导读

曼彻斯特机场集团率先使用生成式人工智能，彻底改变了旅客体验和机场运营。了解MAG的客户互动平台如何利用生成式人工智能进行多语言交流，提高满意度和收入。探索他们的人工智能和计算机视觉解决方案，优化飞机周转时间，节省数百万资金，并实现实时运营智能。了解MAG如何与亚马逊云科技合作设计安全、行业领先的混合基础设施，利用亚马逊云科技 Cloud WAN和集成技术在云端托管敏感应用。深入了解如何克服监管挑战，并通过负责任地采用生成式人工智能在航空业解锁变革性机遇。

演讲精华

以下是小编为您整理的本次演讲的精华。

2024年亚马逊云科技 re:Invent大会上举办了一场题为“开创航空业的生成式人工智能：MAG的智能机场革命”的精彩会议。会议伊始，亚马逊云科技创新项目主管Mike Bainbridge热情欢迎与会者，表示很高兴能分享曼彻斯特机场集团(MAG)如何通过创新应用生成式人工智能来改革机场乘客体验的非凡客户案例。

Mike Bainbridge强调了这个故事的独特之处，包括采取的方法、惊人的交付速度以及已经产生的深远影响。他随后介绍了演讲嘉宾:伦敦斯坦斯特德机场首席运营官John Fowler、MAG首席数字官Ryan Kant以及亚马逊云科技原型团队的Val Cohen。

在深入演讲主题之前，Mike Bainbridge对创新进行了全面介绍，阐明了其至关重要性和主要挑战。他解释说，数字化转型分为三个阶段。第一阶段是将各种方面数字化，如网站、移动应用程序以及传感器和物联网设备的集成。大约三四年后出现的第二阶段，着眼于利用积累的数字数据，基于实证而非直觉和经验做出更明智的业务决策。

Mike Bainbridge表示，当代的第三阶段围绕着创新——一种范式转变，利用数字资产中的海量数据来提高效率，为组织创造新的客户价值。他强调，创新已成为众多企业的战略重点，正如首席执行官演讲中的普遍出现以及作为推动变革的催化剂一样。

然而，Mike Bainbridge承认创新存在固有挑战。首先，它需要拥抱变革，而人类作为习惯的奴隶，这往往很困难。其次，实验的概念常常被误解，最初的实验类似于学校科学实验室中的演示，结果是预先确定的，从而产生了实验一定会成功的错误观念。实际上，当进入未知领域时，失败是旅程中不可避免的一部分，这构成了第三个挑战，因为失败通常被视为负面，并受到惩罚。

凭借亚马逊云科技创新项目团队过去七年与600多个客户合作的丰富经验，Mike Bainbridge总结出成功客户在开启创新转型时采用的三种关键做法。首先，他们选择合适的业务利益相关者来推动该计划，确保组织内的高级人士能够提供支持、作为升级点并促进跨职能协作。

其次，成功的客户专注于解决问题，而不是启动项目，因为后者往往预设了结果。通过关注问题，可以获得更广泛的潜在解决方案。第三，这些客户在着手解决方案之前就定义了其业务价值，因为这一预先步骤可以减少从实验和原型设计过渡到生产和资源分配时可能遇到的障碍。

尽管存在挑战，Mike Bainbridge强调拥抱创新的好处。它培养了一种将失败视为旅程的一部分的文化，并赋予团队承担计算风险的能力。此外，它为团队提供了在新兴技术领域获取知识和发展技能的新机会。最终，创新促进了对客户成果的重新关注，使组织能够深入了解客户的挑战，并提供量身定制的解决方案，创造真正的价值。

概述创新之后，Mike Bainbridge邀请John Fowler介绍MAG并阐述他们旨在解决的具体客户问题。伦敦斯坦斯特德机场首席运营官John Fowler感谢有机会介绍MAG、伦敦斯坦斯特德机场以及他们试图解决的问题。

John Fowler解释说，曼彻斯特机场集团是英国最大的机场运营商，旗下拥有三个机场和一个名为CAVU的数字旅游市场。这三个机场分别是北部的曼彻斯特机场、中部的东米德兰兹机场和南部的伦敦斯坦斯特德机场。它们共同为高达6500万乘客提供通往261个全球目的地的航班。MAG的运营为38，000人提供就业，为英国经济贡献80亿英镑。

