- \n
- \nDesafio<\/div>\nExtrair informa\u00e7\u00f5es acion\u00e1veis de mensagens de correio eletr\u00f3nico e \u00e1udio utilizando a PNL<\/div>\n<\/li>\n
- \n
Solu\u00e7\u00e3o<\/div>\nCanal de an\u00e1lise de dados em curso para recolha de informa\u00e7\u00f5es<\/div>\n<\/li>\n- \n
Tecnologias e ferramentas<\/div>\nBI, PNL, Amazon Comprehend, S3, AWS Glue, Amazon Athena, AWS SageMaker, AWS Redshift, PowerBI<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
O cliente \u00e9 uma empresa americana de FMCG de m\u00e9dia dimens\u00e3o, cujo objetivo \u00e9 aumentar os resultados atrav\u00e9s do aumento do valor do tempo de vida dos clientes. Eles precisavam de uma IA anal\u00edtica de atendimento ao cliente sob medida. Assim, a empresa estava a tentar implementar uma Solu\u00e7\u00e3o de processamento de linguagem natural (extra\u00e7\u00e3o de texto)<\/a> para compilar e analisar v\u00e1rias fontes de dados da sua equipa de Experi\u00eancia do Cliente e utilizar os dados para criar perspectivas para melhorar o servi\u00e7o aos clientes.<\/p>\n
Precisavam de pegar em m\u00faltiplas fontes de dados n\u00e3o estruturados (texto e grava\u00e7\u00f5es de voz) recebidos de diferentes canais e estabelecer um pipeline para an\u00e1lise de dados (utilizando a PNL<\/a>), extra\u00e7\u00e3o de texto para obter informa\u00e7\u00f5es comerciais.<\/p>\n
Desafio: extrair informa\u00e7\u00f5es \u00fateis de mensagens de correio eletr\u00f3nico e \u00e1udio utilizando a PNL<\/h2>\n
O cliente precisava da nossa equipa para :<\/p>\n
- \n
- Compreender e avaliar as op\u00e7\u00f5es de an\u00e1lise de dados, criar o produto valioso para o neg\u00f3cio que pode ajudar a empresa a atingir os objectivos comerciais definidos<\/li>\n
- Desenvolver a arquitetura dos dados<\/li>\n
- Fundir dados para criar um ponto \u00fanico de an\u00e1lise de PNL<\/li>\n
- Limpar dados para an\u00e1lise<\/li>\n
- Selecionar Tecnologia de PNL<\/a>ferramentas e visualiza\u00e7\u00f5es<\/li>\n
- Construir Modelos de PNL<\/a><\/li>\n
- Testar e aperfei\u00e7oar modelos e imagens<\/li>\n
- Passar \u00e0 produ\u00e7\u00e3o<\/li>\n<\/ul>\n
Solu\u00e7\u00e3o: canal de an\u00e1lise de dados em curso para recolha de informa\u00e7\u00f5es<\/h2>\n
ARQUITECTURA AWS<\/a> DESENVOLVIDO<\/strong><\/p>\n
![\"arquitetura](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2022\/01\/aws-architecture.png\")
<\/p>\nFase 1.<\/strong> Concentr\u00e1mo-nos na constru\u00e7\u00e3o do pipeline \u00c1udio-Texto e de outros mecanismos de rece\u00e7\u00e3o de dados. Esperavam-se v\u00e1rias fontes de dados diferentes, pelo que a infraestrutura deveria estar preparada para as receber a todas.<\/p>\n
Em seguida, configuramos o controlo de qualidade dos dados para todos os dados recebidos separadamente (com base no tipo de dados).<\/p>\n
A principal tarefa da nossa equipa consistia em fazer chegar toda a informa\u00e7\u00e3o recebida ao ponto \u00fanico de an\u00e1lise para a IA anal\u00edtica do servi\u00e7o ao cliente. Para tal, concebemos o pipeline de acordo com os requisitos comerciais do cliente. O POC completo para a aterragem de dados e o pipeline de \u00e1udio para texto ficou pronto nas primeiras 2 semanas, com a infraestrutura a ser implementada na conta AWS do cliente.<\/p>\n
Fase 2.<\/strong> Pass\u00e1mos \u00e0 ingest\u00e3o e ao processamento. Depois de obtermos todas as fontes num \u00fanico ponto de an\u00e1lise, estas estavam a ser empurradas para baixo atrav\u00e9s do pipeline para serem analisadas com o Amazon Comprehend. Eram suportados v\u00e1rios idiomas e estavam a ser utilizados modelos espec\u00edficos devido aos requisitos do cliente. Esta foi uma das vantagens da solu\u00e7\u00e3o em termos de an\u00e1lise do servi\u00e7o ao cliente.<\/p>\n
A nossa equipa implementou mecanismos de dete\u00e7\u00e3o de falhas e de repeti\u00e7\u00e3o em cada etapa do pipeline. Os dados de sa\u00edda foram armazenados no S3 e partilhados com o cliente. Esta tarefa foi conclu\u00edda por n\u00f3s em 4 semanas.<\/p>\n
Fase 3.<\/strong> Durante a fase de an\u00e1lise e visualiza\u00e7\u00e3o de dados, armazen\u00e1mos os dados no S3 como um cat\u00e1logo de dados AWS Glue. Toda a informa\u00e7\u00e3o armazenada no S3 estava imediatamente dispon\u00edvel para ser consultada atrav\u00e9s do Amazon Athena. N\u00f3s aprendizagem autom\u00e1tica implementada<\/a> modelos atrav\u00e9s do AWS SageMaker.<\/p>\n
Os dados processados e a an\u00e1lise foram entregues ao AWS Redshift para visualiza\u00e7\u00e3o futura. A parte ETL do processo que n\u00f3s implementado atrav\u00e9s do AWS<\/a> Cola. Os dados em Redshift foram partilhados com o cliente, bem como os dashboards PowerBI constru\u00eddos com base nestes dados. A nossa equipa concluiu este trabalho em 3 semanas.<\/p>\n
Resultado: solu\u00e7\u00e3o anal\u00edtica de PNL para an\u00e1lise de dados de correio eletr\u00f3nico e \u00e1udio<\/h2>\n
Como resultado, a nossa equipa de engenheiros forneceu ao cliente uma robusta an\u00e1lise de texto de servi\u00e7o ao cliente para uma r\u00e1pida extra\u00e7\u00e3o de texto e an\u00e1lise de dados. Agora, a solu\u00e7\u00e3o extrai os dados de correio eletr\u00f3nico e \u00e1udio<\/a> e extrai informa\u00e7\u00f5es comerciais valiosas.<\/p>\n
A an\u00e1lise do servi\u00e7o ao cliente Solu\u00e7\u00e3o de IA<\/a> ajuda o cliente a acompanhar continuamente o sentimento dos clientes, a ajustar os servi\u00e7os em conformidade e a responder prontamente aos desafios, aumentando a satisfa\u00e7\u00e3o do cliente.<\/p>","protected":false},"excerpt":{"rendered":"
- Construir Modelos de PNL<\/a><\/li>\n
- \n