Zendesk nutzt Deep Learning in AWS für einen schnelleren Kundendienst

Zendesk ist eine Kundenservice-Plattform für Unternehmen, die ihre Kundenbeziehungen sinnvoller, persönlicher und produktiver gestalten möchten. Zendesk hat seinen Hauptsitz in San Francisco, Kalifornien, und unterstützt Unternehmen dabei, großartigen Support bereitzustellen und anhand von Self-Service-Angeboten und proaktiven Mitwirkungsmöglichkeiten weiterzuentwickeln.

Entwicklung neuer Deep-Learning-Kundenanwendungen

Zendesk bietet SaaS-Plattformen (Software as a Service) für die Kundenunterstützung an und arbeitet ständig daran, neue und bessere Lösungen für seine Kunden zu entwickeln. Zendesk musste auf einen wachsenden Trend reagieren: Kunden, die schnell selbstständig Antworten auf Fragen finden möchten, ohne mit einem Support-Mitarbeiter sprechen zu müssen. Wir wollten den Kunden so schnell wie möglich relevantere Antworten geben, und wir wollten ein Self-Service-Modell für den Kundensupport vorantreiben“, sagt Soon-Ee Cheah, ein Dat Scientist bei Zendesk. Unternehmen wie Online-Händler und andere große Unternehmen nutzen Zendesk, um großartigen Kundenservice zu bieten.

Zendesk ist dieser Herausforderung mit Deep Learning begegnet - einem zunehmend populären Zweig der künstlichen Intelligenz (KI). Deep-Learning-Frameworks nutzen nach dem Vorbild des menschlichen Gehirns modellierte neuronale Netzwerke, damit Computer auf Basis der ihnen zugeführten Daten unabhängig voneinander lernen und Aufgaben mit wenig Aufsicht ausführen können.

Zendesks jüngstes Deep-Learning-Projekt ist Answer Bot – ein virtueller Kundenassistent, der Kundenfragen automatisch anhand von Inhalten aus der Zendesk-Guide-Wissensdatenbank beantwortet. Wenn ein Kunde beispielsweise eine E-Mail an einen Schuhhändler sendet, in der er um Hilfe bei der Suche nach Größen bittet, sendet Answer Bot dem Kunden relevante Artikel zu verfügbaren Größen. „Für Answer Bot hat uns die Idee gefallen, dass ein Deep-Learning-Modell dazu beitragen kann, dass sich die Anwendung kontinuierlich verfeinert, um Kunden die bestmöglichen Antworten zu bieten“, sagt Cheah. Answer Bot hat dazu beigetragen, dass Hunderte von Unternehmen, darunter auch Dollar Shave Club, ein auf Mitglieder ausgerichtetes Erlebnis erhalten. „Answer Bot war für uns eine großartige Möglichkeit, unseren Mitgliedern einfachen Zugriff auf die von ihnen benötigten Antworten zu bieten“, meint Brian Crumpley, Analytics Manager, Member Services bei Dollar Shave Club. „Es geht nie darum, ein Mitglied von der Kontaktaufnahme mit uns abzuhalten, sondern stattdessen das Mitglied mit dem richtigen Wissen zu versorgen und ihm eine schnellere Antwort zu vermitteln – es ist eine Win-win-Situation.“

TensorFlow in AWS verwenden, um bessere Antworten zu erhalten

Zendesk setzt bei der Entwicklung seiner Deep-Learning-Anwendungen auf TensorFlow - eine Open-Source-Softwarebibliothek für Machine Learning. Bei der Vorbereitung von Answer Bot benötigte Zendesk eine zugrundeliegende Technologie, die eine schnelle Entwicklung und einfache Skalierbarkeit ermöglicht. „Das Training von Algorithmen erfordert viel Zeit, und wir wollten diesen Prozess unbedingt beschleunigen, um den Kunden schneller eine neue Lösung bieten zu können“, sagt Cheah. „Wir wussten, dass die Cloud uns dabei helfen würde.“

Das Unternehmen hatte bereits seine Hauptplattform und eine interne Anwendung zur Datenprotokollierung in der Amazon Web Services-Cloud (AWS-Cloud) ausgeführt und wusste, dass AWS die richtige Wahl für tiefgreifendes Lernen sein würde. Entwickler, die TensorFlow verwenden, können die Umgebung unter AWS ausführen, indem sie AWS GPU-Instanzen starten. „Wir hatten bereits AWS-Grundlagen im gesamten Unternehmen und die Tatsache, dass TensorFlow in AWS-GPU-Instanzen gebündelt ist, war perfekt für unsere Bedürfnisse“, meint Arwen Griffioen, Data Scientist bei Zendesk.