John Fowler阐述了MAG的使命是通过卓越的机场体验和创新的旅游解决方案将客户与世界连接。他们有两个目标:确保机场服务成为乘客和航空公司的首选，并确保旗下每个机场都提供独特的服务，满足其客户的特定需求和偏好。

John Fowler随后深入介绍了欧洲最繁忙的单一航站楼和单一跑道机场——伦敦斯坦斯特德机场。作为伦敦第三大机场，它每年接待约3000万乘客，高峰时段每天有10万乘客。伦敦斯坦斯特德机场位于伦敦和剑桥大学城之间的英格兰东部，这一地区被誉为英国创新走廊，是伦敦唯一获得政府批准扩建的主要机场。

John Fowler强调，为提升伦敦斯坦斯特德机场的能力，MAG将投资11亿英镑扩建航站楼和运力，使其能够容纳4300万乘客，增长约30%。这一大幅增长将使伦敦斯坦斯特德机场能够提供更多前往欧洲及其他地区的航线选择、更有价值的机票和服务，以及无与伦比的便利性，包括顺畅的公共交通连接和航班从跑道到登机口仅需不到5分钟的独特优势。

John Fowler将机场比作一座小城市，MAG在斯坦斯特德机场雇佣约2500名员工，整个机场共有13000人。机场拥有专属的警察部队、消防救援队伍，甚至还有一家生产飞机零件的制造厂。此外，伦敦斯坦斯特德机场还拥有一所独一无二的大学，专门培养未来人才。

伦敦斯坦斯特德机场的复杂运营涉及乘客行李和飞机流量的汇聚，所有流程都精心编排，确保安全合规，同时为乘客提供无缝的到达和离港体验。机场还通过各种交通联系、餐饮选择和零售商店创造额外价值，所有这些都建基于与一些世界领先科技专家合作采购或开发的创新技术套件。

然而，John Fowler指出了一个重大挑战——伦敦斯坦斯特德机场约50%的乘客来自英国境外。机场提供通往39个国家200多个目的地的航班，并通过迪拜和伊斯坦布尔等主要枢纽实现后续连接，显然伦敦斯坦斯特德机场的客户群使用超过40种语言。虽然客户可能直接通过航空公司或旅行社预订，但机场只有在他们预订停车、休息室、安检快捷通道或其他附加服务时才能获取他们的信息。

John Fowler表示，他希望能够提前更好地了解和联系伦敦斯坦斯特德机场的客户，从而提供增强服务、信息和量身定制的商业产品。然而，由于乘客来源多元，机场只能获取不到40%旅客的信息。

为了说明挑战的严峻程度，John Fowler生动地描绘了一幅画面。在高峰时段，作为欧洲最繁忙的单一航站楼，伦敦斯坦斯特德机场需要为5250名离港乘客提供服务，其中约3500人使用超过40种不同语言，每个人都有独特的需求、疑虑和问题。然而，机场采取精简高效的运营方式，只设有两个客户服务台。

John Fowler提出了一个发人深省的问题:“我们如何才能了解这些客户，回答他们的问题，提供卓越服务，并从他们的消费中获取最大价值?”这个问题促使他寻求MAG首席数字官Ryan Kant的指导。

当Ryan Kant收到John Fowler的询问时，他立即想起了去年的亚马逊云科技 re:Invent 2023大会，届时亚马逊云科技推出了备受瞩目的突破性生成式人工智能能力Amazon Bedrock。Ryan Kant意识到这项技术有潜力解决眼前的挑战。

Ryan Kant和他的团队提出的假设是，借助亚马逊Bedrock的自然语言模型，可以以类似人类的方式与客户的问题进行互动，通过使用多种语言与多元化的乘客群体进行沟通，从而跨越语言障碍。他们认为，这种方法可以提供客户服务代理无法提供的解决方案。

Ryan Kant给团队的双重挑战是：首先，利用亚马逊Bedrock在数字客户平台上快速构建原型解决方案，作为客户互动的网关;其次，与亚马逊云科技原型团队合作，加快交付这一功能。总体目标是使MAG成为英国第一个实施这种创新解决方案的机场。

