Amazon Web Services ブログ

Amazon Q in Connect 向けのナレッジベースの最適化

生成 AI は、問題解決と支援において前例のない機能を提供し、顧客とのやり取りに革命をもたらしています。この革新的な技術は、エージェントが顧客を迅速にサポートすることで満足度を高められるコンタクトセンターの分野で特に変革をもたらします。生成 AI は、人間のようにテキストを分析して生成することで、コンタクトセンターが解決と対応を自動化し、エージェントが複雑な問い合わせをより正確かつパーソナライズして処理できるよう支援します。ボストンコンサルティンググループ (BCG) の調査では、生成 AI がカスタマーサービスに及ぼす大きな影響が明らかになり、その導入により効率が 30% ~ 50% 向上する可能性があることが示唆されています。

この変革をサポートするために、AWS は Amazon Q を提供開始しました。Amazon Q は企業のシステムにあるデータや専門知識を使用して、ビジネスに合わせて調整でき、会話、問題の解決、コンテンツの生成、アクションの実行を提供する生成 AI 搭載アシスタントです。Amazon Q は Amazon Connect 内で直接利用でき、同様の支援機能をコンタクトセンターに提供できます。

このブログ記事では、Amazon Q in Connect とその仕組み、生成 AI による機能を使用してナレッジベースを最適化し、効果を最大化する方法について学びます。

Amazon Q in Connect とは

Amazon Q in Connect は、Amazon Connect の音声チャネルとチャットチャネルの両方でリアルタイムのエージェントアシスタンス機能を提供します。生成 AI を活用した推奨応答、アクション、詳細情報へのディープリンクにより、エージェントは顧客からの問い合わせの聞き取りと解決により多くの時間を費やすことができ、回答の検索や検索に費やす時間を減らすことができます。この機能は、組織の独自のナレッジベースのコンテンツを活用して総合的な回答を生成し、エージェントは音声またはチャットで顧客に返信できます。また、顧客からの問い合わせを解決するために取るべき手順をエージェントに概説して案内することもできます。

仕組み

Amazon Q in Connect は、複数の機械学習 (ML) ツールを使用して、回答や解決策を考え出しエージェントを支援します。まず、何千時間ものコンタクトセンターの記録を使用してトレーニングされた機械学習モデルを使用して、顧客の意図を判断します。顧客がどのような支援を必要としているかを理解すると、Amazon Q はナレッジベースをスキャンして、セマンティックマッチングと呼ばれるプロセスによって、エージェントをサポートするための関連文書を探します。このプロセスは、文書を統合し、顧客の質問に答える最も重要な部分を選び出します。

次に、特定された問題、会話の要点、およびドキュメントからの情報を取り出して、Amazon Bedrock に渡します。ここでは、Amazon Q が具体的な指示 (プロンプトエンジニアリング) を行い、 Amazon Bedrock はエージェントにとって実際に役立つ回答とソリューションを作成します。これらすべてのステップで、機械学習と大規模言語モデルがリアルタイムで連携し、エージェントが必要な支援を受けられるようにするため、他の AWS サービスとの統合を自分で構築する必要はなく、コンタクトセンターで生成 AI 機能を簡単に有効にできます。

会話中の内容をモニタリングし、リアルタイムにエージェントを支援するだけでなく、エージェントは検索バーに手動で質問を入力して Amazon Q in Connect に支援を求めることもできます。これにより、エージェントはナレッジベースを調査し、文書を探したり解析する必要なく、自然言語での会話で必要な回答を得ることができます。エージェントはコンタクトの対応中でも対応していないときでも手動検索機能を使用できます。そのため、アフターコール作業 (ACW)、バックオフィス作業、またはフォローアップタスクを行うエージェントも Amazon Q in Connect を利用できます。

Amazon Q in Connect のアーキテクチャ図

図1. Amazon Q in Connect の仕組み

コンタクトセンター業務のニーズの理解

Amazon Q in Connect のコンテンツをより最適化するには、コンタクトセンター内の具体的なニーズと一般的な問い合わせ内容を深く理解することが不可欠です。これらを理解することで、ナレッジベースに含めるべきコンテンツの特定に役立つだけでなく、顧客がエージェントに質問する内容とコンテンツを一致させることができます。

