使用亚马逊Lex的新一代生成式AI功能提升您的自助助手

借助亚马逊Lex的新一代生成式AI功能,让您的自助助手更添魅力

在这篇文章中,我们谈论了生成式人工智能是如何通过提供新的客户和机器人构建体验以及Amazon Lex中的新功能来改变对话式人工智能行业并利用这些进展。

随着对话式人工智能的需求不断增长,开发人员正在寻求提升他们的聊天机器人的人类交互和高级功能,例如常见问题解答处理。生成式人工智能方面的最新突破正在带来自然语言理解方面的显著改进,使对话系统更加智能化。通过在包含数万亿标记的数据集上训练大型神经网络模型,人工智能研究人员开发出了能够让机器人理解更复杂问题、提供更细致和更自然的人类回答,并处理各种主题的技术。借助这些新的生成式人工智能创新,您可以创建出更加自然、直观和有帮助的虚拟助手,在基于文本或语音的自助服务交互过程中更加舒适。生成式人工智能的快速进步使自动聊天机器人和虚拟助手更接近真正智能、流畅对话的目标。通过在深度学习和神经网络技术方面取得进一步的进步,对话系统有望变得更加灵活、可靠和类人化。这一新一代的人工智能助手可以在多种用例中提供无缝的自助服务体验。

亚马逊基石是如何改变对话式人工智能的格局

Amazon基石是一种用户友好的方式,用于构建和扩展基于生成式人工智能的应用程序中的基础模型(FM)。亚马逊基石提供了来自领先供应商的一系列基础模型,因此AWS客户可以根据其特定用例使用最佳模型。

在当今快节奏的世界中,我们期望每个企业提供快速高效的客户服务。然而,当询问量超出用于处理它们的人力资源时,提供优质客户服务可能会面临显著挑战。企业可以通过利用由大型语言模型(LLMs)驱动的生成式人工智能的进展来高效地克服这一挑战,同时提供个性化的客户服务。

多年来,AWS一直致力于普及和加强人工智能(AI)、机器学习(ML)和生成式人工智能的使用和理解。LLMs在联系中心可以非常有用,它可以提供对常见问题的自动响应,并分析客户情感和意图以适当地为呼叫进行路由,生成对话摘要以帮助代理商,甚至自动生成电子邮件或聊天回复以应对常见客户问题。通过处理重复任务并从对话中获取见解,LLMs使联系中心代理能够专注于通过个性化服务提供更高价值,并解决复杂问题。

通过对话FAQ改善客户体验

生成式人工智能在以对话方式快速、可靠地提供常见客户问题的答案方面具有巨大潜力。借助授权的知识源和LLMs,您现有的Amazon Lex机器人可以以有帮助、自然和准确的方式回答常见问题,不仅限于任务导向的对话。我们的检索增强生成(RAG)方法使Amazon Lex能够利用存储库中可用的知识广度和LLMs的流利性。您只需以自由形式的对话语言提出问题,就能在几秒钟内获得一个自然、量身定制的回答。Amazon Lex中的新对话式FAQ功能使机器人的开发人员和对话设计师能够专注于定义业务逻辑,而不是在机器人中设计详尽的基于FAQ的对话流程。

我们正在推出一种内置的QnAIntent,它使用LLM查询授权的知识来源并提供有意义和上下文的响应。此外,开发人员可以配置QnAIntent,将其指向特定的知识库部分,以确保仅在运行时查询特定部分的知识内容以满足用户请求。这种能力满足了高度监管的行业(如金融服务和医疗保健)需要仅以合规语言提供回应的需求。Amazon Lex中的对话式FAQ功能使组织能够提高处理率,同时避免错过查询和人工代表转接的高昂成本。

使用描述性机器人构建 Amazon Lex 机器人

从头开始构建对话机器人是一个耗时的过程,需要深入了解用户如何与机器人互动,以预测可能的请求并编写适当的回应。如今,对话设计师和开发人员花费很多天的时间编写代码来帮助运行所有可能的用户操作(意图),用户表述请求的各种方式(话语),以及完成这些操作所需的用户所需信息(插槽)。

