Hapag-Lloyd es una de las principales compañías navieras del mundo y opera una moderna flota de 313 buques portacontenedores con una capacidad de transporte total de 2,5 millones de TEU (Unidad equivalente a veinte pies, una unidad de medida estándar para la capacidad de carga en el transporte de contenedores). La compañía mantiene una capacidad de contenedores de 3,7 millones de TEU, que incluye una de las flotas de contenedores frigoríficos más grandes y modernas de la industria. Con aproximadamente 14.000 empleados en el segmento de transporte marítimo de línea y más de 400 oficinas repartidas en 140 países, Hapag-Lloyd mantiene una sólida presencia global. A través de 133 servicios de línea en todo el mundo, facilitamos conexiones confiables entre más de 600 puertos en todos los continentes.
El equipo de Ingeniería y Experiencia del Cliente Digital de la empresa, distribuido entre Hamburgo y Gdańsk, impulsa la innovación digital mediante el desarrollo y el mantenimiento de productos web y móviles orientados al cliente.
En los últimos años, el equipo de Ingeniería y Experiencia del Cliente Digital ha evolucionado de un canal centrado en la entrega a un verdadero impulsor de productos digitales, con un fuerte enfoque en el cliente, excelencia en ingeniería e impacto comercial mensurable. Asumimos la propiedad integral de nuestros productos digitales, combinando la innovación centrada en el cliente con la ingeniería para respaldar directamente el crecimiento y los resultados comerciales. Basándonos en una tecnología moderna de propiedad independiente y un alto nivel de madurez en ingeniería, estamos comprometidos a permanecer a la vanguardia de la tecnología. Ahora, estamos dando el siguiente paso y avanzando hacia la IA nativa, invirtiendo fuertemente en inteligencia artificial como capacidad central. Este viaje consiste en amplificar la ingeniería poderosa con IA para crear productos más inteligentes, una innovación más rápida y un mayor valor para el cliente.
Comprender el impacto del usuario.
Hasta ahora, nuestro proceso de análisis de los comentarios de los clientes había sido en gran medida manual y reactivo. Especialmente antes de las ceremonias de revisión, analizar manualmente los comentarios de los clientes podía llevar horas, a veces días, cuando era necesario revisar cientos de calificaciones y comentarios. Cada dos semanas, los gerentes de producto exportaban datos de comentarios de los clientes como archivos CSV, leían grandes volúmenes de comentarios y categorizaban manualmente las opiniones y los temas. Si bien este trabajo era valioso y estaba profundamente relacionado con las decisiones de producto, también era repetitivo, requería mucho tiempo y era difícil de escalar, lo que limitaba la flexibilidad cuando se necesitaba información más rápida o más profunda.
Con nuestra solución de IA generativa, cambiamos fundamentalmente este enfoque. En lugar de agregar e interpretar comentarios manualmente, ahora automatizamos todo el flujo de trabajo: recopilando comentarios de los clientes, extrayendo opiniones, identificando temas y generando información útil. Los gerentes de producto y los equipos pueden centrarse menos en el análisis operativo y más en la estrategia, la innovación y la creación de experiencias de usuario excepcionales.
En esta publicación, lo guiaremos a través de nuestra solución de análisis de comentarios generativa impulsada por IA creada con Amazon Bedrock, Elasticsearch y marcos de código abierto como LangChain y LangGraph. Amazon Bedrock es un servicio totalmente administrado que ofrece una selección de modelos básicos de alto rendimiento de empresas líderes en IA, como AI21 Labs, Anthropic, Cohere, DeepSeek, Luma, Meta, Mistral AI y Amazon a través de una única API, junto con un amplio conjunto de capacidades que necesita para crear aplicaciones de IA generativa con seguridad, privacidad e IA responsable. Con esta solución, puede ingerir automáticamente los comentarios de los clientes, generar resúmenes completos y ofrecer información específica. Esto permite a nuestros equipos de productos tomar decisiones más rápidas e inteligentes e impulsar una mejora continua.
Lo guiamos a través de la arquitectura y la implementación de esta solución, demostrando cómo el uso de las bases de la IA generativa, como la orquestación, la gestión de datos, la seguridad y la privacidad, nos permitió construir rápidamente un canal de procesamiento de comentarios escalable y listo para producción.
