使用 Amazon Bedrock、Amazon Connect 和 Anthropic 的 Claude 为 DoorDash 构建生成式人工智能联络中心解决方案

DoorDash 成立于 2013 年，以发展和助推当地经济为使命：帮助当地企业取得成功，将当地消费者与附近的最佳商家便捷地联系起来，并为配送员提供灵活的赚钱方式。到 2023 年底，该公司用户群实现了显著增长：使用 DoorDash 的月活跃消费者超过 3700 万，月活跃配送员超过 200 万。

为了满足消费者、商家和配送员的需求，DoorDash 使用了来自 AWS 的人工智能联络中心解决方案 Amazon Connect。DoorDash 借助 Amazon Connect 每天可处理数十万次通话，其中也包括来自配送员的电话，他们希望 DoorDash 能帮助解决应用程序故障排除、注册、付款选项等常规问题。

接入支持服务后，用户可以通过由 Amazon Connect 和 Amazon Lex 提供支持的自助交互式语音应答（IVR）体验，来获得相关指导。该体验使得 DoorDash 的座席转接减少了 49%，首次联系解决率提高了 12%，为 DoorDash 用户带来了更好的体验，同比节省了 300 万美元的运营成本。不过，由于大多数电话仍会被重定向到实时座席，DoorDash 看到了进一步增强自己自助服务的机会。DoorDash 联络中心产品主管 Chaitanya Hari 表示：“我们希望让配送员尽可能快速并高效地获得有关常见问题和疑难的帮助，从而节省他们的时间和精力，增强他们对 DoorDash 自助服务功能的信任。”

在开车往返商家或消费者所在地途中，配送员通常更喜欢拨打支持电话，而不是文字聊天。他们依靠电话支持来获取快速可靠的帮助，这使得任何自助服务解决方案中的响应延迟都变得更加重要。DoorDash 需要确保配送员可以在手机上花费尽可能少的时间，因此低响应延迟成为其手机解决方案的关键因素。

为了简化配送员支持，DoorDash 的联络中心团队希望在 Amazon Connect 中使用生成式人工智能提供自助服务。该团队寻求的解决方案需要既可以快速大规模推出，又可以保持高标准问题解决率和客户满意度。该团队选择了 Amazon Bedrock 作为解决方案的基础。Amazon Bedrock 是一项完全托管式服务，可通过单个 API 提供一系列来自领先人工智能公司的高性能基础模型。

AWS GenAIIC 向 DoorDash 投资并与之合作，设计、构建和部署了自定义生成式人工智能解决方案，以期增强该公司现有的语音人工智能助手。在为期 8 周的时间里，来自 DoorDash 和 GenAIIC 的团队对设计和实施进行了迭代，开发了适用于 A/B 生产测试的参考架构。基于 Amazon Bedrock 的解决方案将生成式人工智能应用程序开发时间缩短了 50%。

为了构建解决方案，DoorDash 选择在 Amazon Bedrock 中使用 Anthropic 的 Claude 模型。DoorDash 使用 Amazon Bedrock 很快就获得了所需的所有模型。Claude 对该项目发挥了重要作用，因为其能够减少幻觉、提示注入事件、检测滥用语言。随着 Claude 3 Haiku 的发布，DoorDash 达到了其语音应用程序所需的准确性和速度，实现了 2.5 秒或更短的响应延迟。DoorDash 不提供任何可通过这些生成式人工智能解决方案访问的个人身份信息。此外，Amazon Bedrock 通过加密实现数据安全，确保来自 DoorDash 或其客户的数据仅用于 DoorDash 应用程序内部。

“在电话支持中采用人工智能生成的回复给我们带来了独特挑战，这需要创新的策略来提高回复速度和回复质量，从而为配送员提供一流支持。事实证明，Amazon Bedrock 完美契合我们的需求，让我们能够专注地完善解决方案的细节。”DoorDash 首席项目工程师 Vraj Shah 表示。 

访问深度知识库是自助服务解决方案的另一个重要因素。知识库越详尽、越多样化，解决方案就越有效。DoorDash 添加了其公开帮助中心的数据，来使用检索增强生成（RAG）技术。该技术可从公司来源获取数据并丰富提示内容，为配送员提供更相关和更准确的响应。

该公司使用 Amazon Bedrock 知识库为现有内容建立索引。该知识库是一种完全托管式功能，可帮助各公司实施从摄取到检索和提示增强的整个 RAG 工作流程，不要求构建与数据来源的自定义集成，也不需要管理数据流。Amazon Bedrock 知识库负责 DoorDash 的后端工作。

DoorDash 还借助 GenAIIC 提高了测试自己解决方案的能力。以前，该团队需要将联络中心座席从帮助队列中撤出，每小时也仅能完成少量手动测试用例。DoorDash 使用 Amazon SageMaker（开发人员可用该服务构建、训练和部署机器学习模型）构建的测试和评估框架，可快速从 A/B 测试中汲取洞察，大规模评估关键成功指标。该框架帮助 DoorDash 每小时完成数千次自动测试（测试能力提高 50 倍），并根据真实数据对响应进行语义评估。

通过自动处理常见的配送员查询，DoorDash 改善了自助服务工作流程并提高了问题解决速度，这有助于缩短配送时间，提高配送员的生产力和满意度。使用生成式人工智能解决常规问题之后，DoorDash 的实时座席便得以腾出时间，来解决更适合人工处理的复杂问题。