[ワークショップ] クラウドコンタクトセンター × 生成AIのワークショップに参加して可能性を肌で感じてきた #BIZ304 #AWSreInvent

re:Invent 2023 で初めてWalk-upの列に並び、ワークショップを受けてきました^^
大阪オフィスの林です。

昨今流行りの「 クラウドコンタクトセンター × 生成AI 」というトレンドのワークショップだったため、Walk-upも多くかなりの行列になっていました。（壁を沿って列がUターンしています）
私は開始1時間前ほどから並び始め、Walk-upの先頭から3番目を確保できたため、難なくワークショップに参加できました。ﾖｶｯﾀﾖｶｯﾀ。

セッションタイトル

BIZ304 | LLM を使用してデータを分析し、コンタクト センター エージェントにガイダンスを提供します

BIZ304 | Use LLMs to analyze data and provide guidance to contact center agents

セッション概要

このワークショップでは、Amazon Connect Contact Lens データを分析するための大規模言語モデル (LLM) を作成する方法を学び、ステップバイステップのガイドとともにそれを使用して、エージェントがトップパフォーマーのベストプラクティスをエミュレートできるように支援することで、エージェントをスーパースターに変身させます。

あなたのチーム。成功したインタラクションのトランスクリプトを使用してモデルをトレーニングすることで、アカウントのキャンセルの防止やアップセルの促進など、望ましい結果を達成するために最適な言語でエージェントをガイドできます。

これが、さまざまな顧客対応シナリオにおいて、すべてのエージェントにわたって一貫したベスト プラクティスの実装を可能にするのにどのように役立つかをご覧ください。

ワークショップ前の雰囲気

いままでのセッションの中で一番派手な衣装を身にまとったスピーカーでした（笑
なお、冒頭の行列の通り、会場も満員御礼といった参加具合となっていました。

いざ、ワークショップ

このワークショップは、以下のAWSサービスを使い進行していきます。

• Amazon Bedrock
• Amazon Connect
• Amazon Connect Contact Lens
• AWS Lambda
• Amazon Kinesis Data Streams
• Amazon DynamoDB

また、ワークショップは複数のラボに分かれており、下記の順序に従いながら進めていくことになります。

• ラボ1 - AWS CloudFormation の出力を収集
• ラボ2 - Amazon Bedrock のセットアップと探索
• ラボ3 - Amazon Connect のセットアップ
• ラボ4 - ソリューションのテスト
• ラボ5 - 独自のユースケースを追加しテスト

ラボ1 AWS CloudFormation の出力を収集

ラボ1は作業というより確認で、CloudFormationでOutputされた情報の取得だけでした。

ラボ2 Amazon Bedrock のセットアップと探索

ラボ2では、Amazon Bedrock のセットアップを進めていきます。
手順に従いながらClaude V2 モデルで Amazon Bedrock を有効にしていきます。

次に、標準の生成 AI プロンプトをテストして、モデルのプロンプト分析の結果を確認します。

ラボ3 Amazon Connect のセットアップ

ラボ3では、Amazon Connect のセットアップを進めていきます。
以下のようなコンタクトフローを作成し、図内の数字が書かれている各ブロックの処理に、予め作成されていた特定処理用のLambdaを紐づけていきます。

最後に電話番号をAmazon Connectインスタンスに紐づけます。

ラボ4 ソリューションのテスト

架電しテストします。

本ワークショップの場合、通話が始まったあとに顧客から下記「例」のような発言があったと想定してシナリオを進めていきます。
顧客の発言がカテゴリに一致するとリアルタイムでAmazon Connect エージェントガイドが開始され、ガイダンスが提案される動きになります。
アーキテクチャで挙げられていた各種サービスや機能（Amazon Connect、Amazon Connect Agent Workspace、Amazon Connect Agent Guides、Amazon Connect Contact Lens、AWS Lambda、Amazon DynamoDB、Amazon Kinesis Data Streams、Amazon Bedrock）が組み合わさりライブ分析が可能なソリューションが提供されています。

カテゴリ	例	Flow Module
cancel expensive	I need to get rid of this because it's too pricey.（値段が高すぎるので、これを処分しなければならない。）	AA_CancelExpensiveGuide
cancel temporary housing	I'm relocating for a few months and need to shut this down.（数カ月間転勤することになったので、これを閉鎖する必要があるんだ。）	AA_CancelTemporaryHousingGuide
cancel moving	I'm getting out of here to a new place and won't be back.（私はここを出て新しい場所に行く。）	AA_CancelMovingGuide
credit card fraud	I think someone use my account without my permission.（誰かが私のアカウントを勝手に使ったようだ。）	AA_CreditCardFraudGuide
credit card limit increase	I tried to buy something and couldn't（何かを買おうとして、買えなかった）	AA_CreditCardLimitIncreaseGuide
credit card lost or stolen	I can't find my card.（カードが見つからないんだ。）	AA_CreditCardLostOrStolenGuide

「I need to get rid of this because it's too pricey.（値段が高すぎるので、これを処分しなければならない。）」的な発言に対して、

『顧客は「これは高すぎる」と言った。 余裕がありません。 キャンセルする必要があります。 これは、自分にとっては高すぎるため、何かをキャンセルしたいことを示しています』

と要約しつつ「cancel expensive」にカテゴライズされていることを示唆してくれています。

続けて、次のアクション（ガイダンス）として顧客情報を調査し、

『2 年以上忠実な顧客であることがわかりました。これを念頭に置いて、私たちのロイヤルティプログラムへの登録を提案できます。 登録すると、請求額を 18% 引き下げることができ、この引き下げ率は来月 13 日の次の請求サイクルから適用されます。それは役に立ちますか？』

という提案も自動でしてくれています。（スゴイ！

ラボ5 独自のユースケースを追加しテスト

ラボ5はオマケのような感じもするのですが、このラボ5では、独自のユースケースを追加してテストします。
ワークショップに従いfalling satellite damage（衛星落下の損傷）というキーワードを追加し、再度架電し「宇宙のごみが落ちてきた。」的な発言をしてみます。

顧客が「落下」「衛星」「損傷」というキーワードを話さなかったにも関わらず、

『顧客は、宇宙ゴミが家に落ちたと述べました。これは、衛星の落下による潜在的な損害を示しているため、私は「衛星の落下による損害」として分類しました。』

と要約しており独自のユースケースで追加した「落下した衛星の損傷」のカテゴリに一致させていました。（すごい！どうなってるんだ！w

おわりに

昨今流行りの「 クラウドコンタクトセンター × 生成AI 」のインフラ側の実装を一部ではありますが実際に体験してみました。
可能性しか感じなかったですね！
弊社ブログでも既に幾つか「 クラウドコンタクトセンター × 生成AI 」絡みの記事が出ていますので併せて参照いただけますと幸いです！