัดการ AWS.
- รันสคริปต์ใน an อเมซอน SageMaker อินสแตนซ์โน้ตบุ๊กโดยใช้ไฟล์โน้ตบุ๊กที่ให้มา
- ปรับใช้โซลูชันโดยใช้ ชุดพัฒนา AWS Cloud (AWS CDK)
สำหรับคำแนะนำทั้งหมด โปรดดูที่ README.md แฟ้มใน repo GitHub.
ทดสอบวิธีแก้ปัญหา
ในการทดสอบโซลูชัน ให้ส่งอีเมลจากอีเมลส่วนตัวของคุณไปยังอีเมลสนับสนุนที่สร้างขึ้นโดยเป็นส่วนหนึ่งของการปรับใช้ AWS CDK (สำหรับโพสต์นี้ เราใช้ support@mydomain.com) เราใช้ความตั้งใจสามประการต่อไปนี้ในข้อมูลตัวอย่างของเราสำหรับการฝึกอบรมการจัดหมวดหมู่แบบกำหนดเอง:
- การโอนเงิน – ลูกค้าต้องการทราบสถานะการโอนเงิน
- รหัสผ่าน – ลูกค้ามีการเข้าสู่ระบบ ล็อคบัญชี หรือขอรหัสผ่าน
- รหัสโปรโมชั่น – ลูกค้าต้องการทราบส่วนลดหรือรหัสโปรโมชั่นที่สามารถโอนเงินได้
ภาพหน้าจอต่อไปนี้แสดงตัวอย่างอีเมลลูกค้า:
หากอีเมลลูกค้าไม่ได้รับการจัดประเภทหรือระดับความมั่นใจต่ำกว่า 80% เนื้อหาของอีเมลจะถูกส่งต่อไปยังหัวข้อ SNS ใครก็ตามที่สมัครรับข้อมูลในหัวข้อจะได้รับเนื้อหาอีเมลเป็นข้อความ เราสมัครรับข้อมูลหัวข้อ SNS นี้ด้วยอีเมลที่เราส่งผ่านไปยัง human_workflow_email
พารามิเตอร์ในระหว่างการปรับใช้
ทำความสะอาด
เพื่อหลีกเลี่ยงไม่ให้เกิดค่าใช้จ่ายต่อเนื่อง ให้ลบทรัพยากรที่คุณสร้างขึ้นซึ่งเป็นส่วนหนึ่งของโซลูชันนี้เมื่อคุณทำเสร็จแล้ว
สรุป
ในโพสต์นี้ คุณได้เรียนรู้วิธีกำหนดค่าระบบตอบกลับอีเมลอัตโนมัติโดยใช้การจัดประเภทลูกค้า Amazon Comprehend และการตรวจจับเอนทิตี และบริการอื่นๆ ของ AWS โซลูชันนี้สามารถให้ประโยชน์ดังต่อไปนี้:
- ปรับปรุงเวลาตอบกลับอีเมล
- ปรับปรุงความพึงพอใจของลูกค้า
- ประหยัดค่าใช้จ่ายด้านเวลาและทรัพยากร
- ความสามารถในการมุ่งเน้นไปที่ประเด็นสำคัญของลูกค้า
คุณยังสามารถขยายโซลูชันนี้ไปยังพื้นที่อื่นๆ ในธุรกิจของคุณและอุตสาหกรรมอื่นๆ
ด้วยสถาปัตยกรรมปัจจุบัน อีเมลที่จัดประเภทด้วยคะแนนความมั่นใจต่ำจะถูกส่งไปยังลูปของมนุษย์เพื่อการตรวจสอบและตอบกลับด้วยตนเอง คุณสามารถใช้อินพุตจากกระบวนการตรวจสอบด้วยตนเองเพื่อปรับปรุงโมเดล Amazon Comprehend เพิ่มเติม และเพิ่มอัตราการจำแนกประเภทอัตโนมัติ อเมซอน เสริม AI (Amazon A2I) จัดเตรียมเวิร์กโฟลว์การตรวจทานโดยเจ้าหน้าที่ในตัวสำหรับกรณีการใช้งาน ML ทั่วไป เช่น การรับรู้เอนทิตีตาม NLP ในเอกสาร ซึ่งช่วยให้คุณสามารถตรวจสอบการคาดการณ์จาก Amazon Comprehend ได้อย่างง่ายดาย
เมื่อเราได้รับข้อมูลเพิ่มเติมสำหรับทุกความตั้งใจ เราจะฝึกใหม่และปรับใช้โมเดลการจัดหมวดหมู่แบบกำหนดเอง และอัปเดตโฟลว์การตอบกลับอีเมลตามนั้นใน repo GitHub.