Descripción general de la solución
Arquitectura de AWS para procesamiento y análisis automatizados de comentarios, que utiliza funciones Lambda para la ingesta de datos de Amazon S3, Amazon Bedrock para información basada en IA a la que acceden las partes interesadas a través de Amazon ECS y Elasticsearch para indexar y consultar datos de comentarios con notificaciones por correo electrónico a través de SES.
La solución se basa en la arquitectura de AWS diseñada para abordar estos desafíos mediante escalabilidad, mantenibilidad y seguridad. Se implementa mediante AWS CloudFormation.
Recopilación continua y trimestral de comentarios Nuestras aplicaciones web y móviles atienden a cientos de miles de clientes cada mes. Los usuarios pueden dejar una calificación y comentarios de texto, lo que nos ayuda a comprender la experiencia del usuario y mejorar los servicios. Ingestión y procesamiento diario de comentarios Una función de AWS Lambda se ejecuta una vez al día para recuperar las nuevas entradas de comentarios. Usamos Amazon Bedrock para clasificar el sentimiento (positivo, negativo, mixto o neutral) para cada comentario abierto, lo que agiliza el análisis posterior. Los registros procesados se indexan en Amazon OpenSearch Service, que sirve como motor de búsqueda de texto completo y base de datos vectorial. Exploración interactiva de comentarios a través del servicio OpenSearch Las partes interesadas pueden acceder a información sobre comentarios en tiempo real a través de los paneles de OpenSearch, lo que les brinda una vista panorámica del sentimiento, las calificaciones y las tendencias de los usuarios a lo largo del tiempo. Comenzando con visualizaciones de alto nivel, como distribución de opiniones, puntuaciones de calificación y volumen de comentarios, los usuarios pueden profundizar en aplicaciones, funciones o incluso comentarios individuales específicos. Los paneles admiten el filtrado por período de tiempo, opinión de los comentarios, versión del producto y más, lo que permite un análisis de la causa raíz específico. Por ejemplo, un gerente de producto puede visualizar cómo cambió la opinión sobre una actualización reciente de una aplicación semana tras semana, o ampliar los comentarios negativos que mencionan una característica específica. Chatbot interno impulsado por IA Nuestro chatbot orientado a las partes interesadas consulta el índice OpenSearch como base de conocimientos. Utilizamos Bedrock Guardrails para hacer cumplir la seguridad y la confiabilidad y asegurarnos de que las respuestas se alineen con nuestra marca y nuestros estándares de cumplimiento. Los gerentes de producto y los equipos de soporte pueden hacer preguntas en lenguaje natural, por ejemplo, "¿Qué puntos débiles mencionan los clientes con más frecuencia?" y reciba respuestas instantáneas y ricas en contexto. Informe de información quincenal Cada dos semanas, una segunda función Lambda agrega y analiza las últimas tendencias de retroalimentación. Genera un informe conciso con métricas clave, aspectos destacados y desgloses de opiniones. El informe se entrega automáticamente a nuestros gerentes de producto y propietarios de producto, y se incluye directamente en la planificación del sprint y en las discusiones sobre la hoja de ruta.
Orquestación de IA generativa
La orquestación es una base fundamental de nuestra solución, porque los flujos de trabajo de IA generativa generalmente implican múltiples pasos que deben coordinarse. En nuestro proceso, los pasos de procesamiento y ingesta de datos, como el análisis de sentimientos, la generación de incrustaciones y la indexación, se organizan mediante LangChain, que proporciona componentes modulares y reutilizables para llamar a modelos, transformar datos e integrarlos con sistemas externos como Amazon OpenSearch Service. Para nuestro chatbot interno, confiamos en LangGraph para implementar una arquitectura multiagente. Cada asistente se define de forma declarativa en LangGraph, encapsulando su propia lógica y herramientas. Este diseño hace que los asistentes sean flexibles y componibles: en lugar de flujos rígidos paso a paso, utilizamos un enfoque basado en agentes donde un LLM selecciona las herramientas y acciones adecuadas de forma dinámica para responder a las consultas de los usuarios. Esto brinda a los gerentes de productos y equipos de soporte una forma natural e interactiva de explorar comentarios y conocimientos operativos relacionados.
