Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

(ancien) Utilisez le self-service génératif alimenté par l'IA avec les agents Connect AI

Les agents Connect AI prennent en charge les cas d'utilisation du self-service par les clients sur les canaux de chat et de voix (IVR). Il peut :

Lorsque les clients ont besoin d'une aide supplémentaire, les agents Connect AI les transfèrent facilement aux agents tout en préservant le contexte de la conversation complète.

Outils système par défaut

Les agents Connect AI sont fournis avec les outils intégrés suivants qui fonctionnent out-of-the-box :

Vous pouvez personnaliser ces outils par défaut en fonction de vos besoins spécifiques.

Configuration du libre-service

Procédez comme suit pour activer les agents Connect AI en libre-service :

Actions personnalisées pour le libre-service

Vous pouvez étendre les capacités des agents Connect AI en ajoutant des outils personnalisés. Ces outils peuvent :

Lorsque vous ajoutez un outil personnalisé à votre invite d’IA :

Exemple : clarifier l’intention du client

Vous pouvez créer un assistant d’IA générative qui collecte des informations avant de les acheminer vers un agent. Cela nécessite :

Voici un exemple de définition d’outil pour la clarification. Vous pouvez supprimer tous les outils par défaut sauf CONVERSATION et ajouter un nouvel outil personnalisé appelé HANDOFF :

tools:
- name: CONVERSATION
  description: Continue holding a casual conversation with the customer.
  input_schema:
    type: object
    properties:
      message:
        type: string
        description: The message you want to send next to hold a conversation and get an understanding of why the customer is calling.
    required:
    - message
- name: HANDOFF
  description: Used to hand off the customer engagement to a human agent with a summary of what the customer is calling about.
  input_schema:
    type: object
    properties:
      message:
        type: string
        description: Restatement to the customer of what you believe they are calling about and any pertinent information. MUST end with a statement that you are handing them off to an agent. Be as concise as possible.
      summary:
        type: string
        description: A list of reasons the customer has reached out in the format <SummaryItems><Item>Item one</Item><Item>Item two</Item></SummaryItems>. Each item in the Summary should be as discrete as possible.
    required:
    - message
    - summary

Exemple : recommander une action à un client

Vous pouvez configurer les meilleures actions suivantes en Amazon Connect utilisant des flux. Vous pouvez également configurer des actions automatisées et créer des step-by-step guides pour proposer aux clients des actions basées sur l'interface utilisateur. Pour de plus amples informations, veuillez consulter Step-by-step Guides pour configurer l'espace de travail de votre agent Amazon Connect.  Les agents Connect AI enregistrent le nom de l'outil sélectionné en tant qu'attribut de session Lex. L’attribut est ensuite accessible à l’aide du bloc de flux Vérifier les attributs des contacts.  

Voici un exemple de définition d’outil pour réserver un voyage :

-name: TRIP_BOOKING
  description: Tool to transfer to another bot who can do trip bookings. Use this tool only when the last message from the customer indicates they want to book a trip or hotel.
  input_schema:
    type: object
    properties:
      message:
        type: string
        description: The polite message you want to send while transferring to the agent who can help with booking.
    required:
    - message

Lorsque vous utilisez le bloc de flux Vérifier les attributs des contacts pour déterminer l'outil sélectionné par les agents Connect AI, vous pouvez prendre des décisions en matière de branchement afin de sélectionner le step-by-step guide approprié pour cet utilisateur. Par exemple, si un client souhaite réserver un voyage lors d’une interaction par chat en libre-service, vous pouvez :

Pour plus d'informations sur la mise en œuvre step-by-step des guides dans le chat, consultezDéployer step-by-step des guides dans les chats Amazon Connect.

outil FOLLOW_UP_QUESTION

L'outil FOLLOW_UP_QUESTION améliore les capacités en libre-service des agents Connect AI en permettant des conversations plus interactives et axées sur la collecte d'informations avec les clients. Cet outil fonctionne parallèlement aux outils par défaut et personnalisés. Il permet de recueillir les informations nécessaires avant de déterminer les mesures à prendre.

Le code suivant montre la configuration de l’outil FOLLOW_UP_QUESTION.