在这一阶段，Ryan Kant将演示权移交给了来自亚马逊云科技原型团队的Val Cohen，她接着阐述了原型设计过程和取得的成果。

Val Cohen首先强调了与亚马逊云科技进行原型设计的理由，围绕三个核心原则:加速、实验和体验。客户希望加快进入生产环节，并快速展示业务价值。他们还希望在低风险环境中进行实验，验证假设，将失败视为学习机会，并快速迭代。此外，原型设计使客户能够亲身体验新技术，并采用亚马逊的机制，如“反向工作”方法。

Val Cohen随后全面定义了原型，将其定位为演示和生产就绪应用程序之间的中介。演示通常展示单一用例的功能，可在几个小时内构建，而生产级应用程序则旨在大规模满足所有用例。相比之下，原型是一个全栈应用程序，专门解决一部分用例，允许快速开发和实验，而不受生产级系统的限制。

亚马逊云科技的原型设计过程遵循五个步骤。首先是发现阶段，团队力求彻底理解客户的问题，确保采取以问题为中心的方法，而非以项目为中心。接下来是研讨会阶段，团队深入研究用例，了解当前流程、挑战以及任何可能影响向生产环境过渡的非显而易见的限制。

规划阶段涉及创建范围文档，这是原型团队与客户共同努力的成果。该文档概述了成功标准(原型必须满足的基准)、如果有额外时间可以追求的拉伸目标，以及原型范围之外的明确界定。

一旦确定了范围，就开始了构建阶段，原型团队在这个阶段与客户的工程师、数据科学家和业务利益相关者亲自合作，创建解决方案。这个阶段包括实验和迭代，与前面概述的创新原则保持一致。

最后一步是为客户铺平通往生产环境的道路。在这个阶段，亚马逊云科技账户团队继续支持客户，而原型团队则提供全面的原型报告。该报告详细说明了解决方案的组件、关键决策背后的理由、替代方法以及工业化的建议，尤其是在安全性、基础设施和人工智能项目的数据科学方面。

深入探讨研讨会阶段，Val Cohen强调了关键的重点领域。团队力求彻底了解当前流程、挑战以及任何可能影响向生产环境过渡的非显而易见的限制。这涉及流程演练、数据分析以及识别可能存在但不太明显的潜在障碍。

为了说明这个阶段的重要性，Val Cohen分享了她作为旅客的亲身经历，揭示了机场乘客面临的挑战。在前往拉斯维加斯的中转旅程中，她遇到了诸多障碍，包括通关、重新托运行李、在缺乏指示牌的情况下转机以及由于手机和机场无线网络连接问题而无法获取信息。尽管如此，Val Cohen还是设法寻求帮助，及时赶到登机口，甚至买到了急需的咖啡。

虽然Val Cohen的经历引起了许多与会者的共鸣，但与MAG的研讨会揭示了一些非显而易见的限制，这些限制将影响解决方案的形式。首先，多语言支持是必不可少的，因为斯坦斯特德机场的大部分乘客来自不同的国际背景。其次，低延迟至关重要，以便为赶时间的乘客提供及时响应。此外，该系统需要处理与机场、航班和天气信息相关的各种查询。此外，该解决方案必须专注于与MAG相关的查询，而不是作为通用对话助手。

有了这些见解，团队开始在白板上绘制架构图。总体愿景是创建一个交互式对话聊天机器人，能够回答与机场、天气和航班信息相关的问题。该系统还需要维护聊天记录，以便进行后续查询，并与MAG网站数据集成，提供有关机场的相关信息。

Val Cohen分享了一张来自研讨会的照片，捕捉了团队最初手写的架构图。然而，考虑到可读性问题，她继续展示了一个更加精细的架构版本。

该架构采用了各种亚马逊云科技服务来解决安全性、身份验证和授权问题。Amazon CloudFront、Amazon WAF、Amazon Cognito和亚马逊云科技 IAM用于保护对Amazon API网关的访问，后者又触发了一个Amazon Lambda函数。该Lambda函数与存储在Amazon DynamoDB中的聊天记录进行交互，而Amazon Kendra则作为向量数据库，在Amazon S3存储桶中以原始HTML格式存储MAG网站数据。智能决策能力由亚马逊Bedrock上的大型语言模型(LLM)提供支持。

