Uso de puntuaciones de confianza en la transcripción para mejorar el llenado de espacios en Amazon Lex

Al crear chatbots habilitados por voz con Amazon Lexuno de los mayores desafíos es capturar con precisión la entrada de voz del usuario para los valores de las ranuras. Por ejemplo, cuando un usuario necesita proporcionar su número de cuenta o código de confirmación, la precisión del reconocimiento de voz se vuelve crucial. Aquí es donde puntuaciones de confianza en la transcripción vienen para ayudar a garantizar un llenado confiable de las ranuras.

¿Qué son las puntuaciones de confianza en la transcripción?

Los puntajes de confianza de la transcripción indican qué tan seguro tiene Amazon Lex al convertir voz en texto para valores de ranura. Estas puntuaciones varían de baja a alta y están separadas de las puntuaciones de reconocimiento de intención/entidad. Para cada valor de espacio hablado, Lex proporciona una puntuación de confianza que puede utilizar para:

• Validar si el valor de un espacio hablado se entendió correctamente
• Decidir si solicitar confirmación o volver a solicitar
• La conversación de bifurcación fluye según la confianza en el reconocimiento

A continuación se muestran algunas formas de aprovechar las puntuaciones de confianza para un mejor manejo de las ranuras:

1. Confirmación progresiva
   • Confianza alta (>0,9): acepte el valor del espacio y continúe
   • Confianza media (0,6-0,9): pida al usuario que confirme (“¿Dijiste 12345?”)
   • Confianza baja (<0,6): vuelva a solicitar el valor del espacio
2. Repetición adaptativa
   • Personalice los mensajes de repetición según el nivel de confianza
   • Proporcionar orientación más específica para entradas de baja confianza.
   • Ofrezca métodos de entrada alternativos cuando sea necesario
3. Lógica de ramificación
   • Ruta al agente humano si hay varios intentos de baja confianza
   • Omita la confirmación para obtener entradas de confianza consistentemente altas
   • Ajustar las reglas de validación según los umbrales de confianza.

La publicación incluye una plantilla de AWS CloudFormation para demostrar estos patrones y que puede implementar en su cuenta de AWS.

El uso estratégico de puntuaciones de confianza ayuda a crear experiencias de ocupación de espacios más sólidas que:

• Reducir errores en la captura de información crítica
• Mejorar las tasas de contención del autoservicio
• Proporcionar un mejor manejo de condiciones de audio desafiantes
• Habilite flujos de conversación más inteligentes

Al implementar estos patrones, puede mejorar significativamente la precisión y confiabilidad del llenado de espacios en sus robots de voz Lex mientras mantiene un flujo de conversación natural.

Descripción general de la solución

El siguiente diagrama ilustra la arquitectura general de la solución.

Usamos un bot de Amazon Lex integrado con un Conexión de Amazon flujo de contacto para brindar la experiencia conversacional.

Amazon Lex pregunta a la persona que llama: “En pocas palabras, ¿cómo puedo ayudarle hoy?” Amazon Lex revisa la puntuación de confianza de la transcripción del ranura valores para influir en la rutina de confirmación.

Modelo de interacción

Las siguientes son diferentes experiencias de cliente que una persona que llama puede tener según lo que dice y los puntajes de confianza de transcripción devueltos por Amazon Lex:

Agente Virtual:
Gracias por llamar a Acme Travel.
Agente Virtual:
…En pocas palabras, ¿cuál es el motivo de tu llamada de hoy?
Cliente:
Me gustaría comprobar mi reserva.
Agente Virtual:
Eso es genial, por favor diga su referencia de reserva de 5 caracteres, la encontrará en la parte superior del paquete de información que le enviamos.
Cliente:
1 9 AKB (Reconocido con confianza de transcripción baja: 0,4)
Agente Virtual:
Bien, intentémoslo de nuevo. ¿Cuál es su referencia de reserva?
Cliente:
1 9 AAB (Más claramente pronunciado: reconocido con 0,8)
Agente virtual:
Su reserva 1 9 AAB está actualmente en progreso.

