Zendesk utilise le Deep Learning sur AWS pour accélérer le service client

Répondre aux clients le plus rapidement possible

Zendesk, qui fournit des plateformes de support client sous forme de logiciel en tant que service (SaaS), travaille toujours à créer de nouvelles et de meilleures solutions pour ses clients. Zendesk devait répondre à une tendance croissante : le désir des clients de trouver rapidement eux-mêmes des réponses à leurs questions, sans devoir s'adresser à un agent de support. « Nous voulions apporter aux clients des réponses pertinentes aussi vite que possible, et nous voulions promouvoir un modèle de support client en self-service, » explique Soon-Ee Cheah, un scientifique de données chez Zendesk. Des marchands en ligne et d'autres grandes entreprises utilisent Zendesk pour fournir un excellent support client.

Zendesk a répondu à cette demande en s'appuyant sur le deep learning – une branche de plus en plus populaire de l'intelligence artificielle (IA). Les frameworks de deep learning utilisent des réseaux neuronaux calqués sur le cerveau humain pour permettre aux ordinateurs d'apprendre de manière autonome, à partir des données qui leur sont fournies, et d'effectuer des tâches avec une supervision réduite.

Le projet de deep learning le plus récent de Zendesk est Answer Bot – un assistant virtuel pour les clients qui répond automatiquement aux questions des clients en utilisant le contenu de la base de connaissances du Guide Zendesk. Par exemple, si un client envoie un e-mail à un vendeur de chaussures en lui demandant de l'aide pour trouver des tailles, Answer Bot envoie au client des articles pertinents sur les tailles disponibles. « Pour Answer Bot, nous aimions l'idée qu'un modèle de deep learning puisse aider l'application à se perfectionner continuellement pour fournir aux clients les meilleures réponses possibles, » explique Cheah. Answer Bot a aidé à ouvrir la voie pour offrir une expérience centrée sur les membres à des centaines d'entreprises, y compris Dollar Shave Club. « Answer Bot a été très utile pour nous, en nous permettant de fournir à nos clients un moyen simple de trouver les réponses dont ils avaient besoin, » indique Brian Crumpley, responsable de l'analyse des services membres chez Dollar Shave Club. « Le but n'est jamais d'empêcher un membre de nous contacter, mais plutôt de fournir aux membres les connaissances appropriées et de leur répondre plus rapidement – tout le monde y gagne. »

Utiliser TensorFlow sur AWS pour obtenir de meilleures réponses

Zendesk s'appuie sur TensorFlow – une bibliothèque de logiciel open source – pour développer ses applications de deep learning. Lorsque Zendesk s'est préparée à créer Answer Bot, elle avait besoin d'une technologie sous-jacente permettant un développement rapide et une mise à l'échelle facile. « Les algorithmes de formation demandent beaucoup de temps, et nous voulions vraiment accélérer ce processus pour délivrer plus rapidement une nouvelle solution aux clients, » explique Cheah. « Nous savions que le cloud nous aiderait à atteindre cet objectif. »

L'entreprise faisait déjà fonctionner sa plateforme principale et une application interne de journalisation des données sur le cloud Amazon Web Services (AWS), et elle savait qu'AWS serait également le bon choix pour le deep learning. Les développeurs qui utilisent TensorFlow peuvent exécuter l'environnement sur AWS en lançant des instances GPU AWS. « Non disposions déjà d'une base AWS dans toute l'entreprise, et le fait que TensorFlow était compris dans les instances GPU AWS correspondait parfaitement à nos besoins, » indique Arwen Griffioen, un scientifique de données chez Zendesk.

Zendesk utilise Amazon Simple Storage Service (Amazon S3) pour stocker des fichiers d'initialisation pour les modèles de formation. L'entreprise tire également profit des instances P2 d'Amazon Elastic Compute Cloud (Amazon EC2) pour des fonctionnalités de calcul parallèle sur GPU. « Les instances P2 d'Amazon EC2 sont extrêmement puissantes, et leur utilisation nous a vraiment aidé à accélérer nos capacités de recherche, » explique Cheah. Zendesk utilise également le moteur de base de données relationnelle Amazon Aurora pour enregistrer les modifications apportées aux articles du centre de connaissances, qui sont retransmises en temps quasi réel au modèle de formation d'Answer Bot.

« Nous utilisons des algorithmes de deep learning pour effectuer le processus d'association des requêtes clients et des articles, » explique Cheah.

