Innovative Algorithmen: Generative KI gestaltet Branchen neu

Einer der faszinierendsten Bereiche innerhalb der KI ist die Generative Künstliche Intelligenz (GenAI), eine Technologie, die es Computern ermöglicht, Inhalte zu erstellen, die von Bildern und Musik bis hin zu Text und sogar Code reichen. Öffentliche Cloud-Anbieter wie Amazon Web Services (AWS), Google Cloud Platform oder Microsoft haben in diesem Bereich mit ihren Angeboten für Generative Künstliche Intelligenz (GenAI) erhebliche Fortschritte erzielt.

Generative Künstliche Intelligenz beinhaltet den Einsatz von Machine-Learning-Algorithmen, um originelle Inhalte zu erstellen, die menschliche Kreativität imitieren. Diese Algorithmen werden auf riesigen Datensätzen trainiert und können alles von Bildern und Musik bis hin zu Text und Video produzieren. Der Eckpfeiler von GenAI ist ihre Fähigkeit, Muster und Beziehungen aus bestehenden Daten zu lernen und neue Inhalte zu generieren, die diesen Mustern entsprechen.

Ankercloud ist führend bei der Nutzung von GenAI-Angeboten, um ein unvergleichliches kreatives Potenzial freizusetzen. Durch die Kombination von Spitzentechnologie mit der Expertise von Ankercloud können Unternehmen die Leistungsfähigkeit der Generativen KI nutzen, um ihre Abläufe zu transformieren und ihre Zielgruppe zu begeistern.

Die Leistungsfähigkeit der AWS GenAI-Dienste

Mit den GenAI-Diensten von Ankercloud sind die Möglichkeiten so vielfältig wie spannend:

Maßgeschneiderte GenAI-Modelle

‍ Unser Team aus erfahrenen KI-Experten arbeitet eng mit Ihrem Unternehmen zusammen, um maßgeschneiderte Generative KI-Modelle zu entwickeln. Diese Modelle sind fein abgestimmt, um Ihren einzigartigen Anforderungen an die Inhaltserstellung gerecht zu werden, sei es die Generierung von Bildern, Videos, Text oder sogar Musik.

Fachwissen im Bereich KI-Workloads

‍Ankercloud ist bestens vertraut mit führenden Machine-Learning-Diensten von AWS und GCP. Wir nutzen Workloads wie Amazon SageMaker, um GenAI-Modelle zu entwickeln, zu trainieren und bereitzustellen, wodurch Ihr Unternehmen an der Spitze der KI-gesteuerten Innovation bleibt.‍

Vielfältige Branchenanwendungen

‍Unsere GenAI-Dienste überwinden Branchenbarrieren. Ob Sie im E-Commerce, Design, Unterhaltung, Gesundheitswesen oder Gaming tätig sind, Ankercloud verfügt über die Expertise, GenAI-Lösungen maßzuschneidern, die Ihren Geschäftszielen entsprechen.

Ankerclouds GenAI-Erfahrung: Greifbare Einblicke aus erfolgreichen Projekten

Ankercloud hat in Zusammenarbeit mit AWS und GCP erfolgreich mehrere Projekte umgesetzt, um greifbare Lösungen für verschiedene Kunden bereitzustellen. Hier sind einige detaillierte Beispiele:

1. Kundensupport-Chatbot‍

  - Branchen: EdTech, Wirtschaft & Governance

  - Herausforderung: Ein globales Startup für Sprachlösungen hatte Verzögerungen und Managementprobleme aufgrund der manuellen Bearbeitung von Nutzeranfragen. 

- Lösung: Die Lösung von Ankercloud umfasste die Entwicklung eines KI-gesteuerten Chatbots unter Verwendung von Amazon Lex, Amazon Kendra und Amazon Connect. Dieser Bot liefert autonom Antworten, leitet Nutzer an die richtige Abteilung weiter und verbessert sich mit der Zeit.

  - Ergebnis: Reduzierte Kosten, schnellerer Support, erhöhte Kundenzufriedenheit und verbesserte Fähigkeiten der Mitarbeiter.