Zendesk verwendet Amazon Simple Storage Service (Amazon S3) zum Speichern von Initialisierungsdateien für Trainingsmodelle. Das Unternehmen nutzt außerdem die P2-Instances von Amazon Elastic Compute Cloud (Amazon EC2) für GPU-basierte parallele Datenverarbeitungsfunktionen. „Die Amazon-EC2-P2-Instanzen sind sehr leistungsfähig und ihre Verwendung hat wirklich dazu beigetragen, unsere Recherchemöglichkeiten zu beschleunigen“, erklärt Cheah. Zendesk verwendet außerdem die relationale Datenbank-Engine von Amazon Aurora, um Änderungen an Artikeln im Knowledge Center zu erfassen, die nahezu in Echtzeit an das Answer-Bot-Trainingsmodell gesendet werden. „Wir haben Deep-Learning-Algorithmen verwendet, um Kundenabfragen mit Artikeln abzugleichen“, sagt Cheah.

Das Unternehmen freut sich auch über den neu veröffentlichten Service Amazon SageMaker. Mit diesem vollständig verwalteten Service können Entwickler und Datenwissenschaftler schnell und einfach Machine-Learning-Modelle jeder Größenordnung erstellen, trainieren und implementieren.

„Wir freuen uns über die kürzlich erfolgte Ankündigung von Amazon SageMaker“, sagt David Bernstein, Director of Strategic Technology bei Zendesk. „Amazon SageMaker wird unsere Kosten senken und die Geschwindigkeit erhöhen, mit der wir Machine Learning verwenden. Mit Amazon SageMaker können wir von unserer bestehenden selbstverwalteten TensorFlow-Bereitstellung zu einem vollständig verwalteten Service übergehen. Amazon SageMaker ermöglicht uns außerdem einen leichteren Zugang zu anderen gängigen Systemen für Deep Learning und unterstützt uns gleichzeitig bei der Verwaltung der Infrastruktur für die Erstellung, das Training und die Bereitstellung unserer Modelle."

Entwicklungsbeschleunigung aufgrund schnellerer Deep-Learning-Modellierung

Zendesk verwendet AWS, um auf einfache Weise große Datensätze zu erfassen, die zum Trainieren von Deep-Learning-Algorithmen verwendet werden. Infolgedessen baute Zendesk Answer Bot in einem wesentlich kürzeren Zeitrahmen auf, als dies mit einer lokalen Lösung möglich gewesen wäre. „Unser vorhandener Predictive-Modeling-Stack befand sich bereits in der AWS Cloud, wodurch die Entwicklung von Answer Bot für AWS schneller ablaufen konnte“, sagt Wai Chee Yau, Data Engineer bei Zendesk. „Anstatt unsere eigene Hardware zu kaufen und zu installieren, haben wir die Flexibilität von AWS genutzt, um die benötigten GPUs und CPUs schnell hinzuzufügen.“

Die Data Scientists von Zendesk können ihre Forschungsgeschwindigkeit verbessern, indem sie sich auf AWS verlassen. „AWS ermöglicht es uns, viele Ideen auf einmal auszuprobieren. Dadurch können wir unsere Forschung viel schneller durchführen“, sagt Griffioen. „Wir können Amazon EC2-Instanzen nach Bedarf schnell einrichten und verschiedene Permutationen unserer Modelle in diesen Instanzen durchführen, ohne warten zu müssen. Ohne diese Fähigkeit hätten wir Answer Bot nicht entwickeln können.“

Das Unternehmen übertrifft nun die Erwartungen seiner Kunden nach neuen und innovativen Kundendienstlösungen. „Mit AWS können wir Fähigkeiten entwickeln und bereitstellen, die unseren Kunden zuvor nicht zur Verfügung standen“, sagt Cheah. „Mit Answer Bot können unsere Kunden zum Beispiel automatisch gezieltere und genauere Antworten auf die Fragen ihrer Kunden geben. Und da Answer Bot Kunden innerhalb von wenigen Sekunden direkt antworten kann, können Support-Tickets geklärt werden, bevor sie Agenten erreichen. Dies kann das Kundenservice-Erlebnis wirklich verändern.“

Zendesk kann seine Deep-Learning-Entwicklungsumgebung jetzt bedarfsgerecht skalieren, um den Anforderungen der Entwickler nach mehr Rechen- oder Speicherressourcen zu entsprechen. „Wir können unsere Modelle für Deep Learning sehr effizient skalieren, indem wir GPU-Verarbeitungsleistung für AWS nutzen. Dies wird uns zugute kommen, während wir unsere Anwendungen für mehr Kunden erweitern“, sagt Cheah. „AWS ist eine leistungsstarke Deep-Learning-Plattform für die Ideenfindung, mit der wir den Großteil unserer Forschung betreiben“, fügt Griffioen hinzu. „Die Flexibilität und Leistungsfähigkeit, die wir von AWS erhalten, hat Zendesk dabei geholfen, die Spitzentechnologie der Deep-Learning-Technologie im Kundenservice zu überholen. Wir entwickeln nicht nur unterschiedliche Ansätze, wir erfinden dank AWS neue algorithmische Ansätze.“