Las organizaciones gastan una gran cantidad de recursos, esfuerzo y dinero en gestionar sus operaciones de atención al cliente para responder a las preguntas de los clientes y ofrecer soluciones. Los clientes pueden hacer preguntas a través de varios canales, como el correo electrónico, el chat o el teléfono, y desplegar una fuerza de trabajo para responder esas consultas puede requerir muchos recursos, consumir mucho tiempo y ser improductivo si las respuestas a esas preguntas son repetitivas.

Si bien su organización puede contar con los recursos de datos necesarios para las consultas y respuestas de los clientes, es posible que aún tenga dificultades para implementar un proceso automatizado para responder a sus clientes. Los desafíos pueden incluir datos no estructurados, diferentes lenguajes y una falta de experiencia en tecnologías de inteligencia artificial (IA) y aprendizaje automático (ML).

En esta publicación, le mostramos cómo superar estos desafíos mediante el uso de La roca madre del Amazonas para automatizar las respuestas por correo electrónico a las consultas de los clientes. Con nuestra solución, puede identificar la intención de los correos electrónicos de los clientes y enviar una respuesta automática si la intención coincide con su base de conocimientos o fuentes de datos existentes. Si la intención no coincide, el correo electrónico se envía al equipo de soporte para una respuesta manual.

Amazon Bedrock es un servicio totalmente administrado que pone a disposición modelos de base (FM) de las principales empresas emergentes de inteligencia artificial y de Amazon a través de una API, de modo que puede elegir entre una amplia gama de FM para encontrar el modelo que mejor se adapte a su caso de uso. Amazon Bedrock ofrece una experiencia sin servidor para que pueda comenzar rápidamente, personalizar de forma privada los FM con sus propios datos e integrarlos e implementarlos en sus aplicaciones mediante herramientas de AWS sin tener que administrar la infraestructura.

Las siguientes son algunas intenciones comunes de los clientes cuando se comunican con atención al cliente:

• Estado de la transacción (por ejemplo, estado de una transferencia de dinero)
• Restablecimiento de contraseña
• Código promocional o descuento
• Horario de atención
• Encuentre la ubicación de un agente
• Denunciar fraude
• Desbloquear cuenta
• Cerrar cuenta

Agentes de Amazon Bedrock puede ayudarlo a realizar la clasificación y detección de entidades en los correos electrónicos para estas intenciones. Para esta solución, mostramos cómo clasificar los correos electrónicos de los clientes para las primeras tres intenciones. También puede usar Agents for Amazon Bedrock para detectar información clave de los correos electrónicos, de modo que pueda automatizar sus procesos comerciales con algunas acciones. Por ejemplo, puede usar Agents for Amazon Bedrock para automatizar la respuesta a una solicitud de un cliente con información específica relacionada con esa consulta.

Además, Agents for Amazon Bedrock puede funcionar como una interfaz de conversación inteligente, lo que facilita interacciones fluidas tanto con miembros del equipo interno como con clientes externos, abordando consultas de manera eficiente e implementando las acciones deseadas. Actualmente, Agents for Amazon Bedrock es compatible con los modelos Anthropic Claude y el modelo Amazon Titan Text G1 – Premier en Amazon Bedrock.

Descripción general de la solución

Para crear nuestro flujo de respuesta de correo electrónico al cliente, utilizamos los siguientes servicios:

Aunque ilustramos este caso de uso con WorkMail, puede utilizar otra herramienta de correo electrónico que permita la integración con funciones sin servidor o webhooks para lograr flujos de trabajo de automatización de correo electrónico similares. Agents for Amazon Bedrock le permite crear y configurar agentes autónomos en su aplicación. Un agente ayuda a sus usuarios finales a completar acciones en función de los datos de la organización y la entrada del usuario. Los agentes organizan interacciones entre los FM, las fuentes de datos, las aplicaciones de software y las conversaciones de los usuarios. Además, los agentes llaman automáticamente a las API para realizar acciones e invocan bases de conocimiento para complementar la información para estas acciones. Los desarrolladores pueden ahorrar semanas de esfuerzo de desarrollo al integrar agentes para acelerar la entrega de aplicaciones de IA generativa. Para este caso de uso, utilizamos el modelo antrópico Claude 3 Sonnet.