Amazon Connect には、コンタクトセンターを深く掘り下げるのに役立つ Contact Lens などの機能が用意されています。Contact Lens はコンタクトセンターの会話分析機能を備えているため、Amazon Connect 内でネイティブに、顧客との会話の書き起こし、生成 AI を活用した問い合わせの要約の作成、顧客センチメントの分析、主要なコンタクト要因の発見、機密データの除外などを行うことができます。 Contact Lens からの洞察を定期的に確認することで、Amazon Q in Connect が顧客から問い合わせを受けている重要なトピックに効果的に対応できるようになります。特に重要な機能はテーマ検出で、顧客とのやり取りから浮かび上がる共通のテーマやトピックに関する価値のある洞察が得られます。

テーマ検出を活用することで次のことが可能になります。

  • 一般的な問い合わせの特定 : よくある質問や顧客から寄せられる問題を特定できます。これにより、顧客の質問に対応できるようコンテンツを調整するのに役立ちます。
  • 顧客の感情の理解 : 顧客の問い合わせ中の感情を測定することで、顧客の不満や、エージェントがさらなる支援を必要とする可能性のある領域をより深く理解できます。これにより、どのコンテンツを最初に更新すべきかを優先順位付けできます。
  • 新たなトレンドの発見 : 新規または増加している顧客のニーズや質問を特定して、事後ではなく事前にナレッジベースに反映することができます。これにより、エージェントを支援する新しいコンテンツの優先順位付けに役立ちます。

顧客とエージェントに最大の効果をもたらすためには、コンテンツを定期的に見直して更新し、関連性が高く、最新で、包括的であるよう維持する必要があります。トピックに関する正確な情報がなければ、Amazon Q in Connect は適切なガイダンスを提供できません。

さらに、エージェントからのフィードバックを統合することも、ナレッジベースを洗練させる上で重要です。エージェントは、受け取ったレコメンデーションに「役に立った」または「役に立たなかった」のアイコンを使用して直接フィードバックを提供できます。これにより PutFeedback API をトリガーし、推奨事項が役に立ったかどうかが示され、 AWS CloudTrail で追跡することができます。このフィードバックは、追加の情報や明確化によってコンテンツのリソースと効果をさらに向上させ、エージェントと顧客の両方にとってより価値のあるコンテンツになる可能性がある点について、独自の視点を提供します。

ナレッジベースのコンテンツの最適化

Amazon Q in Connect を最大限に活用するには、コンテンツを最適化することが重要です。人間が理解するのが難しいコンテンツは、AI に対しても同じ課題をもたらし、エージェントを支援する能力に影響を与えます。既存のコンテンツを改良して Amazon Q in Connect で利用しやすくするための戦略をいくつかご紹介します。

コンテンツの構造化

適切に構造化されたコンテンツは、Amazon Q in Connect がエージェントに的確な回答を提供するのに役立ちます。長いセクションを 1 つのアイデアを中心とする短く焦点を絞った段落に分割し、必要に応じて箇条書きや番号付きリストを使用して複雑なプロセスを明確なステップに分割することを検討してください。

コンテンツの構造化例

言葉遣いをシンプル・明確に

複雑な語彙や文構造を使わずに、明確かつ簡潔に書くようにし、大まかで曖昧な記載は避けてください。Amazon Q in Connect とエージェントにとっては、平易でわかりやすい文章の方が理解しやすくなります。

シンプルな言葉遣いの例

ビジュアルに補足説明を付加

ドキュメンテーションで参照されている画像、チャート、グラフなどのビジュアルを補足する説明文を用意してください。Amazon Q in Connect がビジュアルの内容をより適切に解釈できるように、キャプションや要約を文書に追加することが重要です。

補足説明をつけたビジュアルの例

一般的でない用語の定義と関連付け

各コンテンツ内であなたのビジネス固有の略語、略語、一般的でない用語を初めて使う際、その定義を含めてください。またこれらの用語を、Amazon Q in Connect が理解しやすくするため、説明するフレーズと関連付けてください。