La integración con los modelos de Amazon Bedrock es sencilla gracias al soporte nativo de LangChain. Por ejemplo, nuestro chatbot interno impulsado por IA utiliza el modelo Claude Sonnet 4.6 a través de Amazon Bedrock. Elegimos Claude Sonnet 4.6 porque ofrece un rendimiento de vanguardia en codificación y flujos de trabajo agentes. El modelo se destaca en intercambios conversacionales de múltiples turnos y flujos de trabajo de agencia, lo que lo hace ideal para nuestro chatbot interno que requiere un rendimiento confiable en interacciones de uno o varios turnos con las partes interesadas. Con sus capacidades precisas de gestión del flujo de trabajo y su capacidad para desempeñarse tanto en funciones de agente principal como de subagente, Claude Sonnet 4.6 ofrece la calidad conversacional constante que nuestros gerentes de producto y equipos de soporte necesitan cuando exploran información sobre comentarios a escala. Además, aprovechamos el punto final geográfico del Servicio de inferencia entre regiones (CRIS) para gestionar sin problemas las ráfagas de tráfico no planificadas mediante la distribución de la computación en múltiples regiones de AWS de la UE. Esta capacidad entre regiones garantiza que nuestro proceso de procesamiento de comentarios siga siendo resistente durante los períodos de uso pico y, al mismo tiempo, mantenga un rendimiento constante para nuestra base global de partes interesadas. El modelo está configurado con barandillas aplicadas directamente a través de la configuración LangChain:
Gestión de datos
Una función de AWS Lambda se ejecuta una vez al día para recuperar las nuevas entradas de comentarios del repositorio de comentarios en Amazon S3, después de lo cual los datos se clasifican con detección semántica a través de Amazon Bedrock. Luego, los datos se indexan en Amazon OpenSearch Service, que sirve como motor de búsqueda de texto completo y base de datos vectorial.
IA responsable
Para utilizar la solución de manera responsable, implementamos medidas de seguridad mediante Amazon Bedrock Guardrails. Esto nos permite conectar Amazon Bedrock Guardrails a una interacción de IA y aplicar políticas de moderación de contenido y asegurarnos de que las respuestas se alineen con nuestra marca y estándares de cumplimiento.
Al utilizar AWS CloudFormation, definimos políticas de barrera como infraestructura como código y brindamos ejemplos de configuraciones para ayudar a bloquear contenido dañino.
Barandillas como código: CloudFormation
Validación de entrada programática
También utilizamos Amazon Bedrock Guardrails de forma independiente para validar la entrada sin procesar del usuario antes de pasarla al LLM, lo que ayuda a evitar la inyección rápida y otros usos indebidos:
Con esta configuración, hemos creado un proceso más seguro, escalable y explicable que hace que la IA generativa funcione, de manera responsable y efectiva, a lo largo de nuestro ciclo de vida de comentarios sobre el producto.
Escucha
Monitoreamos las partes de la aplicación mediante Amazon CloudWatch, que recopila datos sin procesar y los procesa en métricas legibles y casi en tiempo real. Habilitamos el registro de invocaciones de modelos para recopilar registros de invocaciones, datos de entrada de modelos y datos de salida de modelos para las invocaciones, lo que permite la recopilación de datos completos de solicitudes, datos de respuestas y metadatos asociados con las llamadas. Amazon Bedrock también se integra con AWS CloudTrail, que captura las llamadas API para Amazon Bedrock como eventos. Esto genera información que puede utilizar para optimizar aún más las aplicaciones, como mejorar la latencia de respuesta o reducir costos.
Próximos pasos
La solución procesa más de 15 000 elementos de comentarios por mes con una precisión del 95 % para la clasificación de opiniones en un conjunto de datos de prueba etiquetados. En lugar de pasar horas revisando comentarios sin procesar, los equipos ahora pueden recibir resúmenes claros y estructurados en segundos que resaltan los temas más importantes y las señales recurrentes. Esto les ayuda a pasar de la información a la acción mucho más rápido, tomando decisiones en cuestión de días en lugar de semanas. Con el tiempo, los informes nos ayudaron a comprender no solo cuándo mejoró el sentimiento, sino también por qué no. Al monitorear continuamente los comentarios de los clientes, podemos reaccionar rápidamente a las primeras señales, ajustar las decisiones y corregir el rumbo cuando sea necesario. En varias áreas, las acciones tomadas en base a estos conocimientos ya han dado como resultado más comentarios positivos y una reducción notable de los comentarios negativos. Un buen ejemplo es la función "Vista previa" en las Instrucciones de envío. Esta función se priorizó directamente en respuesta a un gran volumen de comentarios negativos de los usuarios que destacaban la falta de una capacidad de vista previa. Después de su lanzamiento, los informes basados en IA nos permitieron rastrear en detalle las reacciones de los usuarios. Los comentarios relacionados específicamente con esta característica mostraron que las solicitudes previamente frecuentes de capacidad de vista previa se resolvieron de manera efectiva, lo que demuestra que la necesidad principal del usuario se había abordado con éxito. Al mismo tiempo, la retroalimentación más amplia continuó revelando otras áreas de mejora en toda la aplicación. Los conocimientos de IA también guiaron la planificación y priorización de funciones futuras. Basándonos en los comentarios de los usuarios, creamos nuevos paneles de control basados en el servicio OpenSearch que ayudan a los equipos a verificar y analizar rápidamente los problemas informados por los usuarios. Otro ejemplo es la capacidad de cargar datos de carga a través de archivos Excel, una característica solicitada repetidamente y destacada por las recomendaciones de la IA. Esta funcionalidad ahora está completamente disponible y se espera que reduzca significativamente el esfuerzo manual, particularmente para envíos grandes. Durante las sesiones de revisión, las partes interesadas ahora pueden ver los principales comentarios positivos y negativos en tiempo real, junto con recomendaciones generadas por IA, lo que crea un debate mucho más informado y productivo.
