概览
AWS 云端 QnABot 是一个多渠道、多语言的对话界面（聊天机器人），可响应客户的问题、答案和反馈。它允许您跨多个通道部署功能齐全的聊天机器人，包括聊天、语音、短信和 Amazon Alexa。
优势
通过智能多部分交互提供个性化教程和问答支持。使用命令行界面 (CLI) 从 QnABot 设置中导入和导出问题。使用 Amazon Kendra 自然语言处理（NLP）功能更好地理解人类问题。
自动化客户支持工作流程。
为聊天机器人创建引人入胜、人性化的交互。使用意图和时隙匹配来实现不同类型的问答工作流。
技术详情
您可以使用实施指南和随附的 AWS CloudFormation 模板自动部署该架构。
第 1 步
将此 AWS 解决方案部署到您的 AWS 账户中。打开 Content Designer 用户界面（UI）或 Amazon Lex Web 客户端，并使用 Amazon Cognito 进行身份验证。
第 2 步
进行身份验证后，Amazon API Gateway 和 Amazon Simple Storage Service（Amazon S3）将提供内容设计器 UI 的内容。
第 3 步
在内容设计器中配置问题和答案。用户界面向 API Gateway 发送请求以保存问题和答案。
第 4 步
内容设计器 AWS Lambda 函数将 Amazon OpenSearch Service 中的输入保存在问题库索引中。如果使用文本嵌入，这些请求将通过 Amazon SageMaker 上托管的机器学习（ML）模型生成嵌入，然后保存到 OpenSearch Service 上的问题库中。
第 5 步
聊天机器人用户通过 Web 客户端 UI 或 Amazon Connect 与 Amazon Lex 交互。
第 6 步
Amazon Lex 将请求转发到 Bot Fulfillment Lambda 函数。聊天机器人用户还可以通过 Amazon Alexa 设备向该 Lambda 函数发送请求。
第 7 步
Bot Fulfillment Lambda 函数接受用户输入，并使用 Amazon Comprehend 和 Amazon Translate（如果需要）将非英文请求翻译为英文请求，然后在 OpenSearch Service 中查找答案。
如果使用通常称为基础模型（FM）的大型语言模型（LLM），例如文本生成和文本嵌入，这些请求将首先通过 SageMaker 上托管的各种 ML 模型。SageMaker 将生成搜索查询和嵌入，以与 OpenSearch Service 问题库中保存的查询和嵌入进行比较。
第 8 步
如果将 Amazon Kendra 索引配置为回退，并且 OpenSearch Service 问题库未返回任何匹配项，则 Bot Fulfillment Lambda 函数会将请求转发到 Amazon Kendra。文本生成 LLM 可用于创建搜索查询，并根据返回文档的摘录合成响应。
第 9 步
用户与 Bot Fulfillment 函数的交互生成日志和指标数据，这些数据被发送到 Amazon Kinesis Data Firehose，然后再发送到 Amazon S3 进行后续数据分析。
第 1 步
将此 AWS 解决方案部署到您的 AWS 账户中。打开 Content Designer 用户界面（UI）或 Amazon Lex Web 客户端，并使用 Amazon Cognito 进行身份验证。
第 2 步
进行身份验证后，Amazon API Gateway 和 Amazon Simple Storage Service（Amazon S3）将提供内容设计器 UI 的内容。
第 3 步
在内容设计器中配置问题和答案。用户界面向 API Gateway 发送请求以保存问题和答案。
第 4 步
内容设计器 AWS Lambda 函数将 Amazon OpenSearch Service 中的输入保存在问题库索引中。如果使用文本嵌入，这些请求将通过 Amazon SageMaker 上托管的机器学习（ML）模型生成嵌入，然后保存到 OpenSearch Service 上的问题库中。
第 5 步
聊天机器人用户通过 Web 客户端 UI 或 Amazon Connect 与 Amazon Lex 交互。
第 6 步
Amazon Lex 将请求转发到 Bot Fulfillment Lambda 函数。聊天机器人用户还可以通过 Amazon Alexa 设备向该 Lambda 函数发送请求。
第 7 步
Bot Fulfillment Lambda 函数接受用户输入，并使用 Amazon Comprehend 和 Amazon Translate（如果需要）将非英文请求翻译为英文请求，然后在 OpenSearch Service 中查找答案。
如果使用通常称为基础模型（FM）的大型语言模型（LLM），例如文本生成和文本嵌入，这些请求将首先通过 SageMaker 上托管的各种 ML 模型。SageMaker 将生成搜索查询和嵌入，以与 OpenSearch Service 问题库中保存的查询和嵌入进行比较。
第 8 步
如果将 Amazon Kendra 索引配置为回退，并且 OpenSearch Service 问题库未返回任何匹配项，则 Bot Fulfillment Lambda 函数会将请求转发到 Amazon Kendra。文本生成 LLM 可用于创建搜索查询，并根据返回文档的摘录合成响应。
第 9 步
用户与 Bot Fulfillment 函数的交互生成日志和指标数据，这些数据被发送到 Amazon Kinesis Data Firehose，然后再发送到 Amazon S3 进行后续数据分析。