为了更深入地了解Lambda函数中的业务逻辑，Val Cohen放大了最初架构图的一个特定部分。她提供了两个示例来阐明系统的功能。

在第一个示例中，客户询问:“机场里有休息室吗?”Val Cohen解释说，系统将采用检索增强生成(RAG)技术来解决这个问题。检索组件将执行语义搜索，以从MAG网站数据中定位相关内容，可能会检索描述机场各种休息室的段落。随后，这些段落以及原始问题将传递给LLM，使其能够通过综合所提供的信息生成明智的回应。

第二个示例涉及一个更复杂的查询:“VS 007航班目的地的天气如何?”在这种情况下，系统需要访问航班信息和实时天气数据，而这两者都不在网站数据中。为了解决这个问题，团队利用了Langchain提供的工具，这是一个用于编排LLM交互的开源框架。

创建了自定义工具来通过API访问航班信息，并从开源提供商那里获取天气数据。一个由Langchain编排的LLM驱动的代理将根据查询智能地确定要使用哪些工具。对于给定的示例，代理将首先利用航班信息工具确定VS 007航班的目的地是拉斯维加斯，内华达州。意识到天气信息仍然缺失，代理将随后调用天气工具来获取拉斯维加斯的当前天气情况，从而能够为客户的查询提供全面的回应。

有了对架构和底层业务逻辑的扎实理解，团队就可以概述原型的范围。主要组件包括构建API以便从售票亭和其他渠道访问、实现聊天记录以支持后续问题，以及集成三个核心工具:MAG网站内容、航班数据和天气信息。此外，LLM代理将负责根据客户的查询智能地编排这些工具的使用。

几个要求指导了开发过程。基础设施将使用亚马逊云科技云开发工具包(CDK)构建，与MAG现有的无服务器基础设施保持一致，并为团队提供了在这项技术上的实践经验。多语言支持是一个关键要求，影响了用于实验的LLM的选择。系统需要在必要时请求额外信息，并在提供登机牌信息时加以利用。最后，实施亚马逊Bedrock防护措施至关重要，以确保系统保持在预期主题和用例范围内。

规划阶段完成后，建设阶段随即开始，这需要MAG团队与亚马逊云科技原型团队的通力合作。在为期四周、总计约400个人工时的冲刺阶段中，MAG的一名初级工程师和一名高级工程师与亚马逊云科技原型团队的Val Cohen并肩作战。

团队有意选择了一周一个冲刺周期，以便及时获得反馈，从而在偏离预期方向时及时纠正。这种迭代方法与整个会议所倡导的创新和实验原则不谋而合。

在建设阶段，团队利用了多种亚马逊云科技服务，包括Amazon Cognito、Amazon WAF、Amazon API Gateway用于用户界面和身份验证、Amazon Lambda、Amazon DynamoDB、Amazon Bedrock和Amazon Kendra用于应用程序和数据库。此外，他们还使用了开源框架Langchain来编排LLM交互，以及Anthropic的Claude v1实例，这是原型开发期间(2023年第一季度)可用的先进的LLM。

在成功完成为期四周的建设阶段后，MAG团队决定继续开发这个原型，最终将其命名为“虚拟机场联络员”(Virtual Airport Liaison，简称VAL)，以纪念亚马逊云科技原型团队的Val Cohen。

Val Cohen随后介绍了一段由MAG高级工程师Alex Whitehorn解说的视频演示。这段在曼彻斯特机场拍摄的视频展示了VAL的实际功能。

在演示中，一位顾客走近一个信息亭，问道:“告诉我关于我的航班的情况。”VAL立即意识到需要更多信息，并提示顾客提供航班号码。一旦输入并验证了航班号码，VAL就利用聊天记录来回答这个问题，尽管最初的查询缺乏具体上下文。

视频接着展示了VAL处理更复杂查询的能力，比如“我的登机口在哪里?”通过智能利用现有工具，包括访问航班信息和从亭台提供到登机口的路线指引，VAL顺利地引导顾客到达目的地。

