У відповідності з Звіт PWC32% роздрібних клієнтів відмовляються від одного негативного досвіду, а 73% клієнтів стверджують, що досвід клієнтів впливає на їхні рішення про покупку. У світовій індустрії роздрібної торгівлі передпродажна та післяпродажна підтримка є важливими аспектами обслуговування клієнтів. Для надання допомоги клієнтам використовуються численні методи, включаючи електронну пошту, живий чат, ботів і телефонні дзвінки. Оскільки розмовний штучний інтелект за останні роки покращився, багато компаній запровадили передові технології, такі як чат-боти на основі штучного інтелекту та підтримка агентів на основі штучного інтелекту, щоб покращити обслуговування клієнтів, підвищивши продуктивність і знизивши витрати.
«Амазонка» – це повністю керована служба обробки природної мови (NLP), яка постійно навчається, яка може отримувати інформацію про вміст документа або тексту. У цій публікації ми досліджуємо, як клієнт AWS Pro360 використовував API спеціальної класифікації Amazon Comprehend, який дає змогу легко створювати користувацькі моделі класифікації тексту, використовуючи мітки для вашого бізнесу, не вимагаючи вивчення машинного навчання (ML), щоб покращити взаємодію з клієнтами та зменшити операційні витрати.
Pro360: точно виявляйте заперечення клієнтів у чат-ботах
Pro360 це ринок, який має на меті зв’язати спеціалістів із галузевими талантами з потенційними клієнтами, дозволяючи їм знаходити нові можливості та розширювати свою професійну мережу. Це дозволяє клієнтам спілкуватися безпосередньо з експертами та домовитися про індивідуальну ціну на їхні послуги на основі їхніх індивідуальних вимог. Pro360 стягує плату з клієнтів у разі успішного збігу між спеціалістами та клієнтами.
Pro360 мав справу з проблемою, пов’язаною з ненадійними зарядами, які призвели до скарг споживачів і зниження довіри до бренду. Проблема полягала в тому, що було важко зрозуміти мету клієнта під час заплутаних розмов, наповнених кількома цілями, ввічливими відмовами та непрямим спілкуванням. Такі розмови призводили до помилкових нарахувань, що зменшувало задоволеність клієнтів. Наприклад, клієнт може розпочати розмову й негайно припинити її або ввічливо відмовитися, сказавши: «Я зайнятий» або «Дайте мені це пожувати». Крім того, через культурні відмінності деякі клієнти можуть не звикнути чітко висловлювати свої наміри, особливо коли вони хочуть сказати «ні». Це зробило його ще більш складним.
Щоб вирішити цю проблему, Pro360 спочатку додав параметри та варіанти вибору для клієнта, такі як «Я хотів би отримати більше інформації» або «Ні, у мене є інші варіанти». Замість того, щоб вводити власне запитання чи запит, клієнт просто вибирає запропоновані варіанти. Тим не менш, проблема все ще не була вирішена, оскільки клієнти воліли говорити просто та своєю природною мовою під час взаємодії з системою. Pro360 виявив, що проблема є результатом систем, заснованих на правилах, і що перехід до рішення, заснованого на NLP, призведе до кращого розуміння намірів клієнта та призведе до кращого задоволення клієнтів.
Спеціальна класифікація — це функція Amazon Comprehend, яка дозволяє вам розробити власні класифікатори, використовуючи невеликі набори даних. Pro360 використовував цю функцію для створення моделі з точністю 99.2% шляхом навчання на 800 точках даних і тестування на 300 точках даних. Вони дотримувалися триетапного підходу для створення та ітерації моделі для досягнення бажаного рівня точності від 82% до 99.3%. По-перше, Pro360 визначив два класи, відхилені та невідхилені, які вони хотіли використовувати для класифікації. По-друге, вони видалили нерелевантні емодзі та символи, такі як ~
та ...
і визначив негативні емодзі, щоб підвищити точність моделі. Нарешті, вони визначили три додаткові класифікації вмісту, щоб покращити рівень помилкової ідентифікації, включаючи невелику розмову, неоднозначну відповідь і відхилення з причиною, для подальшої ітерації моделі.
У цій публікації ми розповідаємо про те, як Pro360 використовував Amazon Comprehend для відстеження заперечень споживачів під час обговорень і використовував механізм людини в циклі (HITL), щоб включити відгуки клієнтів у вдосконалення та точність моделі, демонструючи простоту використання та ефективність Amazon Comprehend.
«Спочатку я вважав, що впровадження ШІ буде дорогим. Однак відкриття Amazon Comprehend дає нам змогу ефективно та економно перевести модель НЛП від концепції до реалізації лише за 1.5 місяці. Ми вдячні за підтримку, надану групою облікових записів AWS, командою архітектури рішення та експертами з ML з SSO та команди обслуговування».