2. Chatbot für den öffentlichen Sektor

 - Herausforderung: Ein Kunde im deutschen öffentlichen Sektor benötigte einen KI-gesteuerten Chatbot für seine Website, der schnelle Antworten, natürliche Gespräche und globale Kontaktinformationen bietet. 

Lösung: Ankercloud entwickelte einen konversationellen Chatbot unter Verwendung von AWS-Diensten wie Amazon Lex, Lambda-Funktion und API Gateway.

 - Ergebnis: Der Chatbot erfasst effektiv die Nutzerabsicht, ruft Daten aus einer PostgreSQL-Datenbank ab und liefert maßgeschneiderte Antworten.

3. Automatische Berichtsgenerierung

   - Branchen: Insuretech, Gesundheitswesen

   - Herausforderung: Ein Startup im Bereich Krankenversicherung hatte mit manuellen und zeitaufwändigen Prozessen bei der Bearbeitung von Versicherungsansprüchen zu kämpfen.

 - Lösung: Ankercloud automatisierte diesen Prozess mittels Optischer Zeichenerkennung (OCR), Validierungsmodellen und Berichtsgenerierung.

  - Ergebnis: Ärzte können schnell auf wichtige Entscheidungsdaten zugreifen, mehr Patienten behandeln und eingehende Dokumente effizient bearbeiten.

Zukünftige Projekte

Ankercloud ist aktiv an mehreren laufenden Projekten beteiligt:

- Generierung synthetischer Daten für das Training von ML-Modellen.

- Entwicklung einer Empfehlungsmaschine für SaaS-Anwendungen.

- Entwicklung eines NLP-Chatbots, der in gängige Messaging-Dienste integriert ist.

- Erstellung maßgeschneiderter Inhalte für Bildungsanwendungen.

Diese konkreten Fallstudien zeigen unsere Expertise bei der Nutzung von GenAI zur Bewältigung von Herausforderungen in verschiedenen Branchen, wodurch Effizienz, Kosteneinsparungen und verbesserte Benutzererlebnisse erzielt werden. Durch innovative Lösungen und die Kraft der Zusammenarbeit gestalten wir die Zukunft der KI-gesteuerten Transformation.

‍Fazit

Der Einsatz der AWS Generative Artificial Intelligence (GenAI) Services durch Ankercloud stellt einen Paradigmenwechsel in der Art und Weise dar, wie Unternehmen Innovationen vorantreiben und Werte schaffen. Durch die Nutzung dieser Technologie können Organisationen neue Ebenen an Effizienz, Kreativität und Wettbewerbsfähigkeit erschließen. Werden Sie noch heute Partner von Ankercloud, um sich auf eine Reise der KI-gestützten Transformation zu begeben und eine hellere, innovativere Zukunft für Ihr Unternehmen zu sichern.

‍

‍

AWS hat die Art und Weise, wie Unternehmen an IT-Infrastruktur herangehen, revolutioniert. Mit einer breiten Palette von Diensten, die Computing, Speicher, Datenbanken, maschinelles Lernen, Analysen und vieles mehr umfassen, bietet AWS die Tools und Ressourcen, die benötigt werden, um Anwendungen mit beispielloser Flexibilität und Agilität zu entwickeln, bereitzustellen und zu skalieren. Der schiere Umfang der AWS-Angebote kann jedoch überwältigend sein, und Organisationen fällt es oft schwer, den Wert ihrer Investitionen zu maximieren.

Herausforderungen im AWS-Management

‍1. Komplexität: Die schiere Anzahl der AWS-Dienste und die Komplexität ihrer Konfigurationen können überwältigend sein.

2. Kostenoptimierung: Die Kontrolle der AWS-Ausgaben, ohne die Leistung zu beeinträchtigen, ist ein heikler Balanceakt.

3. Sicherheit und Compliance: Die Gewährleistung der Sicherheit und Compliance von AWS-Workloads erfordert ständige Wachsamkeit und Fachwissen.