Esta solución de análisis de retroalimentación es un ejemplo de cómo estamos aplicando IA generativa en nuestros procesos y marca el comienzo, no el final, de nuestro viaje hacia la IA nativa. En el marco de nuestro programa marco AI-Native, que sirve como una única fuente de información para la adopción de la IA, nuestro siguiente objetivo es establecer una base de IA sólida y compartida con Amazon Bedrock. Al proporcionar infraestructura, seguridad y barreras de seguridad estandarizadas, nuestro objetivo es permitir que todos los roles del departamento, ingeniería, producto y entrega (PM, PO, SM), UX/diseño y operaciones/soporte, creen sus propios “espacios” de IA de forma segura e independiente, mientras tienen acceso a los mejores modelos básicos de su clase. Esta configuración está diseñada para reducir la barrera a la experimentación, agilizar el descubrimiento y fomentar la exploración práctica de casos de uso de IA generativa en el trabajo diario. Al hacerlo, ayudamos a los equipos a pasar más rápido de las ideas al impacto, mientras mantenemos la coherencia, la responsabilidad y la escalabilidad en todas las iniciativas de IA.
Si desea escalar sus aplicaciones de IA generativa, puede comenzar leyendo este Arquitecto, una base madura de IA generativa en AWS que profundiza en los diversos componentes fundamentales que ayudan a acelerar el ciclo de vida de las aplicaciones de IA generativa de un extremo a otro.
Sobre los autores
Aamna Najmi
Aamna es arquitecta senior de soluciones especializada en IA generativa que se centra en modelos antrópicos y en la operacionalización y gobierno de sistemas de IA generativa a escala en Amazon Bedrock. Ayuda a los ISV a resolver sus desafíos, adoptar la innovación y crear nuevas oportunidades comerciales con Amazon Bedrock. En su tiempo libre se dedica a su pasión de experimentar con la comida y descubrir nuevos lugares.
Anna Rysicka
Anna es líder de equipo de ingeniería de software en Hapag-Lloyd con más de 10 años de experiencia en la industria de la tecnología. Trabaja con el equipo de Documentación y Aduanas, centrándose en los sistemas de documentación de envíos, incluidas las instrucciones de envío y las soluciones de conocimientos de embarque. Se especializa en arquitecturas frontend modernas, TypeScript/Vue.js y diseño de experiencia de usuario, y le apasiona la resolución de problemas y aprovechar la IA como herramienta colaborativa para la gestión de tareas y la productividad. Como parte de la iniciativa DXE AI Native, Anna guía a los equipos hacia la era de la IA con herramientas y motivación para mejorar la productividad. En su tiempo libre, experimenta con proyectos de inteligencia artificial, le gusta pintar y le encanta viajar.
Grzegorz Kaczor
Grzegorz es arquitecto de nube en Hapag-Lloyd y un entusiasta de la tecnología con más de 18 años de experiencia en la industria tecnológica. Se especializa en aprovechar tecnologías avanzadas para ofrecer soluciones innovadoras para las organizaciones. Su experiencia abarca arquitecturas sin servidor, seguridad, observabilidad y gestión del cumplimiento. Actualmente está explorando la IA generativa y sus aplicaciones prácticas en entornos empresariales. En su tiempo libre le gusta aprender, mantenerse activo y pasar tiempo con sus hijas.