Cuando crea su agente, ingresa detalles para indicarle qué debe hacer y cómo debe interactuar con los usuarios. Las instrucciones reemplazan el marcador de posición $instructions$ en la plantilla de solicitud de orquestación.

El siguiente es un ejemplo de instrucciones que utilizamos para nuestros casos de uso:

“You are a classification and entity recognition agent. 

Task 1: Classify the given text into one of the following categories: "Transfer Status", "Password Reset", or "Promo Code". Return only the category without additional text.

Task 2: If the classified category is "Transfer Status", find the 10-digit entity "money_transfer_id" (example: "MTN1234567") in the text. Call the "GetTransferStatus" action, passing the money_transfer_id as an argument, to retrieve the transfer status.

Task 3: Write an email reply for the customer based on the received text, the classified category, and the transfer status (if applicable). Include the money_transfer_id in the reply if the category is "Transfer Status".

Task 4: Use the email signature "Best regards, Intelligent Corp" at the end of the email reply.”

Un grupo de acciones define las acciones que el agente puede ayudar al usuario a realizar. Por ejemplo, puede definir un grupo de acciones denominado GetTransferStatus con un esquema OpenAPI y una función Lambda adjunta. Agents for Amazon Bedrock se encarga de construir la API en función del esquema OpenAPI y realiza acciones mediante la función Lambda para obtener el estado de la tabla money_transfer_status de DynamoDB.

El siguiente diagrama de arquitectura destaca la solución de extremo a extremo.

El flujo de trabajo de la solución incluye los siguientes pasos:

1. Un cliente inicia el proceso enviando un correo electrónico a la dirección de correo electrónico de atención al cliente dedicada creada dentro de WorkMail.
2. Al recibir el correo electrónico, WorkMail invoca una función Lambda, que pone en marcha el flujo de trabajo posterior.
3. La función Lambda transmite sin problemas el contenido del correo electrónico a los agentes de Amazon Bedrock para su posterior procesamiento.
4. El agente utiliza las capacidades de procesamiento de lenguaje natural de Anthropic Claude 3 Sonnet para comprender la clasificación del contenido del correo electrónico en función de la configuración de instrucciones del agente predefinida. Si se detectan entidades relevantes dentro del correo electrónico, como un ID de transferencia de dinero, el agente invoca una función Lambda para recuperar el estado de pago correspondiente.
5. Si la clasificación del correo electrónico no corresponde a una consulta de transferencia de dinero, el agente genera una respuesta de correo electrónico adecuada (por ejemplo, instrucciones de restablecimiento de contraseña) y llama a una función Lambda para facilitar la entrega de la respuesta.
6. Para consultas relacionadas con el estado de transferencia de dinero, la función Lambda del grupo de acciones del agente consulta la tabla DynamoDB para obtener la información de estado relevante según el ID de transferencia proporcionado y transmite la respuesta al agente.
7. Con la información recuperada, el agente elabora una respuesta de correo electrónico personalizada para el cliente e invoca una función Lambda para iniciar el proceso de entrega.
8. La función Lambda utiliza Amazon SES para enviar la respuesta por correo electrónico, proporcionando el cuerpo del correo electrónico, el asunto y la dirección de correo electrónico del cliente.
9. Amazon SES entrega el mensaje de correo electrónico a la bandeja de entrada del cliente, proporcionando una comunicación fluida.
10. En los casos en los que el agente no puede discernir con precisión la intención del cliente, escala el problema enviando el mensaje a un tema de redes sociales. Este mecanismo permite que el sistema de tickets suscrito reciba la notificación y cree un ticket de soporte para una investigación y resolución más profundas.

Prerrequisitos

Consulte la README.md archivo en el Repositorio de GitHub para asegurarse de que cumple con los requisitos previos para implementar esta solución.