Agente virtual:
Gracias por llamar a Acme Travel.
Agente virtual:
…En pocas palabras, ¿cuál es el motivo de tu llamada de hoy?
Cliente:
Me gustaría consultar mi reserva 1 9 AZ Y.
Agente virtual:
Su reserva 1 9 AZY está actualmente en progreso.

Agente virtual:
Gracias por llamar a Acme Travel.
Agente Virtual:
…En pocas palabras, ¿cuál es el motivo de tu llamada de hoy?
Cliente:
Me gustaría comprobar mi reserva.
Agente virtual:
Eso es genial, por favor diga su referencia de reserva de 5 caracteres, la encontrará en la parte superior del paquete de información que le enviamos.
Cliente:
1 9 AZY (reconocido con una confianza de transcripción de 0,6)
Agente virtual:
¿Dijiste 1 9 AZY? Por favor diga sí o no.
Cliente:
Sí
Agente Virtual:
Su reserva 1 9 AZY está actualmente en progreso.

En las conversaciones de ejemplo, el IVR solicita la referencia de la reserva al cliente. Una vez recibida, la puntuación de confianza de la transcripción se evalúa habilitando la bifurcación condicional en Amazon Lex en función de las puntuaciones de confianza del habla. Estas condiciones comparan el valor con umbrales específicos. Si la puntuación de confianza de la transcripción supera el umbral alto (por ejemplo, superior a 0,7), la conversación avanza al siguiente estado. Si la puntuación cae en el rango de confianza medio (por ejemplo, entre 0,4 y 0,7), se le pide al usuario que confirme la entrada interpretada. Finalmente, si la puntuación cae por debajo de un umbral mínimo (por ejemplo, inferior a 0,4), se le solicita al usuario que vuelva a intentarlo y proporcione la información nuevamente. Este enfoque optimiza el flujo de conversación en función de la calidad de la entrada capturada y evita la captura de espacios errónea o redundante, lo que conduce a una experiencia de usuario mejorada y al mismo tiempo aumenta las tasas de contención de autoservicio.

Requisitos previos

Necesita tener una cuenta de AWS y una Gestión de acceso e identidad de AWS (IAM) rol y usuario con permisos para crear y administrar los recursos y componentes necesarios para esta aplicación. Si no tiene una cuenta de AWS, consulte ¿Cómo creo y activo una nueva cuenta de Amazon Web Services?

Además, necesita una instancia de Amazon Connect; utilizará el nombre de recurso de Amazon (ARN) de la instancia en un paso posterior.

Implementar el bot Amazon Lex y el flujo de Amazon Connect

Para crear el bot de muestra y configurar las sugerencias de frases en tiempo de ejecución, realice los siguientes pasos. Para este ejemplo, creamos un bot de Amazon Lex llamado desambiguación-bot, una intención (CheckBooking), y un tipo de ranura (BookingRef).

1. Inicie sesión en su cuenta de AWS y luego elija Pila de lanzamiento para implementar la plantilla de CloudFormation:

2. Para Nombre de la pilaintroduzca un nombre, por ejemplo contact-center-transcription-confidence-scores.
3. Elegir Próximo.
4. Proporcione los siguientes parámetros:
   1. Para Nombre del robotingrese desambiguación-bot.
   2. Para ConectarInstanciaARNingrese el ARN de su instancia de Amazon Connect.
   3. Para Nombre del flujo de contactoingrese un nombre para su flujo de contacto de Amazon Connect (por ejemplo, lex-check-booking-sample-flow).
   4. Para Nombre del grupo de registrosintroduzca el nombre del Amazon CloudWatch grupo de registros donde se almacenan los registros de conversación.
5. Elegir Próximo.

6. Deje todas las configuraciones restantes como predeterminadas y elija Próximo.
7. Seleccionar Reconozco que AWS CloudFormation podría crear recursos de IAM.
8. Elegir Entregar.

9. Espere a que la pila de CloudFormation se implemente correctamente.
10. En la consola de Amazon Connect, asigne el flujo de contacto a un número reclamado de Amazon Connect.