– Л. С. Лі, засновник і генеральний директор Pro360.
Огляд рішення
На наступній діаграмі показано архітектуру рішення, що охоплює висновок у реальному часі, робочий процес зворотного зв’язку та робочий процес перевірки персоналом, а також те, як ці компоненти сприяють робочому процесу навчання Amazon Comprehend.
У наступних розділах ми проведемо вас через кожен крок у робочому процесі.
Класифікація тексту в реальному часі
використовувати Спеціальна класифікація Amazon Comprehend у режимі реального часу, вам потрібно розгорнути API як точку входу та викликати модель Amazon Comprehend для проведення класифікації тексту в реальному часі. Кроки такі:
- Телефонує клієнтська сторона API -шлюз Amazon як точку входу для надання клієнтського повідомлення як вхідних даних.
- API Gateway передає запит до AWS Lambda і викликає API з Amazon DynamoDB і Amazon Comprehend у кроках 3 і 4.
- Lambda перевіряє поточну версію кінцевої точки Amazon Comprehend, яка зберігає дані в DynamoDB, і викликає Кінцева точка Amazon Comprehend щоб отримати висновок у реальному часі.
- Лямбда з вбудованим правилом перевіряє оцінку, щоб визначити, чи є вона нижче порогу чи ні. Потім він зберігає ці дані в DynamoDB і чекає на схвалення людини для підтвердження результату оцінювання.
Робочий процес зворотного зв'язку
Коли кінцева точка повертає результат класифікації на сторону клієнта, програма пропонує кінцевому користувачеві підказку отримати відгук і зберігає дані в базі даних для наступного раунду (робочий процес навчання). Кроки робочого процесу зворотного зв’язку такі:
- Клієнтська сторона надсилає відгук користувачеві, викликаючи API Gateway.
- API Gateway обходить запит до Lambda. Lambda перевіряє формат і зберігає його в DynamoDB.
- Відгуки користувачів від Lambda зберігаються в DynamoDB і будуть використані для наступного процесу навчання.
Робочий процес огляду людини
Процес перевірки людьми допомагає нам уточнювати дані з показником достовірності нижче порогового значення. Ці дані є цінними для вдосконалення моделі Amazon Comprehend і додаються до наступної ітерації повторного навчання. Ми використовували Еластичне балансування навантаження як точку входу для проведення цього процесу, оскільки на ньому побудована система Pro360 Amazon Elastic Complute Cloud (Amazon EC2). Кроки для цього робочого процесу такі:
- Ми використовуємо існуючий API на Elastic Load Balancer як точку входу.
- Ми використовуємо Amazon EC2 як обчислювальний ресурс для створення зовнішньої інформаційної панелі для рецензента, щоб позначати вхідні дані нижчими оцінками достовірності.
- Після того як рецензент ідентифікує заперечення у вхідних даних, ми зберігаємо результат у таблиці DynamoDB.
Навчальний процес Amazon Comprehend
Щоб розпочати навчання моделі Amazon Comprehend, нам потрібно підготувати навчальні дані. У наступних кроках показано, як навчити модель:
- Ми використовуємо Клей AWS для виконання завдань вилучення, перетворення та завантаження (ETL) і об’єднання даних із двох різних таблиць DynamoDB і збереження їх у Служба простого зберігання Amazon (Amazon S3).
- Коли навчальні дані Amazon S3 будуть готові, ми зможемо запустити Функції кроку AWS як інструмент оркестровки для виконання навчального завдання, і ми передаємо шлях S3 у машину стану Step Functions.
- Ми викликаємо функцію Lambda, щоб перевірити, чи існує шлях навчальних даних, а потім запускаємо навчальне завдання Amazon Comprehend.
- Після початку навчального завдання ми використовуємо іншу функцію Lambda, щоб перевірити статус навчального завдання. Якщо навчальну роботу завершено, ми отримуємо метрику моделі та зберігаємо її в DynamoDB для подальшої оцінки.
- Ми перевіряємо продуктивність поточної моделі за допомогою функції вибору моделі Lambda. Якщо продуктивність поточної версії краща за вихідну, ми розгортаємо її на кінцевій точці Amazon Comprehend.
- Потім ми викликаємо іншу функцію Lambda, щоб перевірити стан кінцевої точки. Функція оновлює інформацію в DynamoDB для класифікації тексту в реальному часі, коли кінцева точка готова.