Implementar la solución

La solución se compone de tres Kit de implementación de la nube de AWS Pilas (AWS CDK):

• Pila de usuarios de WorkmailOrg – Crea la cuenta de WorkMail con dominio, usuario y acceso a la bandeja de entrada
• Creación de BedrockAgent – Crea el agente de Amazon Bedrock, el grupo de acciones del agente, el esquema OpenAPI, el depósito S3, la tabla DynamoDB y la función Lambda del grupo de agentes para obtener el estado de transferencia de DynamoDB
• Pila de flujo de trabajo de automatización de correo electrónico – Crea la función Lambda de clasificación que interactúa con el agente y la función Lambda de integración, que está integrada con WorkMail

Para implementar la solución, también debe realizar algunas configuraciones manuales utilizando el Consola de administración de AWS.

Para obtener instrucciones completas, consulte la README.md archivo en el Repositorio de GitHub.

Probar la solución

Para probar la solución, envíe un correo electrónico desde su correo electrónico personal al correo electrónico de soporte creado como parte de la implementación de AWS CDK (para esta publicación, usamos support@vgs-workmail-org.awsapps.com). Usamos las siguientes tres intenciones en nuestros datos de muestra para el entrenamiento de clasificación personalizado:

• TRANSFERENCIA DE DINERO – El cliente quiere saber el estado de una transferencia de dinero
• RESTABLECER CONTRASEÑA – El cliente tiene un inicio de sesión, cuenta bloqueada o solicitud de contraseña
• CÓDIGO PROMOCIONAL – El cliente quiere saber si hay algún descuento o código promocional disponible para una transferencia de dinero

La siguiente captura de pantalla muestra un correo electrónico de muestra de un cliente que solicita el estado de una transferencia de dinero.

La siguiente captura de pantalla muestra el correo electrónico recibido en una bandeja de entrada de WorkMail.

La siguiente captura de pantalla muestra una respuesta del agente con respecto a la consulta del cliente.

Si el correo electrónico del cliente no está clasificado, su contenido se reenvía a un tema de redes sociales. La siguiente captura de pantalla muestra un ejemplo de correo electrónico del cliente.

La siguiente captura de pantalla muestra la respuesta del agente.

Quien esté suscrito al tema recibe el contenido del correo electrónico como mensaje. Nos suscribimos a este tema de SNS con el correo electrónico que pasamos con el parámetro human_workflow_email durante la implementación.

Limpiar

Para evitar incurrir en costos continuos, elimine los recursos que creó como parte de esta solución cuando haya terminado. Para obtener instrucciones, consulte la README.md archivo.

Conclusión

En esta publicación, aprendió a configurar una solución de automatización de correo electrónico inteligente con agentes para Amazon Bedrock, WorkMail, Lambda, DynamoDB, Amazon SNS y Amazon SES. Esta solución puede brindar los siguientes beneficios:

• Tiempo de respuesta de correo electrónico mejorado
• Satisfacción del cliente mejorada
• Ahorro de costes en tiempo y recursos
• Capacidad para centrarse en los problemas clave del cliente

Puede ampliar esta solución a otras áreas de su empresa y a otras industrias. Además, puede utilizar esta solución para crear un chatbot de autoservicio implementando la pila BedrockAgentCreation para responder consultas de clientes o usuarios internos mediante Agentes para Amazon Bedrock.

Como próximos pasos, consulte Agentes de Amazon Bedrock para comenzar a utilizar sus funciones. Seguir Amazon Bedrock en el blog de aprendizaje automático de AWS para mantenerse actualizado con las nuevas capacidades y casos de uso de Amazon Bedrock.

Acerca del autor

Godwin Sahayaraj Vicente es un arquitecto de soluciones empresariales en AWS que se apasiona por el aprendizaje automático y por brindar asesoramiento a los clientes para diseñar, implementar y administrar sus cargas de trabajo y arquitecturas de AWS. En su tiempo libre, le encanta jugar al cricket con sus amigos y al tenis con sus tres hijos.

Ramesh Kumar Venkatraman es un arquitecto de soluciones sénior en AWS y le apasionan la inteligencia artificial generativa, los contenedores y las bases de datos. Trabaja con clientes de AWS para diseñar, implementar y administrar sus cargas de trabajo y arquitecturas de AWS. En su tiempo libre, le encanta jugar con sus dos hijos y sigue el cricket.