关键字: [Amazon Lex, Conversational Ai, Generative Ai, Customer Experience, Large Language Models, Intent Recognition]

本文字数: 400, 阅读完需: 2 分钟

导读

在这场演讲中, 演讲者们探讨了Amazon Lex 如何利用生成式人工智能来增强对话式人工智能体验。他们介绍了诸如描述性机器人构建器、话语生成器、生成式人工智能辅助的槽位解析和对话式 FAQ 意图等新功能, 这些功能能够加快机器人开发并改善最终用户交互。来自洛克希德马丁公司的 Greg Dopplehoefer 分享了他们如何将Amazon Lex 与大型语言模型相结合, 以简化流程、从历史数据中获取见解, 并加快其国防合同和制造业务的项目执行。

演讲精华

以下是小编为您整理的本次演讲的精华，共100 字，阅读时间大约是0 分钟。

在亚马逊云科技(AWS) 的Amazon Lex 团队推出一系列基于大型语言模型(LLM) 的新功能之际,Lockheed Martin 公司的Greg Dopplehoefer 分享了他们如何将Amazon Lex 应用于内部员工生产力工具的实践经验。Greg 透露, 一切始于2017 年, 当时他着手开发一项AAmazon Lexa 技术, 两周后就为公司CTO 做了一次名为” 企业项目报告” 的演示, 这令CTO 印象深刻, 并支持Greg 继续探索在整个企业范围内推广该技术。

然而, 由于Lockheed Martin 作为国防工业基地, 需要在GovCloud 环境下运行更高安全级别的应用, 因此无法直接使用面向普通用户的AAmazon Lexa 。Greg 随即与亚马逊云科技团队展开对话, 希望能够在GovCloud 中使用Amazon Lex 服务。经过一番磋商, 亚马逊云科技团队最终在短短3 个月内就将Amazon Lex 引入到GovCloud 环境中, 为Greg 的项目铺平了道路。

2021 年至2022 年间,Greg 的团队开发了一款基于Amazon Lex 的iOS 应用, 名为”MFC LAX 程序管理应用” 。该应用前端采用iOS 移动应用, 后端则利用Amazon Lex 构建对话式交互界面。目前, 该应用已进入测试阶段, 并获得了Lockheed Martin 两位副总裁的积极反馈。用户可以通过该应用实时查询项目绩效, 自动生成趋势指标等。

展望未来,Greg 的团队计划利用LLM 技术, 从海量合同文档中提取知识, 加快新项目的启动速度。以JASSM 项目为例, 美国空军共签发了80 份独立合同,Greg 希望从这80 份合同中汲取经验教训, 为后续合同的需求定义和执行提供指导。他们将把这80 份合同的所有相关文件, 包括RFP( 招标文件) 、RP( 投标文件) 、SEDRL( 系统工程数据需求清单) 、ESTRL( 工程规范和技术需求清单) 等, 都纳入LLM 模型进行训练。

通过这种方式, 当新合同到来时,Lockheed Martin 便可以跳过长达6 到12 个月的需求定义阶段, 直接基于过去的经验和LLM 模型的输出, 快速确定新合同的需求。同时,LLM 模型还能帮助他们发现之前合同中可能遗漏的要点, 避免重蹈覆辙。Greg 认为, 这不仅能为Lockheed Martin 带来效率的提升, 也能让客户( 主要是美国国防部) 更好地了解公司在过去合同中的表现, 并评估其执行新合同的能力。

Greg 强调, 美国国防部正在要求军工企业大幅提高执行速度。以前, 开发一种新的飞机通常需要6 到14 年, 但现在空军的目标是将这一周期缩短至5 年; 而在 和火力控制领域, 他们希望将从设计到低率初始生产的周期从7 年缩短至18 个月。Greg 认为, 如果不利用LLM 等新工具、不改变内部文化和执行方式,Lockheed Martin 将无法实现如此急剧的加速。

除了加快新项目启动,Greg 的团队还希望为Lockheed Martin 的制造运营团队提供语音交互式的数据查询和情景分析功能。例如, 运营人员可以通过语音询问当天工作人员的数量、工单进度、生产延迟情况等, 而无需手动汇总数据。他们还可以进行” 假设” 分析, 比如模拟将某一产品线从A 地转移到B 地的影响, 以评估不同决策的潜在后果。

