Autodesk 使用 AWS 开发在客户和产品支持团队之间路由支持案例的模型

软件提供商 Autodesk 的客户面临各种支持问题：从关于查找和安装软件的典型而直接的任务，到关于公司软件包中高级建模性质的复杂查询。这些查询通常会对客户产生重大的财务影响，因此对支持的需求十分迫切。

但是，当客户想就某个问题联系 Autodesk 时，他们不会在意公司有几个支持部门，也不关心多个支持团队能处理多么广泛的问题，他们只需要快速有效地帮助解决他们的问题。客户通常不确定如何描述他们的问题；过去，这会导致客户被定向到错误的支持团队，从而造成挫败感并延长解决时间。产品支持小组的专业援助需要深入的互动，而许多其他问题可以在几分钟内得到解决。提出简单请求（例如查找下载链接）的客户可能会耗费数小时，因为他们无意中加入了高度专业化的技术队列，而不是从客户支持团队那里获得帮助。

为解决此问题，Autodesk 使用 Amazon SageMaker 构建了机器学习（ML）技能模型。Amazon SageMaker 是一种完全托管式服务，助力开发者和数据科学家快速构建、训练和部署机器学习模型。技能模型不同于典型的分类模型，因为技能模型试图选择正确的团队来负责为用户提供支持。许多模型试图预测案例主题，然后从该主题路由。技能模型与这些模型截然不同。

为训练模型，Autodesk 从其位于 Amazon Simple Storage Service（Amazon S3）的数据湖中提取历史数据集。Amazon S3 是一种对象存储服务，提供行业领先的可扩展性、数据可用性、安全性和性能。这种模式能降低业务成本，提高 Autodesk 支持人员的工作效率，从而带来更好的客户体验和更简单的支持体验。

Autodesk 使用 3D 打印、人工智能、生成式设计和机器人等新兴技术，为架构、工程、建筑、媒体和娱乐以及制造业创建软件解决方案。2017 年，Autodesk 将其数据科学开发实践从本地计算机转移到 Amazon Web Services（AWS），这是其重大战略的第一步，标志着 Autodesk 开始采用 AWS 来推进产品开发流程。因此，当公司的客户支持系统出现问题时，Autodesk 立即求助于 AWS。

Autodesk 之前采用基于规则的客户支持路由系统，仅依赖客户输入进行路由，导致在重新定向支持呼叫时浪费时间。客户难以充分利用支持系统，因为很难对问题进行分类，而一旦查询被误传，可能会将响应时间从几分钟增加到几小时或更长时间。Autodesk 首席数据科学家 Alex O’Connor 说：“无论是技术问题，还是下载问题，客户不需要知道这两种表述会产生什么不同影响，也不用知道这将如何影响他们的路由目的地。”然而，当客户在系统中迷失方向时，支持团队不得不相互传递信息，在内部确定每个传入请求的路由目的地。

Autodesk 试图创建灵活、可自定义的机器学习模型。该模型将使用自然语言处理，即同时考虑词汇与词汇的组合方式，从而更准确地自动将客户路由到正确的解决方案。O’Connor 说：“对于这类问题，即客户用自己的话描述的问题，您需要尝试不同的模型和数据组合，以辨别细节和语言的巨大差异，而 AWS 的一大优势，就是能够穷尽所有此类尝试。”

为构建机器学习技能模型，Autodesk 数据科学团队的业务分析师与每个支持团队会面，以了解他们的专长并确定各自的工作内容及工作方式。利用这些知识，该团队整理了用于构建技能模型的训练数据集。数据科学团队从成千上万的客户服务请求中提取了历史数据，并从其位于 Amazon S3 的数据湖中提取了解决方案。然后，Autodesk 使用 Amazon SageMaker 笔记本来确定要使用哪种模型以及需要多少数据。O’Connor 解释说：“Amazon SageMaker 笔记本之所以有吸引力，是因为您可以浏览数据，了解数据中不同特征的动态，甚至可以训练玩具模型，帮助您了解基于数据的不同部分训练的机器学习模型可能会有什么行为。”团队初步选定了适合支持团队的模型和数据配对后，就可以进入下一步：使用特征越来越丰富的模型，这些模型基于更大的数据集进行训练，并进行额外的检查和平衡。这些更丰富的模型通常可以更好地概括客户输入的变化，也更可靠。

在使用 Amazon SageMaker 笔记本进行分析和初步探索后，Autodesk 使用 Scikit-Learn（大多数 Python 项目的首选经典机器学习库）构建了探索性模型，使用许多辅助函数和浅层模型来深入了解解决方案。然后，Autodesk 使用脚本模式在多个深度学习框架中对其技能模型进行训练，促进代码的快速重用和模型迭代。该公司还使用 PyTorch 运行 fast.ai 和 Hugging Face 转换器，进行自然语言处理。

为部署模型以进行测试，Autodesk 在第一个 API 托管版本中使用了 Amazon Elastic Container Service（Amazon ECS）。Autodesk 数据科学团队的首席工程师 Yathaarth Bhansali 说：“然后，我们在后续版本和生产环境中迁移到 Amazon SageMaker 端点托管，因为这增强了灵活性并降低了复杂性。”开发和部署初始技能模型（该过程包括扩展和自动化整个脚本）花了大约 2-3 周的时间。

Autodesk 使用 AWS 服务创建的模型简化了客户体验，使关键支持渠道中的案例误导减少 30％ 以上，从而使 Autodesk 客户获得答案的速度提高三倍。O’Connor 说：“客户等待解决方案的时间缩短，这可能对他们及其雇主产生巨大的业务影响，因为他们遇到的问题往往会阻碍业务关键项目的进展。”此外，一致的积极客户反馈表明，自动路由可以正确地将客户与支持座席相匹配。

Autodesk 的数据科学总监 James Bradley 说：“摆脱我们基于规则的旧系统虽然困难，但非常值得。这极大地简化了我们路由支持案例的方式，并消除了在使用之前的系统时导致的一些历史技术债务。” 随着 AWS 更新服务，Autodesk 也可以同步改进其开发实践。例如，该公司计划对不同的模型进行 A/B 测试，而 Amazon SageMaker 端点让测试变得容易。O’Connor：“每当我们遇到想要做的事情时，我们会发现 AWS 已经预见到这种需求。”

总体而言，使用 Amazon SageMaker 和 Amazon ECS，Autodesk 数据科学团队能专注于改进算法，而不是维护基础设施。Bradley 说：“我不必再管理自己的服务器或更新驱动程序，对此我很感激。过去，我浪费了很多时间，来处理本不需要我处理的问题。我们认为自己已经具备了相当的专业水平，因此，当我们遇到问题时，我们不希望在基础部分花费太多精力。”

Autodesk 团队将继续改进路由系统，包括增加功能，监控队列和提醒 Autodesk 员工注意可能排错队列的客户，以及使用数据预测客户需求，从而缩短回答时间并提高首次解决率。Bradley 说：“当客户做某事时，我们可以从这些行为中获取信息，然后提出建议。”该公司已计划在路由系统中扩展到其他语言，并正在探索其他环境和模式，以便客户获得支持。

在 AWS 上，Autodesk 让客户在使用支持系统时无需猜测。O’Connor 说：“技能模型和支持环境应该符合用户的需求，是他们的最佳选择，而不是仅仅因为别无选择，就强迫他们进入某个渠道。”现在，Autodesk 的客户支持系统可以更准确地实现其预期目标：为客户提供有效解决问题所需的资源和知识。