提升你的自助助理，利用新一代人工智能功能在Amazon Lex中

作者：Anuradha Durfee 和 Sandeep Srinivasan，2023年11月26日，发布于 Amazon Lex， 人工智能，生成式AI 永久链接 评论 分享

关键要点

在本文中，我们讨论了 生成式AI 如何通过提供全新的客户和机器人构建者体验来改变对话式AI行业，以及 Amazon Lex 中的新功能如何利用这些进展。

随着对话式AI需求的持续增长，开发者正在寻求增强其聊天机器人，让交互更加人性化，并具备处理FAQ等高级功能。生成式AI的最新突破使自然语言理解显著提升，从而使对话系统更加智能。通过在包含万亿标记的数据集上训练大型神经网络模型，AI研究人员开发了技术，允许机器人理解更复杂的问题，提供更细腻、自然的响应，并处理广泛的话题。借助这些新的生成式AI创新，您可以创建在文本或语音自助服务交互中的虚拟助手，让使用体验变得更加自然、直观和有帮助。生成式AI的快速进展让自动化的聊天机器人和虚拟助手更接近于实现真正智能、流畅的对话。随着深度学习和神经网络技术的进一步发展，对话系统将变得更加灵活、可靠和类人化。这一新一代由AI驱动的助手可以在多种应用场景中提供无缝的自助体验。

Amazon Bedrock 如何改变对话式AI的格局

Amazon Bedrock 是一种易于使用的方式，能够构建和扩展使用基础模型FMs的生成式AI应用。Amazon Bedrock 提供了一系列来自领先提供商的基础模型，因此 AWS 客户能够灵活选择最适合其特定用例的模型。

在当今快节奏的世界中，我们期待每个企业都能提供快速、高效的客户服务。然而，当咨询量超出人力资源所能应对的范围时，提供卓越的客户服务往往是十分具有挑战性的。企业可以通过利用大语言模型LLMs所驱动的生成式AI有效克服这一挑战，同时提供个性化的客户服务。

多年来，AWS 一直在致力于普及对AI、机器学习ML和生成式AI的访问与理解。LLMs 在客户中心的应用非常广泛，如提供自动回应常见问题、分析客户情感和意图以适当引导呼叫、生成对话总结以帮助客服代表，甚至自动生成电子邮件或聊天响应以应对常见客户咨询。通过处理重复任务并从对话中获取洞察，LLMs 使客服代表能够专注于提供更高价值的个性化服务和解决复杂问题。

通过对话式常见问题FAQs改善客户体验

生成式AI在提供快速、可靠的答案以应对常见客户问题方面具有巨大的潜力，并以对话的方式进行回应。借助授权的知识源和LLMs，您现有的Amazon Lex机器人能够为常见问题提供有帮助、自然且准确的回答，超越任务导向的对话。我们的检索增强生成RAG方法使Amazon Lex能够利用知识库的广度和LLMs的流畅性。您只需以自由文本的形式提出问题，就能在几秒钟内收到自然定制的回应。Amazon Lex中新推出的对话式常见问题特性使机器人开发人员和对话设计师能够专注于定义业务逻辑，而无需在机器人中设计耗时的基于FAQ的对话流。

我们引入了一种内置的QnAIntent，利用LLM查询授权的知识来源，并提供有意义且上下文相关的回应。此外，开发者可以配置QnAIntent以指向知识库的特定部分，确保在运行时无论何时都有确切的知识内容被查询，以满足用户的请求。这一能力满足了金融服务和医疗等高度受监管行业仅需以合规用语提供回应的需求。通过关联率的提升和避免由于未解决的查询和人为转接而造成的高昂成本，Amazon Lex中的对话式常见问题功能帮助组织更好地服务客户。

利用描述性机器人构建工具构建Amazon Lex机器人

从零开始构建对话机器人是一个耗时的过程，需要深刻理解用户与机器人的互动，以预测潜在请求并编写适当响应的代码。如今，对话设计师和开发者需要花费数天编写代码，以帮助处理所有可能的用户行为意图、用户请求的各种措辞表述以及用户执行这些操作所需的信息槽。