‍4. DevOps und Automatisierung: Die Implementierung von DevOps-Praktiken und Automatisierung ist entscheidend für schnelle Entwicklung und Bereitstellung, kann aber komplex einzurichten sein.

Maßgeschneiderte Lösungen für Ihre AWS-Reise

Die AWS CloudOps-Lösungen von Ankercloud sind darauf ausgelegt, diese Herausforderungen umfassend anzugehen, sodass sich Unternehmen auf Innovation und Wachstum konzentrieren können, während wir die Feinheiten des AWS-Managements übernehmen. So optimieren wir Ihre Cloud-Operationen:

Cloud-Governance – Unsere AWS-Experten arbeiten eng mit Ihrem Team zusammen, um eine Cloud-Infrastruktur zu entwerfen, bereitzustellen und zu verwalten, die auf Ihre individuellen Geschäftsanforderungen zugeschnitten ist. Wir konzentrieren uns auf Skalierbarkeit, Zuverlässigkeit und Kosteneffizienz und stellen sicher, dass Ihre Infrastruktur mit Ihrem Unternehmen wächst.

Kostenoptimierung- Kostenmanagement hat für Unternehmen, die auf AWS operieren, oberste Priorität. Wir führen detaillierte Kostenanalysen durch, identifizieren Einsparpotenziale und implementieren Strategien zur Optimierung Ihrer AWS-Ausgaben bei gleichzeitiger Aufrechterhaltung der Spitzenleistung.

Robuste Sicherheit und Compliance Sicherheit in der Cloud hat oberste Priorität. Wir implementieren die neuesten AWS-Sicherheitsbest Practices, führen regelmäßige Sicherheitsaudits durch und stellen sicher, dass Ihre AWS-Umgebung den Industriestandards und Vorschriften entspricht. Die Sicherheit Ihrer Daten ist unsere oberste Priorität. Zusätzlich verbessern wir die Sicherheit Ihrer Webanwendungen mithilfe der AWS Web Application Firewall (WAF), die vor gängigen Web-Exploits und Angriffen wie SQL-Injection, Cross-Site Scripting (XSS) und mehr schützt. Mit AWS WAF etablieren und erzwingen wir strenge Zugriffskontrollen, die Ihre Anwendungen vor unbefugtem Zugriff und Schwachstellen schützen.‍

Proaktives Monitoring und Alerting - Ausfallzeiten sind kostspielig und störend. Unsere AWS CloudOps Solutions umfassen eine 24/7-Überwachung und -Alarmierung, sodass wir Probleme erkennen und beheben können, bevor sie Ihren Betrieb beeinträchtigen. Unser proaktiver Ansatz sorgt dafür, dass Ihre AWS-Infrastruktur reibungslos läuft und Ihr Unternehmen widerstandsfähig und reaktionsschnell bleibt.

Betriebsmanagement – Der Ankercloud 24x7 Managed Service übernimmt das Management der Kundeninfrastruktur und -Workloads, was die Überwachung und Wartung der Infrastruktur einschließt, sodass sich Kunden auf ihre Geschäftsabläufe konzentrieren können.

Schließen Sie sich der wachsenden Zahl von Unternehmen an, die den AWS CloudOps Solutions von Ankercloud vertrauen, um ihre AWS-Infrastruktur zu optimieren, die Effizienz zu steigern und die Sicherheit zu verbessern. Begeben wir uns gemeinsam auf den Weg in die Cloud. Kontaktieren Sie uns noch heute, um mehr darüber zu erfahren, wie wir Ihre AWS-Umgebung in ein leistungsstarkes Asset für Ihr Unternehmen verwandeln können.

‍

Heute werden wir einen vollständig automatisierten Sprachbot aufbauen oder einen Callcenter-Flow einrichten, der Ihnen Echtzeit-Konversationen ermöglicht, indem wir die in der Amazon Konsole verfügbaren Dienste Amazon Connect, Lex V2, DynamoDB, S3 und Lambda Function nutzen. Der Sprachbot ist auf Deutsch erstellt, und unten ist der gesamte Ablauf dargestellt, der in diesem Blogbeitrag beschrieben wird.

