- \n
- \nDesaf\u00edo<\/div>\nExtracci\u00f3n de informaci\u00f3n pr\u00e1ctica de mensajes de correo electr\u00f3nico y audio mediante PNL<\/div>\n<\/li>\n
- \n
Soluci\u00f3n<\/div>\nCanalizaci\u00f3n continua de an\u00e1lisis de datos para la obtenci\u00f3n de informaci\u00f3n<\/div>\n<\/li>\n- \n
Tecnolog\u00edas y herramientas<\/div>\nBI, NLP, Amazon Comprehend, S3, AWS Glue, Amazon Athena, AWS SageMaker, AWS Redshift, PowerBI<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
El cliente es una mediana empresa estadounidense de productos de gran consumo cuyo objetivo es aumentar los beneficios a trav\u00e9s de la mejora del valor del ciclo de vida de sus clientes. Necesitaban una IA de an\u00e1lisis de servicio al cliente a medida. La empresa quer\u00eda implantar un Procesamiento del lenguaje natural (miner\u00eda de textos)<\/a> para recopilar y analizar diversas fuentes de datos de su equipo de Experiencia del Cliente y utilizar los datos para crear perspectivas que mejoren el servicio a los clientes.<\/p>\n
Necesitaban tomar m\u00faltiples fuentes de datos no estructurados (texto y grabaciones de voz) recibidos de diferentes canales y establecer una canalizaci\u00f3n para el an\u00e1lisis de datos (utilizando la PNL<\/a>), miner\u00eda de textos para obtener informaci\u00f3n empresarial.<\/p>\n
Reto: extraer informaci\u00f3n procesable de correos electr\u00f3nicos y audio mediante PNL<\/h2>\n
El cliente necesitaba que nuestro equipo :<\/p>\n
- \n
- Comprender y evaluar las opciones de an\u00e1lisis de datos, crear el producto valioso para el negocio que puede apoyar a la empresa en la consecuci\u00f3n de los objetivos de negocio fijados.<\/li>\n
- Desarrollar la arquitectura de datos<\/li>\n
- Fusionar datos para crear un \u00fanico punto de an\u00e1lisis de PNL<\/li>\n
- Datos limpios para el an\u00e1lisis<\/li>\n
- Seleccione Tecnolog\u00eda PNL<\/a>Herramientas y visualizaciones<\/li>\n
- Construya Modelos de PNL<\/a><\/li>\n
- Probar y perfeccionar modelos y elementos visuales<\/li>\n
- Pasar a la producci\u00f3n<\/li>\n<\/ul>\n
Soluci\u00f3n: proceso continuo de an\u00e1lisis de datos para obtener informaci\u00f3n.<\/h2>\n
ARQUITECTURA AWS<\/a> DESARROLLADO<\/strong><\/p>\n
![\"arquitectura](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2022\/01\/aws-architecture.png\")
<\/p>\nFase 1.<\/strong> Nos centramos en construir la canalizaci\u00f3n de audio a texto y otros mecanismos de aterrizaje de datos. Se esperaban m\u00faltiples fuentes de datos, por lo que la infraestructura deb\u00eda estar preparada para recibirlos todos.<\/p>\n
A continuaci\u00f3n, configuramos la comprobaci\u00f3n de la calidad de los datos para todos los datos entrantes por separado (en funci\u00f3n del tipo de datos).<\/p>\n
La principal tarea de nuestro equipo era hacer llegar toda la informaci\u00f3n entrante al punto \u00fanico de an\u00e1lisis para la IA de an\u00e1lisis de servicio al cliente. Para ello, dise\u00f1amos el canal de acuerdo con los requisitos empresariales del cliente. El POC completo para el aterrizaje de datos y la canalizaci\u00f3n de audio a texto estuvo listo en las 2 primeras semanas con la infraestructura desplegada en la cuenta de AWS del cliente.<\/p>\n
Fase 2.<\/strong> Pasamos a la ingesta y el procesamiento. Despu\u00e9s de obtener todas las fuentes en un \u00fanico punto de an\u00e1lisis, se empujaba hacia abajo a trav\u00e9s de la tuber\u00eda para ser analizado con Amazon Comprehend. Se admit\u00edan varios idiomas y se utilizaban modelos espec\u00edficos en funci\u00f3n de los requisitos del cliente. Esta era una de las ventajas de la soluci\u00f3n para el an\u00e1lisis del servicio de atenci\u00f3n al cliente.<\/p>\n
Nuestro equipo implement\u00f3 mecanismos de detecci\u00f3n de fallos y reintentos en cada paso del pipeline. Los datos de salida se almacenaron en S3 y se compartieron con el cliente. Completamos esta tarea en 4 semanas.<\/p>\n
Etapa 3.<\/strong> Durante la etapa de an\u00e1lisis y visualizaci\u00f3n de datos, almacenamos los datos en S3 como un cat\u00e1logo de datos de AWS Glue. Toda la informaci\u00f3n almacenada en S3 estaba disponible inmediatamente para su consulta a trav\u00e9s de Amazon Athena. En implementado Aprendizaje autom\u00e1tico<\/a> modelos a trav\u00e9s de AWS SageMaker.<\/p>\n
Los datos procesados y el an\u00e1lisis se entregaron a AWS Redshift para su futura visualizaci\u00f3n. La parte ETL del proceso que implementado a trav\u00e9s de AWS<\/a> Pegamento. Compartimos los datos de Redshift con el cliente, as\u00ed como los cuadros de mando de PowerBI creados a partir de estos datos. Nuestro equipo complet\u00f3 este trabajo en 3 semanas.<\/p>\n
Resultado: soluci\u00f3n anal\u00edtica NLP para el an\u00e1lisis de datos de correo electr\u00f3nico y audio<\/h2>\n
Como resultado, nuestro equipo de ingenieros ha proporcionado al cliente un s\u00f3lido servicio de atenci\u00f3n al cliente de an\u00e1lisis de texto para una r\u00e1pida miner\u00eda de texto y an\u00e1lisis y an\u00e1lisis de datos. Ahora, la soluci\u00f3n extrae los correo electr\u00f3nico y datos de audio<\/a> y extrae informaci\u00f3n empresarial valiosa.<\/p>\n
An\u00e1lisis del servicio de atenci\u00f3n al cliente Soluci\u00f3n AI<\/a> ahora ayuda al cliente a hacer un seguimiento continuo del sentimiento de los clientes, ajustar los servicios en consecuencia y responder con prontitud a los retos, aumentando la satisfacci\u00f3n del cliente.<\/p>","protected":false},"excerpt":{"rendered":"
- Construya Modelos de PNL<\/a><\/li>\n
- \n