Autodesk が AWS を使用して、顧客と製品サポートチーム間でサポートケースをルーティングするためのモデルを開発

ソフトウェアプロバイダーの Autodesk の顧客は、ソフトウェアを見つけてインストールするという一般的で簡単な作業から、同社のソフトウェアパッケージに含まれる高度なモデリングの性質に関する複雑な質問まで、さまざまなサポート上の問題を抱えています。このような問い合わせは、多くの場合、顧客に重大な財務上の影響を与えるため、サポートの必要性が非常に重要になります。

しかし、顧客が Autodesk に問題を問い合わせようとするとき、Autodesk の複数の部局や、さまざまな質問に対応するさまざまなサポート部門についてわかっているわけではありません。顧客はただ、迅速かつ効果的に問題を解決するためのサポートが必要であることを認識しているだけです。多くの場合、顧客は問題をどのように説明したらよいかわからず、これによって、過去には顧客が間違ったサポートチームに誘導され、フラストレーションが生じ、解決までの時間が長引いていました。製品サポートグループの専門的な支援には深い関与が必要ですが、他の多くの問題は数分で解決できます。ダウンロードリンクを探すなどの単純なリクエストがある顧客は、カスタマーサポートチームからの支援を得ることなく、高度に専門化された技術的なキューにうっかり参加してしまい、何時間も行き詰まる可能性があります。

この問題を解決するために、Autodesk はAmazon SageMaker を使用して、機械学習 (ML) スキルモデルを構築しました。Amazon SageMaker は、デベロッパーとデータサイエンティストに、機械学習 (ML) モデルの構築、トレーニング、デプロイを迅速に行う機能を提供するフルマネージドサービスです。スキルモデルは、ユーザーのサポートを担当する適切なチームを選択しようとするため、一般的な分類モデルとは異なります。案件のトピックを予測し、そのトピックからルーティングしようとする多くのモデルとは対照的です。

このモデルをトレーニングするために、Autodesk は Amazon Simple Storage Service (Amazon S3) のデータレイクから過去のデータセットを引き出しました。Amazon S3 は、業界トップクラスのスケーラビリティ、データ可用性、セキュリティ、パフォーマンスを提供するオブジェクトストレージサービスです。このモデルにより、カスタマーエクスペリエンスが改善され、サポートエクスペリエンスが簡素化されるとともに、ビジネスコストが削減され、Autodesk のサポートスタッフの生産性が向上しました。

Autodesk は、3D プリント、人工知能、ジェネレーティブデザイン、ロボット工学などの新しいテクノロジーを使用して、建築、エンジニアリング、建設、メディア、エンターテインメント、製造業界向けのソフトウェアソリューションを開発しています。2017 年、Autodesk は製品開発プロセスに AWS を使用するという広範な戦略の第一歩として、データサイエンス開発業務をローカルマシンから Amazon Web Services (AWS) に移行しました。そのため、同社はカスタマーサポートシステムに問題が発生したとき、すぐに AWS に頼りました。

Autodesk の以前のカスタマーサポート用のルールベースのルーティングシステムでは、顧客の入力のみに依存してルーティングするサポートコールをリダイレクトする無駄な時間が生じました。質問の分類が難しいため、顧客はサポートシステムをナビゲートするのに苦労し、クエリが誤ってルーティングされると、応答時間が数分から数時間またはそれ以上になる可能性がありました。Autodesk の Lead Data Scientist、Alex O'Connor 氏は、「顧客は、技術的な問題があると言うことと、ダウンロードに問題があると言うことの違いの意味や、その違いがルーティング先にどのように影響するかを理解する必要はないはずです」と述べています。しかし、顧客がシステム内で迷子になると、サポートチームは互いに情報をやり取りして、各リクエストを社内でどこにルーティングするかを判断する必要がありました。

Autodesk は、単語と、単語の組み合わせの両方を調べる自然言語処理を使用して、顧客を適切なソリューションにルーティングする自動化をより正確に行う、柔軟でカスタマイズ可能な ML モデルの作成を模索していました。「顧客が自分の言葉で問題を説明するこのような問題では、詳細と言語の大きなばらつきを考慮して、モデルとデータのさまざまな組み合わせを試してみたいと思うでしょう」と O'Connor 氏は言います。「これらすべてのことを試せることは、AWS のメリットの 1 つでした」。

ML スキルモデルを構築するために、Autodesk データサイエンスチームのビジネスアナリストは各サポートチームとミーティングを行い、それぞれの専門分野を理解し、誰が何をどのように行うかを把握しました。この知識を活用して、チームはスキルモデルを構築するためのトレーニングデータセットをキュレーションしました。データサイエンスチームは、Amazon S3 のデータレイクから、何千ものカスタマーサービスリクエストとその解決策からの履歴データを引き出しました。その後、Autodesk は Amazon SageMaker ノートブックを使用して、使用するモデルと必要なデータ量を正確に特定しました。「Amazon SageMaker ノートブックは、データを調べたり、データ内のさまざまな特徴のダイナミクスを理解したりできるという点で魅力的です。さらに、データのさまざまな部分でトレーニングした ML モデルの動作がどのようなものかを理解するのに役立つおもちゃのモデルをトレーニングすることさえできます」と O'Connor 氏は説明します。サポートチームに適したモデルとデータの組み合わせを暫定的に把握できたら、次のステップに進むことができます。それは、チェックとバランスを加えながら大規模なデータセットでトレーニングした、ますます機能豊富になるモデルを使用することです。これらの充実したモデルは、多くの場合、顧客からの入力の変動という点でより一般化に優れ、より堅牢です。