Vorteile der Nutzung von Lex-Bot

• Lex ermöglicht jedem Entwickler, schnell konversationelle Chatbots zu erstellen.

• Es ist keine tiefgehende Deep-Learning-Expertise erforderlich – um einen Bot zu erstellen, geben Sie einfach den grundlegenden Konversationsfluss in der Amazon Lex Konsole an. Der ASR-Teil (Automatic Speech Recognition) wird intern von Lex übernommen, sodass wir uns darum keine Sorgen machen müssen. Sie integrieren nahtlos Lambda-Funktionen, DynamoDB, Cognito und andere AWS-Dienste.

• Im Vergleich zu anderen Diensten ist Amazon Lex kostengünstig.

Architekturdiagramm

Architektur

Innerhalb der AWS-Umgebung, Amazon Connect ist ein nützliches Tool zur Einrichtung eines Callcenters. Es erleichtert Kundengespräche und schafft einen reibungslosen Ablauf, der mit einem auf Deutsch trainierten Lex v2 Bot kombiniert wird. Dieser Bot ist darauf ausgelegt, eine Reihe von Kundeninteraktionen zu verwalten und dabei wichtige Daten über Slots (bestimmte Datenpunkte, die der Bot benötigt) und Intents (Aktionen, die der Bot ausführen könnte) zu sammeln. Der Lex-Bot wird dann an eine Lambda-Funktion angehängt, die ausgelöst wird, wenn der Kunde mit einem Produktnamen antwortet. Andernfalls verbindet sie den Kunden direkt mit einem menschlichen Agenten für weitere Anfragen. 

Die Lambda-Funktion ermittelt zunächst den Produktnamen aus der Kundeneingabe und vergleicht ihn dann mit der Produktliste, die wir im S3-Bucket haben. Dort sind Details wie Preis, Gewicht, Größe usw. aus einer Excel-Tabelle (Excel-Tabelle) hinterlegt, die derzeit nur zwei Produkte enthält, nämlich Samsung Galaxy S24 und Apple iPhone 15, mit deren Preisen, Gewichten und Größen. Die Eingabe des Kunden wird mithilfe des Fuzzy-Matching-Algorithmus mit dem ähnlichsten Produktnamen in der Excel-Tabelle abgeglichen.

Der Schwellenwert für diesen Produktabgleich ist auf 60 oder mehr festgelegt und kann je nach Bedarf angepasst werden. Nur wenn der Kunde bestellen möchte, beginnt der Bot mit der Erfassung von Kundendaten wie Name und weiteren Details. Der Bot verfügt über einen Bestätigungsblock, der dem Kunden mitteilt, was er aus der Kundeneingabe verstanden hat (wie eine Überprüfung). Wenn der Kunde dies nicht bestätigt, fragt er erneut nach diesem spezifischen Intent. Bei Bedarf können wir die Wiederholungslogik hinzufügen. Hier ist eine maximale Wiederholungsanzahl von 3 für alle Kundendaten festgelegt, um sicherzustellen, dass der Bot die richtigen Daten von den Kunden abruft, während er von Sprache in Text (ASR) transkribiert. 

Nachdem die Daten vom Kunden abgerufen wurden, können wir vor dem Speichern überprüfen, ob die gesammelten Daten gültig sind, indem wir sie an das Mixtral 8x7B Instruct v0.1 Modell übergeben. Ich verwende dieses Modell, da meine Konversation auf Deutsch stattfindet und das Mistral-Modell in Deutsch und anderen Sprachen trainiert wurde, was die Verarbeitung für mich erleichtert. Dieses Modell wird über den Amazon Bedrock-Dienst aufgerufen. Wir rufen dieses Modell in der Lambda-Funktion auf, die eine Prompt-Vorlage enthält, die eine Reihe von Anweisungen beschreibt. Zum Beispiel gebe ich hier Anweisungen wie „extrahieren Sie einfach den Produktnamen aus der Eingabe des Anrufers“. Nachdem die Antwort vom LLM erhalten wurde, wird die Ausgabe dann zusammen mit den Originaldaten und den Anrufaufzeichnungssegmenten aus dem S3-Bucket als Session-Attribute im untenstehenden Code-Snippet gespeichert.