Amazon Lex中新推出的描述性机器人构建功能利用生成式AI加速了机器人构建过程。开发者不再需要编写代码，而是可以用简单英语描述所希望机器人完成的任务例如：“使用姓名、联系方式、旅行日期、房间类型和付款信息为我的酒店进行预订”。仅凭这一简单的prompt，Amazon Lex将自动生成意图、训练表述、槽、提示以及对话流程，使描述的机器人栩栩如生。通过提供一个基本的机器人设计，该功能极大地减少了构建对话聊天机器人的时间和复杂性，使构建者可以重新优先考虑对话体验的微调工作。

借助生成式AI和LLMs的强大功能，Amazon Lex使开发者和非技术用户能够仅通过描述其目标来构建机器人。而无需精细编码意图、表述、槽等，开发者可以提供自然语言提示，Amazon Lex将自动生成基础机器人流程，准备进行进一步的细化。这一能力最初仅支持英语，但开发者可以在部署前根据需要进一步定制AI生成的机器人，从而节省大量手动开发的时间。

通过辅助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系统的熟悉，他们期望自助服务体验中纳入更高水平的智能。消除更具有对话性质的回应歧义是成功的关键，因为用户期待更加自然、类人的体验。随着消费者对聊天机器人能力评估的提高，对自然语言理解NLU的表现也有了更高的期望。如果语义简单或复杂的表述未能正确解析到槽，用户的自信心可能就会降低。在这种情况下，LLM可以动态协助现有的Amazon Lex NLU模型，确保准确的槽解析，即使用户表述超出了槽模型的界限。在Amazon Lex中，辅助槽解析功能为机器人开发者提供了又一个提高自信率的工具。

在运行时，当NLU未能在对话轮次中解析出槽时，Amazon Lex将调用开发者选择的LLM进行槽解析辅助。如果用户在重试槽时能提供值，用户可以像往常一样继续对话。例如，在槽重试时，机器人问：“投保人居住在哪个城市？”用户回答：“我住在斯普林菲尔德”，此时LLM将能够将该值解析为“斯普林菲尔德”。此功能支持的槽类型包括AMAZONCity、AMAZONCountry、AMAZONNumber、AMAZONDate、AMAZONAlphaNumeric不含正则表达式、AMAZONPhoneNumber和AMAZONConfirmation。截止目前，该功能仅支持英语。

通过训练表述生成改善构建者体验

机器人构建者和对话设计师经常面临的一个难题是预测调用意图或请求槽信息时响应的变化和多样性。当机器人开发者创建一个新意图时，必须提供示例表述以训练ML模型，以接受的响应类型。通常很难预测客户使用的措辞和语法的不同排列。借助表述生成，Amazon Lex使用基础模型如 Amazon Titan一键生成训练表述，无需进行任何提示工程。

表述生成使用意图名称、现有表述，以及可选的意图描述，通过LLM生成新表述。机器人开发者和对话设计师可以在接受生成的表述之前，对其进行编辑或删除。该功能适用于新意图和现有意图。

结论

最近生成式AI的进展无疑提升了自动化消费者体验。通过Amazon Lex，我们致力于在构建者和用户体验的每个方面融入生成式AI。本文提到的功能仅是个开始我们迫不及待想要向您展示更多即将推出的内容。

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

关于作者

Anuradha Durfee 是Amazon Lex团队的一位高级产品经理，拥有超过7年的对话式AI经验。她对语音用户界面充满热情，并致力于通过直观设计让技术变得更加可访问。

Sandeep Srinivasan 是Amazon Lex团队的一位高级产品经理。他对人类行为的细致观察使他对客户体验充满热情。他的工作时间都花在了人和技术的交叉点上，以及未来的发展上。

加载评论