A Autodesk usa a AWS para desenvolver modelos de encaminhamento de casos de suporte entre as equipes de suporte ao cliente e ao produto

Os clientes da fornecedora de software Autodesk têm problemas de suporte que vão desde a tarefa típica e simples de encontrar e instalar o software até consultas complexas sobre a natureza da modelagem avançada nos pacotes de software da empresa. Essas consultas geralmente têm um impacto financeiro significativo para os clientes, tornando essencial a necessidade de suporte.

Mas, quando os clientes entram em contato com a Autodesk sobre um problema, não estão pensando em suas várias divisões ou nos vários departamentos de suporte que lidam com uma ampla variedade de questões, eles sabem apenas que precisam de ajuda para resolver um problema de forma rápida e eficaz. Muitas vezes, os clientes não têm certeza de como descrever o problema; no passado, isso podia direcionar esses clientes para a equipe de suporte errada, gerando frustração e tempos de resolução mais longos. A assistência especializada do grupo de suporte ao produto exige um envolvimento profundo, enquanto muitos outros problemas podem ser resolvidos em minutos. Um cliente com uma solicitação simples, como localizar um link de download, pode ter de esperar horas, porque, inadvertidamente, entrou em uma fila técnica altamente especializada, em vez de obter ajuda da equipe de suporte ao cliente.

Para resolver esse problema, a Amazon construiu modelos de habilidades de machine learning (ML) usando o Amazon SageMaker, um serviço totalmente gerenciado que fornece aos desenvolvedores e cientistas de dados a capacidade de criar, treinar e implantar modelos de ML rapidamente. Os modelos de habilidades diferem dos modelos de classificação típicos porque tentam escolher a equipe correta responsável pelo suporte ao usuário. Isso contrasta com muitos modelos que tentam prever o tópico de um caso e, em seguida, o encaminham com base nesse tópico.

Para treinar o modelo, a Autodesk extraiu conjuntos de dados históricos do data lake no Amazon Simple Storage Service (Amazon S3), um serviço de armazenamento de objetos que oferece escalabilidade, disponibilidade de dados, segurança e performance líderes do setor. Esse modelo levou a uma melhor experiência do cliente e a uma experiência de suporte mais simples, com custos comerciais reduzidos e aumento da produtividade da equipe de suporte da Autodesk.

A Autodesk cria soluções de software para os setores de arquitetura, engenharia, construção, mídia e entretenimento e manufatura, usando tecnologias emergentes, como impressão 3D, inteligência artificial, projeto generativo e robótica. Em 2017, a Autodesk mudou sua prática de desenvolvimento de ciência de dados de máquinas locais para a Amazon Web Services (AWS) como a primeira etapa em uma estratégia mais ampla para usar a AWS no processo de desenvolvimento de produtos. Então, quando a empresa teve um problema com seu sistema de suporte ao cliente, ela imediatamente recorreu à AWS.

O sistema anterior da Autodesk de encaminhamento baseado em regras para suporte ao cliente gerava perda de tempo no redirecionamento de chamadas de suporte, que dependiam exclusivamente da contribuição do cliente para o encaminhamento. Os clientes tinham dificuldade em navegar pelo sistema de suporte, porque era difícil classificar suas perguntas, e uma consulta mal direcionada poderia aumentar o tempo de resposta de minutos para horas. “Os clientes não precisam entender as implicações de dizer que têm um problema técnico ou dizer que têm um problema de download e como isso afeta o local para onde serão encaminhados”, afirma Alex O'Connor, cientista de dados sênior da Autodesk. No entanto, quando um cliente se perdia no sistema, as equipes de suporte precisavam trocar informações entre si para descobrir para onde encaminhar cada solicitação recebida internamente.

A Autodesk procurou criar modelos de ML flexíveis e personalizáveis que usassem o processamento de linguagem natural que analisasse as palavras e como elas funcionam em conjunto para automatizar com mais precisão o encaminhamento dos clientes para as soluções certas. “Para esses tipos de problema, nos quais os clientes descrevem o problema com suas próprias palavras, é preciso experimentar diferentes combinações de modelos e dados para explicar a enorme variação de detalhes e linguagem. E a capacidade de testar tudo isso foi parte do mérito da AWS”, relata O'Connor.

Para criar os modelos de habilidades de ML, os analistas de negócios da equipe de ciência de dados da Autodesk se reuniram com cada uma das equipes de suporte para entender suas especialidades e mapear quem faz o quê e como. Usando esse conhecimento, a equipe organizou os conjuntos de dados de treinamento para desenvolver o modelo de habilidades. A equipe de ciência de dados extraiu dados históricos de milhares de solicitações de atendimento ao cliente e suas resoluções do data lake no Amazon S3. Em seguida, a Autodesk usou os cadernos do Amazon SageMaker para identificar qual modelo usar e de quantos dados ele precisava. “Os cadernos do Amazon SageMaker são atraentes porque você pode explorar os dados, entender a dinâmica dos diferentes atributos dos dados e até mesmo treinar modelos de brinquedos que ajudam a entender como pode ser o comportamento de um modelo de ML treinados em diferentes partes dos dados”, explica O'Connor. Depois que a equipe tivesse provisoriamente o emparelhamento certo de modelo e dados para se adequar a uma equipe de suporte, ela poderia passar para a próxima etapa: usar modelos cada vez mais ricos em recursos, que são treinados em conjuntos de dados maiores com freios e contrapesos adicionais. Esses modelos mais ricos geralmente generalizam melhor e são mais robustos em termos de variação da opinião do cliente.