def update_custom_attribute(event, field_name, field_value):

    session_state = event['sessionState']

    if 'sessionAttributes' not in session_state:

        session_state['sessionAttributes'] = {}

    if 'userInfo' not in session_state['sessionAttributes']:

        user_info = {}

    else:

        user_info = json.loads(session_state['sessionAttributes']['userInfo'])

updated_session_state = update_custom_attribute(event, 'name', name_value)

return {

            "sessionState": {

                "dialogAction": {

                    "type": "ElicitSlot",

                    "slotToElicit": "country"

                },

                "intent": {

                    "name": "CountryName",

                    "state": "InProgress",

                    "slots": {}

                },

                "sessionAttributes": updated_session_state['sessionAttributes']

            },

            "messages": [

                {

                    "contentType": "PlainText",

                    "content": "Wie lautet der Name Ihres Landes?"

                }

            ]

        }

Schließlich werden die Aufzeichnungen in der DynamoDB gespeichert, wobei die Zeit als Primärschlüssel dient, damit jeder Datensatz eindeutig ist.

AMAZON CONNECT

So sieht die Benutzeroberfläche von Amazon Connect aus. Sie können eine neue Instanz erstellen, indem Sie auf die Schaltfläche „Instanz hinzufügen“ klicken. Sie können den Namen der URL-Connect-Instanz angeben. Nachdem Sie die Instanz erstellt haben, klicken Sie auf die Notfall-Anmelde-/Zugriffs-URL (melden Sie sich mit dem Benutzerkonto an, das Sie bei der Erstellung der Instanz erstellt haben).

Die Abbildung unten zeigt die Erstellung von gebührenfreien Nummern, wo Sie das Telefon-Symbol auswählen, die Telefonnummer auswählen und auf „Nummer beantragen“ klicken. Wählen Sie dann die Stimme für den Voicebot und das Land aus, für das Sie die Nummer erstellen möchten, und klicken Sie auf die Schaltfläche „Speichern“. Beachten Sie, dass Sie beim Beantragen einer Nummer für einige Länder Nachweise einreichen müssen. Beachten Sie dieses Dokument [1] . 

Erstellen Sie als Nächstes die Arbeitszeiten über den Flow-Pfeil in der Konsole. Ich habe eine Zeit von 9:00 Uhr bis 17:00 Uhr festgelegt, damit ich den Anruf an einen menschlichen Agenten weiterleiten kann, falls der Anrufer Fragen hat. Wenn Sie jedoch möchten, dass Ihr Voicebot rund um die Uhr verfügbar ist, ändern Sie die Verfügbarkeit oder erstellen Sie neue Betriebszeiten.

Erstellen Sie als Nächstes eine Warteschlange und fügen Sie die Betriebszeiten in die Warteschlange ein. Das war's, wir sind fast fertig mit der Einrichtung einiger Dinge in Amazon Connect. Schauen wir uns nun die Flows an und sehen, wie unser kompletter Flow aussieht.

Das obige Diagramm zeigt den Amazon Connect Flow, wobei der Block „Stimme einstellen“ verwendet wird, um eine bestimmte Stimme festzulegen. Der Block „Protokollierungsverhalten festlegen“ und „Aufzeichnungs- und Analyse-Verhalten festlegen“ werden verwendet, um das Gespräch nach der Verbindung mit dem Agenten aufzuzeichnen. „Aufforderung abspielen“ wird verwendet, um eine einfache Aufforderung zu beantworten, die besagt, dass der Anruf aufgezeichnet wird. Der Block „Kontaktattribute festlegen“ enthält zwei Sitzungsattribute: eines, um sich auf die Stimme des Benutzers statt auf Hintergrundgeräusche zu konzentrieren, und ein weiteres, um nicht dazwischenzufahren, wenn der Bot antwortet. Nach dem Hinzufügen dieser beiden Sitzungsattribute in den Connect Flow kann der Anruf den Flow passieren, selbst wenn ein gewisses Maß an Hintergrundgeräuschen vorhanden ist. Der Block „Kundeneingabe abrufen“ wird verwendet, um den Anruf mit dem Lex-Bot zu verbinden. Wenn der Kunde mit dem Agenten verbunden werden möchte, stellt die Einstellung der Arbeitswarteschlange sicher, dass die Verbindung zum Agenten hergestellt wird. Schließlich wird der Anruf mit dem Block „Verbindung trennen“ beendet.