เกี่ยวกับผู้เขียน
ก็อดวิน สหยาราช วินเซนต์ เป็น Enterprise Solutions Architect ของ AWS ซึ่งหลงใหลเกี่ยวกับ Machine Learning และให้คำแนะนำแก่ลูกค้าในการออกแบบ ปรับใช้ และจัดการปริมาณงานและสถาปัตยกรรม AWS ในเวลาว่าง เขาชอบเล่นคริกเก็ตกับเพื่อน ๆ และเล่นเทนนิสกับลูกสามคน
ชามิกา อริยวรรณศ เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน AI/ML ในทีม Global Healthcare and Life Sciences ที่ Amazon Web Services เขาทำงานร่วมกับลูกค้าเพื่อพัฒนาเส้นทาง ML ด้วยการผสมผสานระหว่างข้อเสนอ AWS ML และความรู้เกี่ยวกับโดเมน ML ของเขา เขามาจากเดนเวอร์ โคโลราโด ในเวลาว่าง เขาสนุกกับการผจญภัยบนทางวิบากบนภูเขาโคโลราโด และแข่งขันในการแข่งขันแมชชีนเลิร์นนิง
- คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
- คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/automate-email-responses-using-amazon-comprehend-custom-classification-and-entity-detection/
- "
- 100
- เกี่ยวกับเรา
- ลงชื่อเข้าใช้
- AI
- อเมซอน
- Amazon Web Services
- API
- สถาปัตยกรรม
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ (AI)
- สินทรัพย์
- เติม
- อัตโนมัติ
- ใช้ได้
- AWS
- ประโยชน์ที่ได้รับ
- ชายแดน
- สร้าง
- built-in
- ธุรกิจ
- โทรศัพท์
- ซึ่ง
- กรณี
- ก่อให้เกิด
- ความท้าทาย
- ช่อง
- การจัดหมวดหมู่
- เมฆ
- รหัส
- โคโลราโด
- การผสมผสาน
- ร่วมกัน
- ความมั่นใจ
- เนื้อหา
- ค่าใช้จ่าย
- Covid-19
- COVID-19 การระบาดใหญ่
- จิ้งหรีด
- ปัจจุบัน
- ประสบการณ์ของลูกค้า
- Customer Support
- ลูกค้า
- ข้อมูล
- ฐานข้อมูล
- เดนเวอร์
- ปรับใช้
- ปรับใช้
- การใช้งาน
- ออกแบบ
- การตรวจพบ
- พัฒนาการ
- ต่าง
- ส่วนลด
- เอกสาร
- ไม่
- โดเมน
- อย่างง่ายดาย
- อีเมล
- ปลายทาง
- Enterprise
- ตัวอย่าง
- แสดง
- ประสบการณ์
- ความชำนาญ
- ชื่อจริง
- ไหล
- โฟกัส
- ดังต่อไปนี้
- เต็ม
- ฟังก์ชัน
- เหตุการณ์ที่
- การดูแลสุขภาพ
- ช่วย
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- แยกแยะ
- ส่งผลกระทบ
- การดำเนินการ
- ปรับปรุง
- ประกอบด้วย
- เพิ่ม
- อุตสาหกรรม
- ข้อมูล
- Intelligence
- ความตั้งใจ
- คีย์
- เด็ก
- ความรู้
- ภาษา
- ได้เรียนรู้
- การเรียนรู้
- ชั้น
- วิทยาศาสตร์สิ่งมีชีวิต
- ล็อค
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- คู่มือ
- การจับคู่
- ML
- แบบ
- เงิน
- สมุดบันทึก
- การประกาศ
- การเสนอขาย
- การดำเนินการ
- organizacja
- องค์กร
- อื่นๆ
- การระบาดกระจายทั่ว
- รหัสผ่าน
- ส่วนบุคคล
- เล่น
- น่าสงสาร
- การคาดการณ์
- กระบวนการ
- กระบวนการ
- ให้
- ให้
- ทรัพยากร
- แหล่งข้อมูล
- คำตอบ
- รับคืน
- รายได้
- ทบทวน
- วิ่ง
- วิทยาศาสตร์
- บริการ
- การปิด
- ง่าย
- So
- โซลูชัน
- ใช้จ่าย
- Status
- สมัครเป็นสมาชิก
- สนับสนุน
- ระบบ
- ทีม
- เทคโนโลยี
- ทดสอบ
- เวลา
- ต้องใช้เวลามาก
- การฝึกอบรม
- บันทึก
- ใช้
- ความคุ้มค่า
- การตรวจสอบ
- เว็บ
- บริการเว็บ
- WHO
- กำลังแรงงาน
- โรงงาน