- name: FOLLOW_UP_QUESTION
  description: Ask follow-up questions to understand customer needs, clarify intent, 
and collect additional information throughout the conversation. Use this to gather 
required details before selecting appropriate actions.
  input_schema:
type: object
properties:
  message:
    type: string
    description: The message you want to send next in the conversation with the 
      customer. This message should be grounded in the conversation, polite, and 
      focused on gathering specific information.
required:
  - message

L'outil FOLLOW_UP_QUESTION complète les outils que vous avez définis en permettant aux agents Connect AI de recueillir les informations nécessaires avant de décider de l'action à entreprendre. C’est particulièrement utile pour :

Exemple de cas d’utilisation de FOLLOW_UP_QUESTION

Pour un robot en libre-service conçu pour signaler une fraude, vous pouvez définir un outil nommé CONFIRM_SUBMISSION pour collecter des informations spécifiques auprès du client :

- name: CONFIRM_SUBMISSION
  description: Confirm all collected information and finalize the report submission.
  input_schema:
type: object
properties:
  message:
    type: string
    description: A message reviewing all of the collected information and asking 
      for final confirmation before submission.
  report_details:
    type: string
    description: The user's report or complaint details
  reporter_info:
    type: string
    description: Reporter's contact information (if provided) or "Anonymous"
  subject_info:
    type: string
    description: Information about the individual or business being reported
required:
  - message
  - report_details
  - reporter_info
  - subject_info

Toutefois, vous pouvez plutôt utiliser l'outil FOLLOW_UP_QUESTION pour collecter ces informations step-by-step, comme le montre l'exemple suivant :

- name: FOLLOW_UP_QUESTION
  description: Ask follow-up questions to understand customer needs and collect additional 
information throughout the complaint process. Use this for all information gathering 
steps including confidentiality preferences, contact info, subject details etc.
  input_schema:
type: object
properties:
  message:
    type: string
    description: The message you want to send next in the conversation with the 
      customer. This message should be grounded in the conversation and polite. 
      Use this for asking clarification questions, collecting contact information, 
      gathering subject details, and all other follow-up steps in the complaint 
      process.
required:
  - message

Instructions d’invites

Ajoutez des instructions à votre invite pour indiquer à votre robot en libre-service quand utiliser l’outil FOLLOW_UP_QUESTION. Par exemple :

CRITICAL: Use FOLLOW_UP_QUESTION for all information gathering steps after the initial analysis. 
Do NOT proceed to other tools until you have collected all required information. Use this tool 
to disambiguate customer intent when unclear.

When using FOLLOW_UP_QUESTION:
1. Ask one specific question at a time
2. Focus on collecting required information for the most likely intent
3. Be conversational but direct
4. Acknowledge information the customer has already provided
5. Only move to other tools (like CONFIRM_SUBMISSION or TRIP_BOOKING) when you have all required 
   information

Exemples de conversations

Voici trois exemples de conversations illustrant l’utilisation de l’outil FOLLOW_UP_QUESTION.

<examples>
<example>
    <conversation>
        [CUSTOMER] I want to report someone who I think is committing fraud
    </conversation>
    <thinking>
        The customer wants to report fraud. I need to collect specific information 
        including details about the suspected fraud, reporter information, and 
        subject information. I'll start by asking about the suspected fraudulent activity.
    </thinking>
    <tool>
        [FOLLOW_UP_QUESTION(message="I'd be happy to help you report suspected fraud. 
        Could you please describe the fraudulent activity you've observed?")]
    </tool>
</example>

<example>
    <conversation>
        [AGENT] Can you provide me your full address?
        [CUSTOMER] I don't feel comfortable sharing my address
    </conversation>
    <thinking>
        The caller declined to share their address. I should respect their privacy 
        concerns while still trying to collect alternative contact information.
    </thinking>
    <tool>
        [FOLLOW_UP_QUESTION(message="I understand your privacy concerns. That's 
        completely fine. Would you be comfortable providing a phone number or email 
        address instead? Or you can choose to remain anonymous.")]
    </tool>
</example>

<example>
    <conversation>
        [CUSTOMER] I'm not getting my benefit payments anymore
    </conversation>
    <thinking>
        The customer is reporting a payment issue. This sounds like a general service 
        issue rather than fraud. I should clarify if they need assistance with their benefits.
    </thinking>
    <tool>
        [FOLLOW_UP_QUESTION(message="I'm sorry to hear about the issue with your payments. 
        To help me understand better, could you tell me when you last received a payment 
        and if you've received any notification about why they stopped?")]
    </tool>
</example>
</examples>