AMAZON LEX

Als Nächstes können wir einen Bot von Grund auf neu erstellen, indem wir auf das Symbol „Bot erstellen“ in der Lex-Konsole klicken. Sie können den Namen des Bots mit den erforderlichen IAM-Berechtigungen angeben und „Nein“ für den Kinderschutz auswählen. Im nächsten Schritt wählen Sie die Sprache aus, in der Ihr Bot trainiert werden soll, und wählen die Stimme aus. Der Intent-Klassifizierungswert liegt zwischen 0 und 1. Dies ähnelt einem Schwellenwert, bei dem der Bot den Grund des Kunden/Benutzers klassifizieren kann. Wenn ich beispielsweise mehrere Intents habe, verbindet er sich basierend auf dem Wert mit dem wahrscheinlichsten Intent. Sie können auch mehrere Sprachen hinzufügen, um Ihren 

Bot zu trainieren.

Sie können einen Intent erstellen, um den Grund des Kunden/Anrufers für den Anruf zu erfahren, z. B. „Ein Mobiltelefon bestellen“. In unserem Fall erwarten wir einen Produktnamen vom Kunden, wie Samsung Galaxy oder Apple iPhone. Die Beispieläußerungen werden verwendet, um das Gespräch mit dem Bot ganz am Anfang des Gesprächs zu initiieren. Zum Beispiel können wir „Hallo“, „Ich möchte bestellen“ usw. sagen, um den Intent auszulösen, von dem Sie erwarten, dass Ihr Bot basierend auf dem Kundenwunsch antwortet. Wenn Sie mehrere Intents wie Begrüßungen, Bestellung, Adresse haben, verbinden Sie diese Intents nacheinander in einem Flow mithilfe des „Gehe zu Intent“-Blocks.

Slots werden verwendet, um den Intent zu erfüllen. Zum Beispiel muss der Bot hier wissen, welches Produkt der Kunde bestellen möchte, um diesen Begrüßungs-Intent abzuschließen. Ebenso können Sie Slots in einem einzelnen Intent erstellen oder separate Slots in jedem Intent erstellen und diese im Flow verbinden. Der Bestätigungsblock wird verwendet, um die Benutzereingabe, wie den Produktnamen, basierend auf der Antwort des Kunden erneut zu überprüfen (sagt der Kunde „Ja“, geht es zum nächsten Schritt; sagt er „Nein“, geht es zum vorherigen Zustand zurück und fragt erneut).

Sie können die Genauigkeit des Lex-Bots verbessern, indem Sie die Spracherkennung (ASR) dessen, was der Kunde sagt, verbessern. Dies geschieht durch das Erstellen eines benutzerdefinierten Slot-Typs und das Trainieren des Bots mit einigen Beispielen dessen, was der Kunde sagen könnte. In unserem Fall könnte der Kunde beispielsweise Produktnamen wie iPhone, Apple iPhone, iPhone 15 usw. nennen. Fügen Sie daher einige Werte in die Slot-Äußerungen ein, was die Spracherkennung verbessern kann. Sie können mehrere benutzerdefinierte Slot-Typen erstellen, z. B. Produktname, Kundenname, Adresse usw.

