有效的自助服务选项对于联络中心来说变得越来越重要,但良好的实施却带来了独特的挑战。
亚马逊Lex 提供您的 亚马逊通 具有聊天机器人功能的联络中心,例如通过语音和文本通道的自动语音识别 (ASR) 和自然语言理解 (NLU) 功能。机器人接受自然语言语音或文本输入,识别输入背后的意图,并通过调用适当的响应来实现用户的意图。
呼叫者可能有不同的口音、发音和语法。与背景噪声相结合,这可能会给语音识别准确理解语句带来挑战。例如,“我想跟踪我的订单”可能会被误认为“我想用卡车运送我的持有人”。像这样失败的意图会让客户感到沮丧,他们必须重复自己的想法,被错误地路由,或者升级到现场代理,从而使企业付出更多的代价。
亚马逊基岩 使基础模型 (FM) 访问民主化,使开发人员能够轻松为现代联络中心构建和扩展基于人工智能的生成应用程序。由 Amazon Bedrock 提供的 FM,例如 亚马逊泰坦 和 人择克劳德,在互联网规模的数据集上进行预训练,赋予它们强大的 NLU 功能,例如句子分类、问答,以及增强语义理解(尽管存在语音识别错误)。
在这篇文章中,我们探索了一种解决方案,该解决方案使用 Amazon Bedrock 提供的 FM 来增强与 Amazon Connect 集成的 Amazon Lex 的意图识别,最终为您的客户提供改进的自助服务体验。
解决方案概述
该解决方案使用 亚马逊通, 亚马逊Lex , AWS Lambda及 亚马逊基岩 在以下步骤中:
- Amazon Connect 联系流通过以下方式与 Amazon Lex 机器人集成:
GetCustomerInput
块。 - 当机器人无法识别调用者的意图并默认为后备意图时,将触发 Lambda 函数。
- Lambda 函数获取客户话语的记录并将其传递给 Amazon Bedrock 中的基础模型
- 该模型利用其先进的自然语言功能来确定呼叫者的意图。
- 然后,Lambda 函数指示机器人将调用路由到正确的意图以实现。
通过使用 Amazon Bedrock 基础模型,该解决方案使 Amazon Lex 机器人能够在出现语音识别错误的情况下理解意图。这样可以实现顺利的路由和履行,防止升级给客服人员以及让呼叫者感到沮丧的重复。
下图说明了解决方案架构和工作流程。
在以下部分中,我们将更详细地了解该解决方案的关键组件。
Lambda 函数和 LangChain 框架
当 Amazon Lex 自动程序调用 Lambda 函数时,它会发送一条事件消息,其中包含自动程序信息和调用者的话语转录。使用此事件消息,Lambda 函数动态检索机器人的配置意图、意图描述和意图话语,并使用以下命令构建提示: 浪链,这是一个开源机器学习 (ML) 框架,使开发人员能够集成大型语言模型 (LLM)、数据源和应用程序。
然后使用提示调用 Amazon Bedrock 基础模型,并收到包含预测意图和置信度的响应。如果置信水平大于设定的阈值(例如 80%),该函数会将识别的意图返回给 Amazon Lex,并执行以下操作: 代表。如果置信水平低于阈值,则默认恢复为默认值 FallbackIntent
以及关闭它的操作。
情境学习、即时工程和模型调用
我们使用上下文学习来能够使用基础模型来完成这项任务。情境学习是指法学硕士能够仅使用提示中的内容来学习任务,而无需针对特定任务进行预先训练或微调。
在提示中,我们首先提供详细说明需要做什么的说明。然后,Lambda 函数动态检索 Amazon Lex 自动程序的配置意图、意图描述和意图话语并将其注入到提示中。最后,我们向它提供如何输出其思考和最终结果的说明。
以下提示模板在文本生成模型 Anthropic Claude Instant v1.2 和 Anthropic Claude v2 上进行了测试。我们使用XML标签来更好地提高模型的性能。我们还为模型在确定最终意图之前提供思考空间,以更好地改进其选择正确意图的推理。这 {intent_block}
包含意图 ID、意图描述和意图话语。这 {input}
块包含调用者转录的话语。最后添加三个反引号(“`)以帮助模型更一致地输出代码块。 A <STOP>
添加序列以阻止其进一步生成。
调用模型后,我们会收到来自基础模型的以下响应:
根据联系流会话属性过滤可用意图
当将该解决方案用作 Amazon Connect 联系流的一部分时,您可以通过指定会话属性进一步增强 LLM 识别正确意图的能力 available_intents
,在 “获取客户意见” 包含以逗号分隔的意图列表的块,如以下屏幕截图所示。通过这样做,Lambda 函数将仅包含这些指定的意图作为 LLM 提示的一部分,从而减少 LLM 必须推理的意图数量。如果 available_intents
如果未指定 session 属性,则默认情况下将使用 Amazon Lex 自动程序中的所有意图。
Lambda 函数对 Amazon Lex 的响应
LLM 确定意图后,Lambda 函数会在 具体格式 Amazon Lex 需要处理响应。
如果发现匹配意图高于置信度阈值,则返回对话操作类型 Delegate
指示 Amazon Lex 使用选定的意图,然后将完成的意图返回至 Amazon Connect。响应输出如下:
如果置信水平低于阈值或未识别意图,则对话操作类型 关闭 返回以指示 Amazon Lex 关闭 FallbackIntent
,并将控制权返回给 Amazon Connect。响应输出如下:
该示例的完整源代码可在 GitHub上.