Depois de usar os cadernos do Amazon SageMaker para realizar a análise e a exploração inicial, a Autodesk criou modelos exploratórios com o Scikit-learn, uma biblioteca clássica de ML preferida para a maioria dos projetos Python, usando várias funções auxiliares e modelos superficiais para obter informações sobre a solução. Em seguida, a Autodesk treinou os modelos de habilidades em várias estruturas de aprendizado profundo usando o modo script, o que facilita a rápida reutilização do código e a iteração do modelo. A empresa também usa o PyTorch para executar os transformadores fast.ai e Hugging Face para processamento de linguagem natural.

Para implantar os modelos para testes, a Autodesk usou o Amazon Elastic Container Service (Amazon ECS) para as primeiras versões de hospedagem de API. “Em seguida, mudamos para a hospedagem de endpoints do Amazon SageMaker nas versões subsequentes e na produção, pois isso nos proporcionou maior flexibilidade e menor complexidade”, diz Yathaarth Bhansali, engenheiro principal da equipe de Ciência de Dados da Autodesk. O desenvolvimento e a implantação dos modelos de habilidades iniciais, um processo que incluiu escalar e automatizar todo o script, levou cerca de duas a três semanas.

Os modelos que a Autodesk criou usando os serviços da AWS removeram a complexidade da experiência do cliente e geraram uma redução de mais de 30% no desvio de casos nos principais canais de suporte, o que ajudou os clientes da Autodesk a obter respostas até três vezes mais rápido. “Qualquer redução no tempo de espera do cliente por uma solução pode ter um grande impacto comercial para ele e seus empregadores, já que, muitas vezes, os problemas encontrados podem bloquear o progresso em projetos essenciais para os negócios”, diz O'Connor. Além disso, os comentários positivos consistentes do cliente mostraram que o encaminhamento automatizado está combinando corretamente o cliente com um agente de suporte.

“Abandonar nosso antigo sistema baseado em regras foi difícil, mas valeu a pena”, diz James Bradley, diretor de Ciência de Dados da Autodesk. “Isso levou a uma grande simplificação na forma como encaminhamos os casos de suporte e removeu algumas dívidas técnicas históricas que estavam enraizadas no uso de nosso sistema anterior.” A Autodesk conseguiu melhorar as práticas de desenvolvimento à medida que a AWS atualiza seus serviços. Por exemplo, a empresa está planejando fazer testes A/B em diferentes modelos, e os endpoints do Amazon SageMaker facilitam isso. “Sempre que nos deparamos com algo que gostaríamos de fazer, descobrimos que a AWS antecipou essa necessidade”, diz O'Connor.

No geral, o uso do Amazon SageMaker e do Amazon ECS permite que as equipes de Ciência de Dados da Autodesk se concentrem em melhorar os algoritmos, em vez de manter a infraestrutura. “Agradeço muito por não precisar mais gerenciar meus próprios servidores ou atualizar drivers”, diz Bradley. “Perdi muito tempo no passado tendo que lidar com coisas que estavam abaixo do nível do problema que eu estava tentando resolver. Nós nos consideramos razoavelmente especialistas. Então, quando nos deparamos com problemas, gostaríamos de ignorar aquilo que é básico.”

A equipe da Autodesk continuará aprimorando o sistema de encaminhamento, inclusive, adicionando a capacidade de monitorar filas e alertar a equipe sobre os clientes que potencialmente estão na fila errada, além de usar dados para prever o que os clientes precisam, o que melhorará o tempo de resposta e aumentará a resolução no primeiro toque. “Quando o cliente faz alguma coisa, podemos obter informações desses comportamentos e, depois, fazer uma recomendação”, diz Bradley. A empresa tem iniciativas para expandir para outros idiomas em seu sistema de encaminhamento e está explorando ambientes e modalidades adicionais nos quais os clientes podem interagir com o suporte.

Na AWS, a Autodesk eliminou as suposições dos clientes que navegam no sistema de suporte. “Os modelos de habilidades e o ambiente de suporte devem atender às necessidades dos usuários e ser a melhor escolha para eles, em vez de forçá-los a entrar em um canal ou outro só porque esse é o único lugar para onde eles podem ir”, diz O'Connor. Agora, o sistema de suporte ao cliente da Autodesk cumpre exatamente sua função: fornecer aos clientes os recursos e o conhecimento de que precisam para resolver problemas com eficiência.