Підсумок і наступні кроки
У цьому дописі ми показали, як Amazon Comprehend дозволяє Pro360 створювати програму на основі ШІ без експертів-практиків з машинного навчання, що може підвищити точність виявлення заперечень клієнтів. Pro360 зміг побудувати спеціальну модель NLP лише за 1.5 місяці, і тепер він може визначити 90% ввічливих відмов клієнтів і виявити наміри клієнта із загальною точністю 99.2%. Це рішення не тільки покращує взаємодію з клієнтами, збільшуючи рівень утримання клієнтів на 28.5%, але також покращує фінансові результати, зменшуючи витрати на експлуатацію на 8% і зменшуючи навантаження на агентів з обслуговування клієнтів.
Однак виявлення заперечень клієнтів — це лише перший крок до покращення клієнтського досвіду. Продовжуючи аналіз досвіду клієнтів і прискорюючи зростання доходу, наступним кроком буде виявлення причин заперечень клієнтів, таких як відсутність інтересу, проблеми з часом або вплив з боку інших, і формування відповідної реакції для збільшення конверсії продажів. швидкість.
Щоб використовувати Amazon Comprehend для створення спеціальних моделей класифікації тексту, ви можете отримати доступ до служби через Консоль управління AWS. Щоб дізнатися більше про використання Amazon Comprehend, перегляньте Ресурси для розробників Amazon Comprehend.
Про авторів
Рей Ван є архітектором рішень в AWS. Маючи 8-річний досвід роботи в ІТ-індустрії, Рей присвячений створенню сучасних рішень у хмарі, особливо в NoSQL, великих даних і машинному навчанні. Як жадібний гравець, він пройшов усі 12 сертифікатів AWS, щоб зробити свою технічну сферу не тільки глибокою, але й широкою. Він любить читати та дивитися науково-фантастичні фільми у вільний час.
Джозі Ченг є HKT AI/ML Go-To-Market на AWS. Зараз вона зосереджена на трансформації бізнесу в роздрібній торгівлі та CPG за допомогою даних і машинного навчання для стимулювання величезного зростання підприємства. До того як приєднатися до AWS, Джозі працювала в Amazon Retail та інших китайських і американських інтернет-компаніях як менеджер із розвитку продуктів.
Шанна Чанг є архітектором рішень в AWS. Вона зосереджується на спостережливості в сучасних архітектурах і хмарних рішеннях моніторингу. До приходу в AWS вона була інженером-програмістом. У вільний час любить піші прогулянки та перегляд фільмів.
Вік Талукдар є старшим архітектором команди Amazon Comprehend Service. Він працює з клієнтами AWS, щоб допомогти їм запровадити машинне навчання у великих масштабах. Поза роботою він захоплюється читанням і фотографією.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- Карбування майбутнього з Адріенн Ешлі. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : має
- :є
- : ні
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- Здатний
- МЕНЮ
- прискорювати
- доступ
- рахунки
- точність
- точно
- Achieve
- доданий
- Додатковий
- прийняти
- прийнята
- після
- Агент
- агенти
- AI
- Можливість
- AI / ML
- Цілі
- ВСІ
- Дозволити
- дозволяє
- Також
- Amazon
- «Амазонка»
- Amazon EC2
- an
- та
- Інший
- API
- додаток
- підхід
- відповідний
- твердження
- архітектура
- ЕСТЬ
- AS
- аспекти
- Допомога
- At
- AWS
- Клієнт AWS
- свінг
- заснований
- BE
- оскільки
- перед тим
- вважається,
- нижче
- Краще
- між
- Великий
- Великий даних
- обидва
- боти
- марка
- приносити
- будувати
- Створюємо
- побудований
- вбудований
- бізнес
- Трансформація бізнесу
- підприємства
- але
- by
- call
- покликання
- Виклики
- CAN
- який
- Генеральний директор
- сертифікати
- складні
- вантажі
- chatbots
- перевірка
- Перевірки
- Китай
- вибір
- класів
- класифікація
- очевидно
- клієнт
- клієнтів
- хмара
- COM
- спілкуватися
- Комунікація
- Компанії
- скарги
- повний
- Компоненти
- осягнути
- обчислення
- концепція
- Проводити
- довіра
- підтвердити
- З'єднуватися
- споживач
- зміст
- триває
- постійно
- сприяти
- Розмова
- діалоговий
- розмовний ШІ
- розмови
- Перетворення
- Коштувати
- витрати
- покриття
- cpg
- культурний
- Поточний
- виготовлений на замовлення
- клієнт
- Досвід клієнтів
- Задоволеність клієнтів
- Контакти
- Клієнти
- налаштувати