先决条件
在开始之前,请确保您具备以下先决条件:
实施解决方案
要实施该解决方案,请完成以下步骤:
- 克隆存储库
- 运行以下命令初始化环境并创建 Amazon Elastic Container注册 (Amazon ECR) Lambda 函数图像的存储库。提供您要创建的 AWS 区域和 ECR 存储库名称。
- 更新
ParameterValue
中的字段scripts/parameters.json
文件:ParameterKey ("AmazonECRImageUri")
– 输入上一步中的存储库 URL。ParameterKey ("AmazonConnectName")
– 输入唯一的名称。ParameterKey ("AmazonLexBotName")
– 输入唯一的名称。ParameterKey ("AmazonLexBotAliasName")
– 默认为“prodversion”;如果需要,您可以更改它。ParameterKey ("LoggingLevel")
– 默认为“INFO”;如果需要,您可以更改它。有效值为 DEBUG、WARN 和 ERROR。ParameterKey ("ModelID")
– 默认为“anthropic.claude-instant-v1”;如果您需要使用不同的模型,您可以更改它。ParameterKey ("AmazonConnectName")
– 默认为“0.75”;如果您需要更新置信度分数,您可以更改它。
- 运行命令生成 CloudFormation 堆栈并部署资源:
如果您不想在 Amazon Connect 中从头开始构建联系流,您可以导入此存储库提供的示例流 filelocation: /contactflowsample/samplecontactflow.json
.
- 登录到您的 Amazon Connect 实例。必须为该帐户分配包含流编辑权限的安全配置文件。
- 在 Amazon Connect 控制台的导航窗格中,在 路由,选择 联络流程.
- 创建一个与您要导入的流类型相同的新流。
- 保存和导入流程.
- 选择要导入的文件并选择 进口.
将流导入现有流时,现有流的名称也会更新。
- 根据需要查看并更新任何已解决或未解决的参考文献。
- 要保存导入的流,请选择 保存。要发布,请选择 保存并发布.
- 上传联系流后,更新以下配置:
- 更新
GetCustomerInput
具有正确的 Amazon Lex 自动程序名称和版本的块。 - 在“管理电话号码”下,使用之前导入的联系流或 IVR 更新号码。
- 更新
验证配置
验证使用 CloudFormation 堆栈创建的 Lambda 函数是否具有 IAM 角色,该角色具有从 Amazon Lex 检索机器人和意图信息的权限(列出和读取权限)以及适当的 Amazon Bedrock 权限(列出和读取权限)。
在您的 Amazon Lex 自动程序中,针对您配置的别名和语言,验证 Lambda 函数设置是否正确。为了 FallBackIntent
, 确认 Fulfillmentis
设置 Active
能够在任何时候运行该函数 FallBackIntent
被触发。
此时,您的 Amazon Lex 自动程序将自动运行 Lambda 函数,并且该解决方案应该可以无缝运行。
测试解决方案
让我们看一下 Amazon Lex 中的示例意图、描述和话语配置,看看 LLM 在包含拼写错误、语法错误甚至不同语言的示例输入中的表现如何。
下图显示了我们示例的屏幕截图。左侧显示意图名称、其描述和单个单词示例话语。在 Amazon Lex 上无需进行太多配置,LLM 就能够预测正确的意图(右侧)。在此测试中,我们有一个来自正确意图的简单实现消息。
清理
要清理资源,请运行以下命令来删除 ECR 存储库和 CloudFormation 堆栈:
结论
通过使用由 Amazon Bedrock 提供的 LLM 增强的 Amazon Lex,您可以提高机器人的意图识别性能。这为不同的客户提供了无缝的自助服务体验,弥合了口音和独特语音特征之间的差距,并最终提高了客户满意度。
要更深入地了解生成式 AI,请查看以下附加资源:
有关如何试验由 AI 驱动的生成式自助服务解决方案的更多信息,请参阅 使用 QnABot on AWS 解决方案部署自助问答,该解决方案由 Amazon Lex 以及 Amazon Kendra 和大型语言模型提供支持.
