Autodesk 使用 AWS 開發用於將客戶引導至正確產品支援團隊的模型

在軟體供應商 Autodesk 的客戶面臨的支援問題中，既有尋找和安裝軟體這樣典型的簡單任務，也有關於軟體套件內進階模型性質的複雜查詢。這些查詢通常會對客戶產生重大的財務影響，因此他們對支援有著強烈的需求。

但是，當客戶想要就某個問題聯絡 Autodesk 時，他們不會考慮對方會有多個部門，或不同的支援部門處理的問題可能不同，他們只知道他們需要協助，以快速有效地解決問題。客戶通常不確定如何描述自己的問題。在過去，這會導致客戶被引導到錯誤的支援團隊，從而造成客戶不滿以及更長的解決時間。產品支援小組在提供專業協助時，需要與客戶深入互動，而許多其他問題則可以在幾分鐘內解決。請求簡單 (例如尋找下載連結) 的客戶可能會因為意外進入了高度專業化的技術諮詢等候隊列，從而等候幾個小時，但實際上他們只需要從客戶支援團隊取得協助。

為了解決這個問題，Autodesk 使用 Amazon SageMaker 建置了機器學習 (ML) 技能模型。Amazon SageMaker 是一項全受管服務，讓開發人員和資料科學家能夠快速建置、訓練和部署 ML 模型。這些技能模型與典型的分類模型不同，因為它們的用途是選擇負責支援使用者的正確團隊。與此相反地，許多模型則是會嘗試預測案例主題，再從該主題傳送。

為了訓練模型，Autodesk 從 Amazon Simple Storage Service (Amazon S3) 的資料湖中提取了歷史資料集。Amazon S3 是一種物件儲存服務，可提供領先業界的可擴充性、資料可用性、安全性及效能。該模型帶來了更好的客戶體驗和更簡單的支援體驗，同時降低了業務成本，並提高了 Autodesk 支援人員的工作效率。

Autodesk 利用 3D 列印、人工智慧、生成式設計和機器人等新興技術，為建築、工程、營造、媒體與娛樂以及製造業建立軟體解決方案。2017 年，Autodesk 將其資料科學開發實務從本機電腦轉移到 Amazon Web Services (AWS)，這是其使用 AWS 進行產品開發流程更長遠策略的第一步。因此，當他們的客戶支援系統出現問題時，他們立即尋求 AWS 協助。

Autodesk 之前使用以規則為基礎的客戶支援路由系統，該系統在重新引導客戶時僅依賴客戶的輸入，導致時間浪費。客戶難以在支援系統中導覽，因為要對自己的問題進行分類並不容易，而且如果查詢引導錯誤，可能會導致回應時間從幾分鐘延宕到幾小時甚至更長時間。Alex O’Connor (Autodesk 的 Lead Data Scientist) 表示：「客戶不需要知道他們說有技術問題與說有下載問題之間有何不同，也不需要知道這對他們找到相應的支援團隊有何影響。」然而，當客戶在系統中迷失時，支援團隊之間必須來回傳遞訊息，以確定要將請求傳送到哪裡。

Autodesk 尋求建立靈活、可自訂的機器學習模型，使用自然語言處理分析單字以及單字如何組合在一起，以更準確地自動將客戶引導至正確的解決方案。「對於這類問題，客戶用自己的話描述他們的問題，您需要嘗試不同的模型和資料組合，以辨別細節和語言的巨大差異，」O’Connor 說道，「而能夠嘗試所有這些事情正是 AWS 的一大優點。」