用語の定義例

例の利用

特定のユースケースのコンセプトは、必ず例を使って説明してください。これらの詳細を十分に提供することで、Amazon Q in Connect のお客様のビジネスやエージェントの期待される対応、行動の理解度に影響します。

コンテンツ内での例の利用

表を避ける

可能な限り、コンテンツ内に表やスプレッドシートを使用しないでください。Amazon Q in Connect がこの情報を理解しやすくするためには、表形式のデータではなく、段落または箇条書きで記述するのが最適です。

表の除外

Amazon Q in Connect を活用するその他のベストプラクティス

矛盾した情報を避ける

以前のバージョンを含むすべての文書ではなく、最新バージョンの文書のみを提供してください。Amazon Q in Connect は、選択した設定に基づいて (例:1 時間ごと)、またはカスタム統合の一部として実装した設定に基づいて、ナレッジソースと同期します。同じコンテンツが複数のドキュメントで利用されている場合は、記載が詳細含め一貫していることを確認してください。これにより、Amazon Q in Connect は、一貫性のある正確なレコメンデーションを提供できます。

コンテンツのセグメンテーション

膨大な情報の管理は、特にさまざまな事業部門が特定のコンテンツへのアクセスを必要とする場合、ますます困難になります。エージェントと Amazon Q in Connect の双方にとって、ナレッジベースを整理して効率的に保つことが重要です。これは、コンテンツセグメンテーションを活用することで実現できます。UpdateSession API を活用すると、顧客タイプ、キュー、基幹業務などのカスタム条件に基づいてタグを使用してコンテンツを除外できます。これにより、より正確なフィルタリングが可能になり、そのインタラクションについてわかっている情報に基づいて関連情報のみをエージェントに提示できます。

結論

Amazon Q in Connect のナレッジベースの最適化は、顧客とのやり取りとそのサポートを強化するための継続的な取り組みです。明確でアクセスしやすいコンテンツを作成し、コンタクトセンターのニーズを理解し、ベストプラクティスを実装することに集中することで、Amazon Q in Connect がエージェントを強化するための強固な基盤を築くことができます。俊敏性を保ち、常に最新情報を入手し、ナレッジベースを動的に進化しつづけるリポジトリを実現して、エージェントや Amazon Q in Connect のような生成 AI 機能を活用しましょう。

Amazon Q in Connect の利用開始に役立つリソース

Amazon Connect でカスタマーサービス体験を変革してみませんか。こちらからお問い合わせください。

著者紹介

Alex Schrameyer Alex Schrameyer (代名詞 he/him) は、インディアナ州インディアナポリスに拠点を置く AWS のエージェントエクスペリエンス担当ワールドワイドソリューションアーキテクトリードです。卓越したエージェント体験こそが優れたカスタマーサービスの基礎であると考え、エージェントが優れた能力を発揮し、お客様に喜んでもらえる環境を作ることに重点を置いています。アレックスは世界中を旅するのが好きで、あなたの地元の野球場やテーマパークでも見かけるかもしれません。
Freddy Jimenez Freddy Jimenez (代名詞 he/him) は、イリノイ州シカゴを拠点とする Amazon Connect を専門とする AWS のシニアソリューションアーキテクトです。さまざまな業界のお客様と協力して、Amazon Connect を活用してカスタマーエクスペリエンスに変革をもたらしています。彼はコンタクトセンターの技術分野の深い専門知識を持ち、運用や専門サービスの経験も豊富です。フレディは、走ったり、旅行を通じて新しい目的地を見つけたり、ミニチュアゴールデンドゥードルとのひとときを大切にすることに喜びを見出しています。
Prescott Wright Prescott Wright (代名詞 he/him) は、モンタナ州ボーズマンを拠点とする Amazon Q in Connect のプリンシパルプロダクトマネージャーです。サービスとしてのコンタクトセンター (CCaaS) ソリューションの開発に 10 年以上携わってきた経験を持つ彼は、エージェントが優れたカスタマーサービスを提供できるようにするツールの提供に情熱を注いでいます。トレイルランニング、スキー、子供たちとキャンプをしながら美しいモンタナの荒野を探索することが彼の楽しみです。

翻訳はテクニカルアカウントマネージャー高橋が担当しました。原文はこちらです。