Amazon SageMaker ノートブックを使用して分析と初期調査を行った後、Autodesk は Scikit-Learn で探索的モデルを構築しました。Scikit-Learn は、ほとんどの Python プロジェクトで選択されている古典的な ML ライブラリで、多くのヘルパー関数と浅いモデルを使用してソリューションに関する洞察を得ます。その後、Autodesk はスクリプトモードを使用して、複数のディープラーニングフレームワークでスキルモデルをトレーニングしました。これにより、コードの再利用とモデルの反復が迅速に行えます。同社はまた、PyTorch を使用して fast.ai トランスフォーマーと Hugging Face トランスフォーマーを実行して自然言語処理を行っています。

テスト用にモデルをデプロイするために、Autodesk は最初の API ホスティングバージョンに Amazon Elastic Container Service (Amazon ECS) を使用しました。Autodesk のデータサイエンスチームのプリンシパルエンジニアである Yathaarth Bhansali 氏は次のように語っています。「その後、以降のバージョンと本番環境で Amazon SageMaker エンドポイントホスティングに移行しました。柔軟性を高め、複雑さを軽減できるからです」。スクリプト全体のスケーリングと自動化を含む初期スキルモデルの開発とデプロイには、約 2～3 週間かかりました。

Autodesk が AWS サービスを使用して作成したモデルにより、カスタマーエクスペリエンスの複雑さが軽減され、主要なサポートチャネルでケースの宛先ミスが 30% 以上減少しました。これにより、Autodesk の顧客は最大 3 倍の速さで回答を得ることができるようになりました。「顧客が直面する問題がビジネスクリティカルなプロジェクトの進行を妨げることが多いため、顧客がソリューションを待つ時間が短縮されれば、顧客とその雇用者にとってビジネスに大きな影響を与える可能性があります」と O’Connor 氏は言います。さらに、自動ルーティングが顧客とサポートエージェントを正しくマッチングさせているという肯定的なフィードバックが一貫して寄せられています。

Autodesk のデータサイエンス担当ディレクター、James Bradley 氏は次のように語っています。「古いルールベースのシステムからの移行は困難でしたが、非常にやりがいのあることでした。「これにより、サポートケースのルーティング方法が大幅に簡素化され、以前のシステムを使用することで定着していた過去の技術的負債の一部が取り除かれました」。 Autodesk は、AWS がサービスを更新するにつれて、開発方法を改善することができました。例えば、同社はさまざまなモデルの A/B テストを計画していますが、Amazon SageMaker エンドポイントを使用すると簡単に実行できます。「やりたいことに出くわすたびに、AWS がそのニーズを予測していたことがわかります」と O'Connor 氏は言います。

全体として、Amazon SageMaker と Amazon ECS を使用することで、Autodesk のデータサイエンスチームは、インフラストラクチャを維持するのではなく、アルゴリズムの改善に集中できます。「サーバーを自分で管理したり、ドライバーを更新したりする必要がなくなったことにとても感謝しています」と Bradley 氏は言います。「過去には、解決しようとしていた問題のレベルよりも下位の問題に対処しなければならず、多くの時間を無駄にしていました。私たちは自分たちをそこそこの専門家だと考えています。ですから、問題にぶつかったときは、基本を飛ばしたいと思っています」。

Autodesk チームは、キューを監視し、間違ったキューに入っている可能性のある顧客を Autodesk のスタッフに警告する機能を追加したり、データを使用して顧客が必要とするものを予測したりする機能を追加するなど、ルーティングシステムの改善を続けます。これにより、回答までの時間が短縮され、ファーストタッチの解決率が向上します。「顧客が何かをすると、その行動から情報を引き出して、推奨を行うことができます」と Bradley 氏は言います。同社は、ルーティングシステムを他の言語にも拡張する取り組みを進めており、顧客がサポートを利用できる環境や方法をほかにも模索しています。

Autodesk は AWS で、サポートシステムをナビゲートする顧客が当て推量をする必要をなくしました。「スキルモデルとサポート環境は、ユーザーのニーズに合った、最適な選択であるべきです。ユーザーが行ける唯一の場所だからといって、ユーザーを何らかのチャネルに強制的に参加させるべきではありません」と O’Connor 氏は言います。現在、Autodesk のカスタマーサポートシステムは、本来の目的をより正確に果たしています。つまり、問題を効率的に解決するために必要なリソースと知識を顧客に提供することです。