為了建立這些機器學習技能模型，Autodesk 資料科學團隊的業務分析師與每個支援團隊進行了會面，以了解他們的專長並確定誰做什麼以及怎麼做。利用這些知識，該團隊整理了用於建立技能模型的訓練資料集。他們從 Amazon S3 的資料湖中提取了數千個客戶服務請求及其解決方案的歷史資料。然後 Autodesk 使用 Amazon SageMaker 筆記本來決定要使用的模型以及需要多少資料。「Amazon SageMaker 筆記本很有用，因為您可以探索資料，了解資料中不同特徵的動態，甚至訓練玩具模型來幫助了解在資料的不同部分上訓練的 ML 模型的行為可能會是什麼樣子，」O’Connor 解釋道。一旦團隊初步找到了適合支援團隊的模型和資料組合，就可以進入下一步：使用特徵越來越豐富的模型，這些模型是在更大的資料集上進行訓練的，並進行了額外的檢查和平衡。這些更豐富的模型通常具有更好的泛化能力，並且更能容忍客戶輸入的變化。

在使用 Amazon SageMaker 筆記本執行分析和初步探索後，Autodesk 使用 Scikit-learn (大多數 Python 專案選擇的經典 ML 程式庫) 建立了探索性模型，使用許多輔助函數和淺層模型來深入了解解決方案。隨後，Autodesk 使用指令碼模式在多個深度學習架構中訓練其技能模型，這有助於快速程式碼重複使用和模型疊代。該公司還使用 PyTorch 執行 fast.ai 和 Hugging Face 轉換器來進行自然語言處理。

為了部署模型進行測試，Autodesk 將 Amazon Elastic Container Service (Amazon ECS) 用於首批 API 託管版本。Autodesk 資料科學團隊首席工程師 Yathaarth Bhansali 表示：「我們隨後在後續版本和生產中轉向了 Amazon SageMaker 端點託管，因為這可以增強靈活性並降低了複雜性。」開發和部署初始技能模型 (涉及擴展和自動化整個指令碼) 大約需要 2-3 週。

Autodesk 使用 AWS 服務建立的模型消除了客戶體驗的複雜性，並將關鍵支援管道中的案例誤引導率降低了 30% 以上，讓 Autodesk 客戶取得答案的速度提高了三倍。「客戶等待解決方案的時間的任何減少都會對他們及其雇主產生巨大的業務影響，因為他們遇到的問題通常會阻礙其關鍵業務專案的進展，」O’Connor 說道。此外，客戶的意見回饋一致地正面，這表明自動化引導能夠正確地將客戶與支援客服人員進行配對。

「擺脫舊的以規則為基礎的系統很困難，但非常值得，」Autodesk 資料科學總監 James Bradley 說道，「這極大地簡化了我們引導支援案例的方式，並消除了一些我們在使用以前的系統時根深蒂固的歷史技術負債。」 隨著 AWS 更新其服務，Autodesk 已能夠改善其開發實務。例如，他們計畫對不同的模型進行 A/B 測試，而 Amazon SageMaker 端點使這一切變得簡單。「每當我們遇到想要做的事情時，我們都會發現 AWS 已經預見了這種需求，」O’Connor 說道。

整體而言，使用 Amazon SageMaker 和 Amazon ECS 讓 Autodesk 的資料科學團隊可以專注於改進演算法，而不必操心維護基礎設施。「我很高興不必再管理自己的伺服器或更新驅動程式，」Bradley 說道，「過去為了處理與要解決的問題無關的事情，我浪費了很多時間。我們認為自己在相當程度上是專家。因此，當我們遇到問題時，我們會希望略過基礎的那一部分。」

Autodesk 團隊將繼續改進其引導系統，包括增加監控佇列的功能，並向 Autodesk 員工發出可能排錯佇列的客戶的提醒，以及使用資料來預測客戶的需求。這些功能將縮短客戶取得答案的時間，並提高首次聯絡的解決率。「當客戶做出某種行為時，我們可以從行為中取得資訊，然後提出建議，」Bradley 說道。他們計劃將其引導系統擴展到其他語言，並正在探索客戶可以取得支援的其他環境和模式。

藉助 AWS，Autodesk 讓客戶在使用支援系統時不再暈頭轉向。「這些技能模型和支援環境應該滿足使用者的需求，成為他們的最佳選擇，而不是因為別無選擇，就強迫他們進入一個或另一個管道」O’Connor 表示。如今，Autodesk 的客戶支援系統可以更準確地完成其預期任務：為客戶提供高效解決問題所需的資源和知識。