Amazon heeft tijdens re:Invent 2021een geautomatiseerde chatbot ontwerper gepresenteerd. Hiermee wordt het designproces voor chatbots geautomatiseerd met behulp van bestaande conversatie transcripten. Amazon Lex ondersteunt het bouwen, testen en implementeren van chatbots en virtuele assistenten op contactcenterdiensten, websites en messagingskanalen.
De geautomatiseerde chatbot designer breidt zo de functionaliteit van Amazon Lex uit naar de ontwerpfase met behulp van machine learning. Hiermee wordt een eerste botontwerp geleverd dat gebruikers vervolgens zelf kunnen verfijnen. De geautomatiseerde chatbot designer moet zo de ontwerptijd reduceren tot enkele uren.
Gespreksontwerp
Organisaties gebruiken chatbots om de selfservice te vergroten en de klantervaring op grote schaal te verbeteren. Chatbots in het contactcentrum automatiseren veelvoorkomende vragen van gebruikers en maken menselijke agenten vrij om zich te concentreren op het oplossen van complexere problemen.
Het maken van een chatbot vereist kennis van technologie en zakelijke kennis. De eerste stap bij het ontwerpen van een bot is het uitvoeren van gebruikersonderzoek op basis van zakelijke behoeften en het identificeren van de gebruikersverzoeken of intenties waarop moet worden gefocust.
Intentie
Klanten beginnen vaak met het analyseren van transcripties van gesprekken tussen agenten en gebruikers om de meest voorkomende intenties te ontdekken en te volgen. Een intentie is de belangrijkste reden voor klantcontact of een doel dat de klant probeert te bereiken. Een persoon die contact opneemt met een verzekeringsmaatschappij om een claim in te dienen, kan bijvoorbeeld zeggen: “Mijn kelder staat onder water, ik moet een nieuwe claim indienen.”
De bedoeling in dit geval is “een nieuwe claim indienen”. Het kan een team van bedrijfsanalisten, producteigenaren en ontwikkelaars meerdere weken kosten om duizenden regels met transcripties te analyseren en de juiste intenties te vinden terwijl ze chatbots ontwerpen voor hun contactcenterstromen. Dit is tijdrovend en kan leiden tot ontbrekende intenties.
Ambiguïteit
De tweede stap is het verwijderen van ambiguïteit tussen intenties. Als een gebruiker bijvoorbeeld zegt: “Ik wil een claim indienen”, is het belangrijk om te onderscheiden of de gebruiker een claim voor thuis of automatisch probeert in te dienen. De typische trial-and-error-aanpak om dergelijke overlappingen tussen intenties te identificeren, kan foutgevoelig zijn.
De derde en laatste stap is het samenstellen van een lijst met geldige informatiewaarden die nodig zijn om verschillende intenties te vervullen. Om bijvoorbeeld te voldoen aan de bedoeling ‘een nieuwe claim indienen’, hebben ontwikkelaars een lijst met verschillende soorten polissen nodig (auto, thuis en reizen). Een chatbot met ontbrekende, onvolledige of overlappende intenties zal gebruikersverzoeken niet correct oplossen, wat resulteert in gefrustreerde klanten.
ML
De geautomatiseerde chatbotontwerper gebruikt ML om gesprekstranscripties tussen bellers en agenten te analyseren en deze semantisch te clusteren rond de meest voorkomende intenties en gerelateerde informatie. In plaats van uw ontwerp helemaal opnieuw te beginnen, kunt u de intenties gebruiken die door de chatbotontwerper naar voren zijn gebracht, het ontwerp herhalen en uw doelervaring sneller bereiken.
In het voorbeeld van een verzekeringschatbot analyseert de geautomatiseerde chatbotontwerper eerst transcripties om intenties zoals “een nieuwe claim indienen” automatisch te identificeren uit zinnen, zoals “Mijn kelder staat onder water, ik moet een nieuwe claim starten” of “Ik wil om een schadeclaim aan het dak in te dienen.” De geautomatiseerde chatbotontwerper kan binnen een paar uur duizenden regels met transcripties analyseren, waardoor de inspanning wordt geminimaliseerd en de ontwerptijd van de chatbot wordt verkort.
Frustratie
Dit helpt ervoor te zorgen dat de intenties goed gedefinieerd en goed gescheiden zijn door automatisch eventuele overlappingen ertussen te verwijderen. Zo kan de bot de gebruiker beter begrijpen en frustratie voorkomen. Ten slotte verzamelt de geautomatiseerde chatbotontwerper informatie, zoals beleids-ID of claimtype, die nodig is om alle geïdentificeerde intenties te vervullen.
Door handmatige inspanning en menselijke fouten bij elke stap van het chatbotontwerp te verminderen, helpt de geautomatiseerde chatbotontwerper bots te creëren die gebruikersverzoeken begrijpen zonder verwarring, waardoor de eindgebruikerservaring wordt verbeterd.