Configurar la lógica de puntuación de confianza de la transcripción

Después de crear su intención (CheckBooking), usa lo que puedas Generador de conversaciones visuales para configurar la lógica de puntuación de confianza de la transcripción.

La siguiente figura es un ejemplo de cómo agregamos lógica a la intención. Resaltada en rojo está la condición de sucursal donde utilizamos la puntuación de confianza de la transcripción para cambiar dinámicamente la experiencia del cliente y mejorar la precisión.

Si elige el nodo, se le presentarán las siguientes opciones de configuración, que es donde puede configurar la condición de rama.

Prueba la solución

Para probar la solución, examinamos una conversación con palabras que quizás no se entiendan claramente.

1. Asigne el bot de Amazon Lex a un flujo de trabajo de Amazon Connect.
2. Haz una llamada.

Amazon Connect preguntará “Gracias por llamar a Acme Travel. En pocas palabras, ¿cuál es el motivo de su llamada hoy?”

3. Responde “Quiero consultar mi reserva”.
4. Cuando se le solicite la referencia de la reserva, diga dos números seguidos de tres letras (por ejemplo, “1 9 AZY”).

Esta prueba verifica la puntuación de confianza y dirá “su reserva 1 9 AZY está actualmente en progreso” o le pedirá que confirme “1 9 AZY”.

Limitaciones

Las puntuaciones de confianza en la transcripción de audio están disponibles solo en inglés (GB) (en_GB) e inglés (EE.UU.) (en_US) idiomas. Las puntuaciones de confianza solo se admiten para entradas de audio de 8 kHz. No se proporcionan puntuaciones de confianza de la transcripción para la entrada de audio desde la ventana de prueba de la consola Amazon Lex V2 porque utiliza una entrada de audio de 16 kHz.

Limpiar

Para eliminar la infraestructura creada por la plantilla de CloudFormation, abra la consola de AWS CloudFormation y elimine la pila. Esto eliminará los servicios y la configuración instalados como parte de este proceso de implementación.

Conclusión

La optimización de la experiencia del usuario está a la vanguardia de la lista de prioridades de cualquier diseñador conversacional de Amazon Lex, al igual que la captura de información con precisión. Esta nueva característica permite a los diseñadores tener opciones en torno a las rutinas de confirmación que impulsan un diálogo más natural entre el cliente y el bot. Aunque confirmar cada entrada puede ralentizar la experiencia del usuario y causar frustración, no confirmar cuando la confianza de la transcripción es baja puede poner en riesgo la precisión. Estas mejoras le permiten crear una experiencia más natural y eficaz.

Para obtener más información sobre cómo generar conversaciones efectivas en Amazon Lex con puntuaciones de confianza de intención, consulte Cree conversaciones más efectivas en Amazon Lex con puntuaciones de confianza y mayor precisión.

Acerca de los autores

Alex Buckhurst es consultor senior de Amazon Connect en Amazon Web Services y se centra en la innovación y la creación de diseños centrados en el cliente. En su tiempo libre, Alex disfruta jugar al squash, perfeccionar sus habilidades para hacer barbacoas y apreciar los momentos con su familia.

Kai Loreck es consultor senior de servicios profesionales de Amazon Connect. Trabaja en el diseño e implementación de soluciones escalables de experiencia del cliente. En su tiempo libre, se le puede encontrar practicando deportes, practicando snowboard o haciendo senderismo en la montaña.

Neel Kapadia es ingeniero de software sénior en AWS, donde trabaja en el diseño y la creación de servicios de IA/ML escalables utilizando modelos de lenguaje grandes y procesamiento de lenguaje natural. Ha estado en Amazon durante más de cinco años y ha trabajado en Amazon Lex y Amazon Bedrock. En su tiempo libre le gusta cocinar, leer y viajar.

Anand Jumnani es consultor de DevOps en Amazon Web Services con sede en el Reino Unido. Fuera del trabajo, le apasiona el cricket de clubes y le gusta pasar tiempo de calidad con familiares y amigos.