Greg 进一步解释了Amazon Lex 在Lockheed Martin 的应用场景。他们计划将Amazon Lex 与知识库服务相结合, 为客户提供会话式FAQ 功能。当客户提出一个之前未被预料到的查询时, 该功能能够从Lockheed Martin 的文档中检索相关信息, 并生成总结性的回复。

例如, 某客户可能会询问两个不同地点的酒店房产的对比情况。虽然Lockheed Martin 的文档中没有直接存储这两个房产的对比信息, 但该功能可以从相关文档中提取出两个房产的详细信息, 并自动生成对比分析的回复。

另一个场景是, 客户在预订酒店的过程中, 可能会临时询问某个房产的泳池营业时间。在传统的系统中, 这可能会导致客户体验下降或业务损失。但有了该功能, 系统能够根据上下文, 从文档中检索出相关信息并作出回复, 同时保持预订流程的连贯性。

Greg 强调,IT 解决方案需要与业务需求紧密结合, 充分理解产品开发的复杂性, 才能真正提高企业的执行速度和效率。Lockheed Martin 正在努力推动文化变革, 将认知智能助手等新技术融入日常工作, 以满足员工的期望并提升竞争力。Greg 的理念是, 如果在Lockheed Martin 和火力控制部门解决了一个问题, 就等于为整个企业解决了这个问题, 因此他们会以企业规模的思维来推进创新。

总的来说,Amazon Lex 团队的创新以及Lockheed Martin 的实践都展现了GenAI 在企业级对话式AI 应用中的巨大潜力和价值。GenAI 不仅能提升开发效率, 更能增强人机交互的自然性和智能性, 为企业带来全新的工作体验。未来, 我们可以期待更多基于LLM 的创新应用在各行各业中涌现, 重塑人机交互、提升生产力、优化决策等层面的体验。

总结

在这个富有洞见力的演讲中,Amazon Lex 专家深入探讨了生成式人工智能对话体验带来的变革性影响。他们强调了 Amazon Lex 如何无缝集成了大型语言模型, 实现了语言理解、动态对话生成和个性化互动。新引入的功能, 如 Descriptive Bot Builder 、Utterance Generator 和 Conversational FAQ Intent, 使开发人员能够高效构建更加直观和响应迅速的聊天机器人。

值得一提的是,Descriptive Bot Builder 允许开发人员仅通过提供自然语言描述就能生成包含意图、槽位和训练数据的整个机器人。Utterance Generator 通过根据意图描述生成相关话语和注释槽位, 增强了现有机器人的功能。Conversational FAQ Intent 利用检索增强生成, 从文档中提供总结性响应, 提高了机器人在上下文中处理意外查询的能力。

此外, 来自洛克希德马丁公司的 Greg Dopplehoefer 分享了一个引人入胜的使用案例, 阐述了他们如何利用 Amazon Lex 开发了一款用于企业项目报告和制造运营的 iOS 应用程序。该应用程序使高管能够实时了解项目绩效, 从而实现数据驱动的决策。展望未来, 洛克希德马丁公司计划整合大型语言模型, 以简化合同分析、需求收集和客户互动, 最终加快项目执行并培养创新文化。

演讲者强调了传统对话式人工智能和生成式人工智能之间的协同作用, 实现可预测和可控的体验, 同时利用大型语言模型的强大语言理解和动态响应能力。这种融合有望重塑客户体验, 推动效率、个性化和无缝互动在各个行业的发展。

亚马逊云科技（Amazon Web Services ）是全球云计算的开创者和引领者。提供200 多类广泛而深入的云服务，服务全球245 个国家和地区的数百万客户。亚马逊云科技致力于成为企业构建和应用生成式AI 的首选，通过生成式AI 技术栈，提供用于模型训练和推理的基础设施服务、构建生成式AI 应用的大模型等工具、以及开箱即用的生成式AI 应用。深耕本地、链接全球 -- 在中国，亚马逊云科技通过安全、稳定、可信赖的云服务，助力中国企业加速数字化转型和创新，并深度参与全球化市场。