L'entreprise est également enthousiaste à l'idée d'utiliser Amazon SageMaker, un nouveau service entièrement géré permettant aux développeurs et aux spécialistes des données de créer, former et déployer rapidement et facilement des modèles de Machine Learning à n'importe quelle échelle.

« L'annonce récente d'Amazon SageMaker nous enthousiasme, » indique David Bernstein, directeur de la technologie stratégique chez Zendesk. « Amazon SageMaker va nous permettre de réduire nos coûts et d'augmenter notre rapidité en ce qui concerne notre utilisation du machine learning. Avec Amazon SageMaker, nous pouvons réaliser la transition depuis notre déploiement TensorFlow existant et autogéré vers un service entièrement géré. Amazon SageMaker facilite également l'accès à d'autres frameworks d'apprentissage profond populaires, tout en gérant l'infrastructure permettant de créer, entraîner et diffuser nos modèles. »

« Étant donné qu'Answer Bot peut répondre directement aux clients en leur fournissant des réponses en quelques secondes, il peut résoudre les tickets de support avant qu'ils parviennent aux agents. Cela peut vraiment transformer l'expérience du service client. »

Soon-Ee Cheah
Spécialiste des données
Zendesk

« Étant donné qu'Answer Bot peut répondre directement aux clients en leur fournissant des réponses en quelques secondes, il peut résoudre les tickets de support avant qu'ils parviennent aux agents. Cela peut vraiment transformer l'expérience du service client. »

Soon-Ee Cheah
Spécialiste des données
Zendesk


Accélérer le développement grâce à une modélisation de deep learning plus rapide

Zendesk utilise AWS pour importer facilement de grands ensembles de données utilisés pour former des algorithmes de deep learning. C'est pourquoi Zendesk a pu créer Answer Bot bien plus rapidement que ce qu'aurait permis une solution sur site. « Notre pile de modélisation prédictive existante était déjà dans le cloud AWS, ce qui a permis de développer plus rapidement Answer Bot sur AWS, » indique Wai Chee Yau, un ingénieur de données chez Zendesk. « Plutôt que d'acheter et d'installer notre propre matériel, nous avons utilisé la flexibilité d'AWS pour ajouter rapidement les GPU et les CPU dont nous avions besoin. »

Les scientifiques de données de Zendesk peuvent améliorer la vitesse des recherches en s'appuyant sur AWS. « AWS nous permet d'essayer de nombreuses idées à la fois, et cela nous permet de réaliser nos recherches bien plus rapidement, » affirme Griffioen. « Nous pouvons lancer des instances Amazon EC2 très rapidement lorsque nous en avons besoin et effectuer différentes permutations de nos modèles sur ces instances sans avoir besoin d'attendre. Nous n'aurions pas pu développer Answer Bot sans cette fonctionnalité. »

L'entreprise dépasse maintenant les attentes de ses clients en matière de solutions de service client innovantes. « AWS nous permet de développer et de fournir des fonctionnalités dont nos clients ne disposaient pas auparavant, » indique Cheah. « Avec Answer Bot, par exemple, nos client peuvent automatiquement fournir des réponses plus ciblées et précises aux questions de leurs clients. Et étant donné qu'Answer Bot peut répondre directement aux clients en leur fournissant des réponses en quelques secondes, il peut résoudre les tickets de support avant qu'ils parviennent aux agents. Cela peut vraiment transformer l'expérience du service client. »

Zendesk peut maintenant mettre à l'échelle son environnement de développement du deep learning à la demande pour répondre aux besoins des développeurs en matière de ressources de calcul ou de stockage supplémentaires. « Nous pouvons mettre à l'échelle nos modèles de deep learning de manière très efficace en nous appuyant sur la puissance de traitement GPU sur AWS, et cela nous sera bénéfique pour accroître nos applications afin de servir un nombre croissant de clients, » explique Cheah. « AWS est une plateforme puissante de conceptualisation du deep learning que nous utilisons pour effectuer la majorité de nos recherches, » ajoute Griffioen. « La flexibilité et la puissance dont nous bénéficions avec AWS a permis à Zendesk d'intégrer les technologies de deep learning de pointe dans le service client. Nous ne nous contentons pas de créer des approches différentes – nous inventons de nouvelles approches algorithmiques, grâce à AWS. »

Convoy utilise le machine learning pour révolutionner le camionnage

En savoir plus »

Capital One utilise le machine learning pour fournir à ses clients une protection optimale contre la fraude

En savoir plus »

Coinbase utilise le machine learning pour permettre d'échanger des cryptomonnaies de manière sécurisée

En savoir plus »

T-Mobile humanise son service client en utilisant le ML

En savoir plus »