作者简介
哈姆扎纳迪姆 是位于多伦多的 AWS 的 Amazon Connect 专家解决方案架构师。他与加拿大各地的客户合作,实现他们的联络中心现代化,并为其独特的客户参与挑战和业务需求提供解决方案。业余时间,哈姆扎喜欢旅行、踢足球以及与妻子一起尝试新食谱。
帕拉格·斯利瓦斯塔瓦 是 Amazon Web Services (AWS) 的解决方案架构师,帮助企业客户成功采用和迁移云。 在他的职业生涯中,他广泛参与了复杂的数字化转型项目。 他还热衷于围绕地址的地理空间方面构建创新解决方案。
罗斯·阿拉斯 是位于加拿大多伦多的 AWS 的解决方案架构师。他帮助客户利用 AI/ML 和生成式 AI 解决方案进行创新,从而实现真正的业务成果。他曾与零售、金融服务、技术、制药等领域的各种客户合作。业余时间,他喜欢户外活动,和家人一起享受大自然。
桑吉萨·卡马特卡 是 Amazon Web Services (AWS) 的解决方案架构师,帮助客户成功采用云并迁移。她与客户合作打造高度可扩展、灵活且有弹性的云架构,以解决客户的业务问题。闲暇时,她会听音乐、看电影,并在夏季享受园艺。
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 100
- 11
- 14
- 7
- 8
- 9
- a
- 对,能力--
- Able
- 关于
- 以上
- ACCESS
- 完成
- 账号管理
- 准确
- 操作
- 加
- 添加
- 额外
- 地址
- 地址
- 采用
- 高级
- 经纪人
- 中介代理
- AI
- AI供电
- AI / ML
- 所有类型
- 还
- Amazon
- 亚马逊肯德拉
- 亚马逊Lex
- 亚马逊网络服务
- 亚马逊网络服务(AWS)
- an
- 和
- 回答
- 回答
- 人类的
- 任何
- 应用领域
- 适当
- 架构
- 架构
- 保健
- 围绕
- AS
- 问
- 方面
- 分配
- 助理
- At
- 自动表
- 自动
- 可使用
- AWS
- 背部
- 背景
- 基于
- BE
- 成为
- 很
- before
- 背后
- 作为
- 如下。
- 更好
- 之间
- 阻止
- 吹氣梢
- 博特
- 机器人
- 桥接
- 建立
- 建筑物
- 建立
- 商业
- 企业
- 但是
- by
- 呼叫
- 呼叫中心
- 呼叫者
- CAN
- 加拿大
- 能力
- 寻找工作
- 分类
- CD
- Center
- 中心
- 挑战
- 挑战
- 更改
- 通道
- 特点
- 聊天机器人
- 查
- 检查
- 选择
- 分类
- 清洁
- 关闭
- 云端技术
- 云采用
- 码
- 结合
- 完成
- 完成
- 复杂
- 组件
- 信心
- 配置
- 配置
- 确认
- 分享链接
- 始终如一
- 安慰
- CONTACT
- 联络中心
- 容器
- 包含
- 控制
- 正确
- 正确地
- 手艺
- 创建信息图
- 创建
- 危急
- 顾客
- 客户参与
- 客户满意度
- 合作伙伴
- data
- 数据集
- 决定
- 更深
- 默认
- 默认
- 提升
- 交付
- 民主化
- 部署
- 描述
- 尽管
- 细节
- 详图
- 决心
- 确定
- 开发
- 图表
- 对话框
- 不同
- 数字
- 数字化改造
- 指导
- 潜水
- 不同
- 不
- 做
- 完成
- 别
- ,我们将参加
- 动态
- 此前
- 费力
- 使
- 结束
- 订婚
- 工程师
- 提高
- 增强
- 加强
- 享受
- 享受
- 输入
- 企业
- 环境
- 错误
- 故障
- 上报
- 甚至
- 活动
- 例子
- 现有
- 体验
- 实验
- 探索
- 广泛
- 失败
- 失败
- 家庭
- 字段
- 数字
- 文件
- 最后
- 终于
- 金融
- 金融服务
- 姓氏:
- 柔软
- 流
- 流动
- 以下
- 如下
- 针对
- 格式
- 发现
- 基金会
- 基础
- 骨架
- 止
- 沮丧
- 功能
- 功能
- 功能
- 进一步
- 差距
- 生成