Amazon Lex 中的新描述性机器人构建功能使用生成式人工智能来加速机器人构建过程。对话设计师和机器人开发人员现在可以用简单的英语描述想要机器人达到的目标(例如,“使用姓名和联系信息、旅行日期、房型和付款信息来预订我的酒店房间”),而无需编写代码。只需这个简单的提示,Amazon Lex 将自动生成意图、训练话语、插槽、提示和对话流程,将所描述的机器人变为现实。通过提供基准机器人设计,这个功能极大地减少了建立对话式聊天机器人的时间和复杂性,并允许构建者重新优先考虑细化对话体验的工作。

通过利用 LLMs 的生成式人工智能的功能,Amazon Lex 使开发人员和非技术用户能够简单地描述他们的目标来构建机器人。开发人员无需精心编写意图、话语、插槽等代码,只需提供自然语言提示,Amazon Lex 将自动生成一个基本的机器人流程,可进一步完善。此功能目前仅适用于英语,但开发人员可以在部署之前根据需要进一步自定义 AI 生成的机器人,从而节省大量手动开发工作的时间。

通过辅助插槽解析改善用户体验

随着消费者对聊天机器人和交互式语音响应(IVR)系统越来越熟悉,他们对自助服务体验的智能程度要求也越来越高。在消除更具对话性的响应时,提高成功率至关重要,因为用户期望获得更加自然、类似于人类的体验。随着消费者对聊天机器人能力的信心不断提升,对自然语言理解(NLU)的性能要求也在增加。在可能的情况下,如果语义简单或复杂的话语无法正确解析为插槽,用户的信心可能会减少。在这种情况下,LLM 可以动态辅助现有的 Amazon Lex NLU 模型,确保即使用户话语超出了插槽模型的范围,也能准确解析插槽。在 Amazon Lex 中,辅助插槽解析功能为机器人开发人员提供了另一种增强容错性能的工具。

在运行时,当 NLU 在对话过程中无法解析插槽时,Amazon Lex 将调用机器人开发人员选择的 LLM 来协助解析插槽。如果 LLM 能够在重新尝试插槽时提供一个值,用户可以继续进行正常对话。例如,如果在重新尝试插槽时,机器人问“保单持有人所在的城市是哪个?”而用户回答“我住在斯普林菲尔德”,LLM 将能够将该值解析为“斯普林菲尔德”。此功能适用的插槽类型包括 AMAZON.City、AMAZON.Country、AMAZON.Number、AMAZON.Date、AMAZON.AlphaNumeric(无正则表达式)和 AMAZON.PhoneNumber、AMAZON.Confirmation。此功能目前仅支持英语。

通过训练话语生成改善构建者体验

机器人构建者和对话设计师经常遇到的一个痛点是在调用意图或获取插槽信息时,难以预测响应的变化和多样性。当机器人开发人员创建一个新的意图时,必须提供样本话语来训练 ML 模型接受和处理各种响应类型。往往很难预测客户使用的措辞和语法的各种组合。通过话语生成功能,Amazon Lex 利用基础模型(如Amazon Titan)只需点击一次便可生成训练话语,无需任何提示工程。

话语生成使用意图名称、现有话语和可选的意图描述来生成新的话语,同时使用 LLM。机器人开发人员和对话设计师可以在接受生成的话语之前编辑或删除它们。此功能适用于新的和现有的意图。

结论

生成式人工智能的最新进展无疑使自动化的消费者体验变得更好。通过 Amazon Lex,我们致力于将生成式人工智能融入到构建者和用户体验的方方面面。本文中提到的功能只是个开始,我们迫不及待地想向大家展示更多精彩的内容。

要了解更多信息,请参考Amazon Lex文档,并在Amazon Lex控制台上尝试这些功能。