视频演示结束后，Val Cohen分享了从原型开发中汲取的几个宝贵经验教训，这不仅让亚马逊云科技团队受益，也为MAG在过渡到生产阶段提供了见解。

第一个教训强调在使用新技术(如生成式AI)时，要秉持“行动偏好”的理念。与其被诸多决策(如选择合适的LLM、向量数据库或其他组件)所困扰，不如直接着手开发。虽然最初的迭代可能并不完美，但通过构建和迭代获得的实践经验对于理解技术和完善方法是非常宝贵的。

第二个教训围绕着尝试多种语言。作为团队中唯一精通英语以外语言(西班牙语，基础水平)的成员，Val Cohen不得不应对使用LLM生成多语种响应的挑战。这个过程为MAG在原型阶段之后如何有效处理多语言支持提供了宝贵见解。

Val Cohen还强调了提示工程最佳实践的重要性，这不仅对原型有益，也有利于MAG未来的AI项目。团队开发了一种结构化的AI测试方法，使MAG能够高效地评估和测试新的LLM模型，因为这一领域的创新步伐非常迅速。

此时，Ryan Kant接过演讲，讨论了将原型过渡到生产环境所面临的挑战和策略。他承认，在面向客户的场景中，组织在解决潜在的虚构和控制生成式AI聊天机器人方面面临着众所周知的挑战。

Ryan Kant举例说明了一些知名事件，比如一家快递公司的聊天机器人失控，对公司的服务做出贬低言论;以及一家航空公司的聊天机器人向乘客提供了错误信息，导致预订错误和失望。

意识到这些实际风险可能会影响客户感知、体验和企业声誉，Ryan Kant强调在从原型过渡到更大规模部署时，进行严格的技术和业务测试的重要性。

他分享了一些在测试阶段发现的有趣问题。有一次，一位顾客询问机场的口罩要求，系统自信地回答说口罩是强制性的。这个错误回答源于MAG网站上一个陈旧的页面，其中包含了尚未删除的COVID-19防护指南。

Ryan Kant承认，如果发生这样的事件，可能会引发公关灾难，某些英国媒体势必会抓住机会，报道机场重新实施了口罩强制令，尽管这一信息是不准确的。

另一个例子突出了系统过于自信的倾向，即使缺乏必要信息，它也会给出明确的答复。在早期阶段，如果顾客询问航班时间，系统可能会提供具体的登机口号和时间，尽管对顾客的实际航班详情一无所知。

这些例子凸显了一个基本原理:系统的性能只能与其训练数据一样可靠。因此，团队采用了“混沌测试”方法，鼓励团队成员向系统提出看似随机的查询，从而揭示潜在问题并进行必要的修正。

尽管解决方案在技术上已经准备就绪，但Ryan Kant承认，团队忽视了一个关键方面——让整个组织的高级利益相关者参与进来，并建立他们的信心。虽然MAG的高管们见证了这一解决方案的力量，并对其潜力感到兴奋，但他们也意识到其他公司遭遇的重大失误，因此对系统可能产生虚构或向客户提供不准确信息的风险持谨慎态度。

为了解决这一顾虑，团队着手开展了一项全面的工作，让他们的业务同事参与其中，展示了所进行的严格脱离脚本测试，解释了系统的底层机制，详细说明了用于训练的数据源，并强调了实施的程序性防护措施，以防止系统偏离机场业务的预期范围。

Ryan Kant分享了一个有趣的轶事，讲述他的老板(CIO)是如何诱使系统写了一首关于机场排队的诗，包括押韵的诗句和试图兜售快速通道的尝试。虽然从创意角度来看令人印象深刻，但这一事件加强了让系统专注于预期用途的必要性。

通过一系列演示、现场展示和跨职能协作(涉及新闻发布、运营团队以及MAG其他机场的同行)，团队成功赢得了高级利益相关者的信心和信任，确保了这一解决方案在技术和业务层面都已准备就绪，可以部署。

2022年11月中旬，在克服了这些挑战后，MAG在其三个机场推出了VAL，首先是伦敦斯坦斯特德机场。客户和同事们对此反响热烈，特别是对多语种支持和与数字导航功能的整合表示赞赏。