- 发电
- 代
- 生成的
- 生成式人工智能
- 得到
- 特定
- 给
- 语法
- 更大的
- 有
- he
- 帮助
- 帮助
- 帮助
- 这里
- 高度
- 他的
- 持有人
- 创新中心
- How To
- HTTP
- HTTPS
- 人
- 确定
- 鉴定
- 确定
- IDS
- if
- 说明
- 图片
- 实施
- 实施
- 进口
- 输入
- 改善
- 改善
- in
- 包括
- 包括
- 不正确
- 日益
- 信息
- 创新
- 创新
- 输入
- 输入
- 即食类
- 说明
- 整合
- 集成
- 集成
- 意图
- 成
- 调用
- 所调用
- 参与
- IT
- 它的
- JPG
- 只是
- 键
- 语言
- 大
- 信息
- 学习用品
- 学习
- 左
- Level
- 喜欢
- 容易
- 清单
- 监听
- 生活
- LLM
- 看
- 爱
- 机
- 机器学习
- 使
- 管理
- 匹配
- 火柴
- 匹配
- 可能..
- 的话
- 移民
- 错误
- ML
- 模型
- 模型
- 现代
- 现代化
- 更多
- 电影
- 许多
- 音乐
- 必须
- my
- 姓名
- 自然
- 自然
- 旅游导航
- 必要
- 需求
- 打印车票
- 需要
- 全新
- lu
- 噪声
- 数
- of
- on
- 一
- 仅由
- 打开
- 开放源码
- 附加选项
- or
- 秩序
- 其它
- 我们的
- 输出
- 结果
- 户外活动
- 产量
- 面包
- 部分
- 特别
- 通行证
- 多情
- 性能
- 施行
- 权限
- 制药
- 电话
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 点
- 帖子
- 供电
- 预测
- 都曾预测
- 先决条件
- 礼物
- 预防
- 以前
- 问题
- 过程
- 所以专业
- 本人简介
- 项目
- 提供
- 提供
- 提供
- 发布
- 放
- 质量保证
- 题
- 阅读
- 真实
- 原因
- 接收
- 收到
- 承认
- 承认
- 确认
- 认识
- 减少
- 引用
- 地区
- 重复
- 知识库
- 必须
- 岗位要求
- 弹性
- 解决
- 资源
- 回应
- 响应
- 导致
- 成果
- 零售
- 回报
- 回报
- 右
- 角色
- Room
- 路线
- 路由
- 路由
- 运行
- 同
- 样品
- 满意
- 保存
- 可扩展性
- 鳞片
- 得分了
- 划伤
- 截图
- 无缝的
- 无缝
- 部分
- 保安
- 看到
- 选
- 自助服务
- 语义
- 发送
- 句子
- 序列
- 特色服务
- 会议
- 集
- 她
- 应该
- 如图
- 作品
- 侧
- 简易
- 光滑
- So
- 足球
- 方案,
- 解决方案
- 来源
- 源代码
- 来源
- 专家
- 指定
- 指定
- 言语
- 语音识别
- 堆
- 开始
- 州/领地
- 声明
- Status
- 步
- 步骤
- Stop 停止
- 强烈
- 后来
- 成功
- 这样
- 夏季
- 肯定
- 需要
- 任务
- 专业技术
- 模板
- test
- 测试
- 文本
- 比
- 这
- 其
- 他们
- 他们自己
- 然后
- 博曼
- 认为
- 思维
- Free Introduction
- 三
- 门槛
- 通过
- 始终
- 次
- 至
- 也有
- 多伦多
- 跟踪时
- 成绩单
- 转型
- 旅游
- 引发
- 卡车
- 尝试
- 试图
- 类型
- 最终
- 下
- 理解
- 理解
- 独特
- 更新
- 更新
- 网址
- 使用
- 用过的
- 使用
- 运用
- v1
- 有效
- 价值观
- 各种
- 确认
- 版本
- 通过
- 音色
- 想
- 是
- 了解
- we
- 卷筒纸
- Web服务
- 井
- 什么是
- 每当
- 这
- WHO
- 妻子
- 将
- 也完全不需要
- 工作
- 工作
- 工作流程
- 合作
- 将
- XML
- 完全
- 您一站式解决方案
- 和风网