- передовий
- приладова панель
- дані
- точки даних
- Database
- угода
- рішення
- Занепад
- присвячених
- глибокий
- певний
- демонстрація
- розгортання
- бажаний
- Виявлення
- Визначати
- Розробник
- Відмінності
- різний
- важкий
- безпосередньо
- відкриття
- обговорення
- документ
- вниз
- під час
- кожен
- простота використання
- легко
- ефективність
- продуктивно
- дозволяє
- Кінцева точка
- інженер
- Підсилює
- підприємство
- запис
- особливо
- оцінка
- Навіть
- приклад
- існуючий
- існує
- Розширювати
- досвід
- експерт
- експертиза
- experts
- дослідити
- витяг
- особливість
- зворотний зв'язок
- поле
- заповнений
- фінансовий
- знайти
- Перший
- Сфокусувати
- фокусується
- потім
- після
- слідує
- для
- формат
- засновник
- Засновник і генеральний директор
- від
- Паливо
- повністю
- функція
- Функції
- далі
- шлюз
- породжувати
- отримати
- Глобальний
- Вихід на ринок
- вдячний
- Зростання
- Мати
- he
- допомога
- допомагає
- Як
- How To
- Однак
- HTML
- HTTP
- HTTPS
- людина
- Голодний
- i
- ідентифікований
- ідентифікує
- ідентифікувати
- ідентифікує
- ілюструє
- негайно
- реалізація
- реалізації
- важливо
- удосконалювати
- поліпшений
- поліпшення
- поліпшення
- in
- У тому числі
- включати
- Augmenter
- зростаючий
- індивідуальний
- промисловість
- галузевий
- вплив
- інформація
- спочатку
- вхід
- розуміння
- замість
- намір
- наміри
- взаємодіючих
- інтерес
- інтернет
- в
- питання
- IT
- ІТ-індустрія
- ітерація
- робота
- Джобс
- приєднання
- JPG
- просто
- етикетки
- відсутність
- мова
- великий
- вести
- провідний
- УЧИТЬСЯ
- вивчення
- Led
- Подветренний
- рівень
- як
- жити
- загрузка
- Опускання
- машина
- навчання за допомогою машини
- made
- зробити
- вдалося
- управління
- менеджер
- багато
- ринку
- Може..
- механізм
- Злиття
- повідомлення
- методика
- метрика
- може бути
- ML
- модель
- Моделі
- сучасний
- моніторинг
- місяців
- більше
- кіно
- переміщення
- множинний
- Природний
- Обробка природних мов
- Необхідність
- негативний
- мережу
- Нові
- наступний
- nlp
- зараз
- численний
- мета
- of
- on
- ONE
- тільки
- операція
- оперативний
- Можливості
- Опції
- or
- оркестровка
- оригінал
- Інше
- інші
- поза
- загальний
- власний
- особливо
- проходити
- Пройшов
- проходить
- шлях
- продуктивність
- телефон
- телефонні дзвінки
- малюнок
- plato
- Інформація про дані Платона
- PlatoData
- точка
- точок
- пошта
- потенціал
- потенційні клієнти
- переважним
- Готувати
- price
- Проблема
- процес
- обробка
- Product
- менеджер по продукції
- продуктивність
- професійний
- забезпечувати
- за умови
- покупка
- PWC
- питання
- ставка
- RAY
- Читати
- читання
- готовий
- реальний
- реального часу
- причина
- Причини
- останній
- зменшити
- Знижений
- зниження
- пов'язаний
- Вилучено
- запросити
- Вимога
- ресурс
- відповідь
- результат
- роздрібна торгівля
- роздрібна промисловість
- утримання
- Умови повернення
- revenue
- Зростання доходів
- огляд
- круглий
- Правило
- прогін
- продажів
- задоволення
- шкала
- науково-фантастичний
- рахунок
- розділам
- вибір
- старший
- обслуговування
- Послуги
- Поділитись
- Показувати
- сторона
- простий
- просто
- з
- невеликий
- Софтвер
- Інженер-програміст
- рішення
- Рішення
- ВИРІШИТИ
- деякі
- говорити
- Фахівці
- старт
- починається
- стан
- Статус
- Крок
- заходи
- Як і раніше
- Стоп
- зберігання
- зберігати
- зберігати
- магазинів
- успішний
- такі
- підтримка
- система
- Systems
- таблиця
- TAG
- таланти
- балаканина
- команда
- технічний
- Технології
- Тестування
- Класифікація тексту
- ніж
- Що
- Команда
- їх
- Їх
- вони
- це
- ті
- три
- трикроковий
- поріг
- через
- час
- синхронізація
- до
- інструмент
- трек
- поїзд
- навчений
- Навчання
- Перетворення
- Перетворення
- величезний
- викликати
- Довіряйте
- при
- розуміти
- розуміння
- Updates
- us
- використання
- використовуваний
- користувач
- використання
- використовувати
- ПЕРЕВІР
- Цінний
- версія
- хотів
- було
- годинник
- спостереження
- we
- були
- Чи
- який
- в той час як
- широкий
- волі
- з
- без
- Work
- працював
- працює
- б
- років
- Ти
- вашу
- зефірнет