Ryan Kant强调了这一创新计划带来的意外收益。虽然主要目标是更好地为客户服务，提供更具可扩展性的24/7多语种解决方案，但从提交给VAL的查询中获得的见解揭示了新的机遇。

例如，在一个位于楼下的亭台，最常见的查询是“厕所在哪里?”与其他亭台相比，这个问题的频率似乎过于高。经过调查，团队发现该区域缺乏实体标识，于是着手解决这一问题，提升整体客户体验。

更重要的是，在斯坦斯特德机场的到达大厅，最主要的查询与交通选择以及前往伦敦的最快或便宜路线有关。这一见解为MAG带来了商业机会，可以在这些客户到达时就拦截他们，直接销售前往目的地的车票，从而获取原本可能错失的收入。

此外，通过与这些抵达的乘客互动(他们通常会从同一机场离开)，MAG能够建立关系，提供返程选择，并推广各种在离港时可用的餐饮和零售服务。这符合MAG更好地了解和服务这一之前信息有限的乘客群体的使命。

Ryan Kant分享了一些关键指标，展示了VAL在推出初期的影响。在首三周内，有4，000名乘客与这一数字生态系统互动，向VAL提出了1，000个问题。这些数字凸显了该解决方案有望成为MAG员工队伍的补充和增强，让人力资源专注于更复杂的客户互动，同时VAL高效、经济地处理常规查询。

根据Ryan Kant的估计，VAL每天可以回答约28，000个问题，成本大约相当于雇佣一名员工。这种可扩展性和成本效益进一步巩固了该解决方案的商业案例，尤其是在伦敦斯坦斯特德机场扩建后，曼彻斯特机场集团每年需要接待4300万名旅客。

虽然承认VAL已经实现了最初解决客户问题的目标，但Ryan Kant对于已经揭示的众多机遇感到兴奋。团队已经开始探索加快移动版本发布的方式，让旅客可以通过个人设备和语音转文本界面访问VAL的功能，无论是在航站楼内还是在旅程前后。

这种移动集成与曼彻斯特机场集团利用数字旅行市场的战略愿景保持一致，将机场置于客户旅程的核心。通过让客户能够通过移动渠道与VAL互动，曼彻斯特机场集团可以提供个性化体验、促进应用内购买，并建立“登录”状态，从而更深入地了解个人偏好和需求。

在结束语中，Ryan Kant反思了这段创新之旅的协作性质，其中涉及与专注于解决客户问题的业务同事、运营团队、技术团队、设计和工程流程的密切合作，以及与亚马逊云科技团队的宝贵合作伙伴关系。他对为客户实现的成果和为曼彻斯特机场集团的业务开启的广阔可能性表示兴奋，并承认他们仍处于实现这一潜力的早期阶段。

随后，Mike Bainbridge上台总结了这个非凡的客户故事的关键要点。他重申了深入理解客户问题的重要性，而不是急于寻求解决方案。此外，他强调应该利用技术来增强人类的能力，而不是取代人类。

最后，Mike Bainbridge赞扬曼彻斯特机场集团采用了迭代方法，认识到上线日期只是持续改进和创新的起点。通过分析从VAL的初始部署中获得的数据和见解，曼彻斯特机场集团发现了进一步完善和扩展解决方案的新机遇，体现了以客户为中心的创新的良性循环。

总之，本次会议展示了曼彻斯特机场集团如何与亚马逊云科技原型团队合作，利用生成式人工智能和Amazon Bedrock创建了虚拟机场联络员(VAL)，这是一个多语种对话聊天机器人，可以增强旅客体验、提供宝贵见解，并为机场开辟新的商业机遇。通过快速原型制作过程、严格测试和持续改进的承诺，曼彻斯特机场集团开创了将尖端技术应用于革新航空业的先河，为客户服务和运营效率树立了新的标准。

我们正处在 Agentic AI 爆发前夜。 2025 亚马逊云科技中国峰会提出，企业要从 " 成本优化 " 转向 " 创新驱动 " ，通过完善的数据战略和 AI 云服务，把握全球化机遇。亚马逊将投入 1000 亿美元在 AI 算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在 AI 时代突破。