Sie können auf die Option „Visual Builder“ klicken, um Ihren Flow im Lex V2 Bot anzuzeigen. Lassen Sie uns besprechen, was jeder Block tut, und wir können diese Blöcke einfach per Drag & Drop ziehen, um den Flow zu erstellen. Lambda-Blöcke oder Code-Hook-Blöcke werden im Flow verwendet, wenn Ihr Bot Informationen von verschiedenen Diensten abrufen soll (S3, was in einer Lambda-Funktion geschieht). Zum Beispiel sind meine Produktdetails wie Preis, Größe, Gewicht alle in einem S3-Bucket gespeichert, um die Daten abzurufen, und wir verwenden auch Fuzzy-Logik, um die am besten passende Antwort zu finden. Wir können nur eine Lambda-Funktion pro Bot aufrufen, daher haben wir die Logik hinzugefügt, die die Kundeneingabe zur Überprüfung an das Mistral 8X7 Modell weiterleitet und die endgültige Ausgabe mit dem Audio-Ordner in der DynamoDB speichert.

Lambda-Funktion

Diese Lambda-Funktion wird verwendet, um die Produktinformationen abzurufen, nachdem die Eingabe des Kunden erfasst wurde. Wenn der Kunde beispielsweise „Apple iPhone“ sagt, ruft die Lambda-Funktion die Details aus dem S3-Bucket ab und gleicht diese mithilfe der Fuzzy-Logik ab, wobei wir einen Schwellenwert von 80 oder mehr festgelegt haben. Wenn der Score der Benutzereingabe den Schwellenwert erreicht, werden die Produktdetails zurückgegeben und zum nächsten Intent übergegangen. Der Bot erwartet eine Antwort innerhalb von 3-4 Sekunden, nachdem er die Benutzerabsicht abgefragt hat. Wird keine Antwort empfangen (wenn der Anrufer stumm ist oder nichts gesagt hat), hat der Bot ursprünglich den leeren String als Antwort interpretiert und direkt eine Verbindung zum Agenten hergestellt. Wir haben jedoch eine Logik implementiert, um den Ablauf fortzusetzen, indem bei einer leeren Eingabe erneut nach der Eingabe gefragt wird. In der nächsten Sitzung sehen wir uns an, wie Daten in einer DynamoDB-Tabelle gespeichert werden. Beachten Sie die untenstehenden Referenzen.

Beispielanrufe

Nachdem die Begrüßung empfangen wurde, werden die Informationen zu den verfügbaren Produkten mitgeteilt und es wird gefragt, nach welchem Produkt gesucht wird.

Nach Erhalt des Produktnamens erklärt der Bot die Produkte und fragt nach einer Bestellbestätigung. Wenn ja, beginnt er mit der Erfassung der Anruferdaten. Wenn nein oder wenn keine Produkte den Anforderungen des Anrufers entsprechen, wird eine Verbindung zum menschlichen Agenten hergestellt, um weitere Informationen zu erhalten.

Auf dem obigen Bild werden Details wie Name und Länderinformationen des Anrufers erfasst.

Anschließend werden der Stadtname und der Straßenname des Anrufers erfasst.

Zuletzt werden die Postleitzahl/PLZ erfasst und eine Dankesnachricht mit einer Bestellbestätigung von Lex gesendet. Diese Bilder beschreiben den vollständigen Ablauf, wie Amazon Lex auf den Kunden reagiert. Es wurde eine Wiederholungslogik von maximal 3 Versuchen integriert, bei der der Bot den Kunden erneut fragt, wenn er die Kundenabsicht nicht verstehen kann. Der Bot wurde darauf trainiert, eine Verbindung zu einem menschlichen Agenten herzustellen, wenn er nicht antworten kann oder wenn der Kunde direkt angibt, mit einem Agenten sprechen zu wollen. Nach Erreichen des Fallbacks für die E-Mail-Adressen-Absicht wird eine Dankesnachricht ausgegeben und eine Verbindung zum Agenten hergestellt, falls der Kunde Fragen hat.

Referenzen

Regionale Anforderungen für die Bestellung und Portierung von Telefonnummern – Amazon Connect

Flow-Block: Kundeneingabe erfassen – Amazon Connect

Timeouts für die Erfassung von Benutzereingaben konfigurieren – Amazon Lex