Autodesk utiliza AWS para desarrollar modelos con el objetivo de enrutar los casos de soporte entre los equipos de soporte al cliente y del producto

Los clientes del proveedor de software Autodesk tienen problemas de soporte que van desde la típica y sencilla tarea de buscar e instalar software hasta consultas complejas sobre la naturaleza del modelado avanzado de los paquetes de software de la empresa. Estas consultas suelen tener un impacto financiero importante para los clientes, por lo que la necesidad de soporte es fundamental.

Sin embargo, cuando los clientes quieren contactar con Autodesk para resolver un problema, no están pensando en sus múltiples divisiones o en los distintos departamentos de soporte que se ocupan de una amplia gama de cuestiones: solo saben que necesitan ayuda para resolver un problema de forma rápida y eficaz. A menudo, los clientes no están seguros de cómo describir su problema; antes, esto hacía que se dirigieran al equipo de soporte equivocado, lo que generaba frustración y tiempos de resolución más prolongados. La asistencia especializada del grupo de soporte de productos requiere un compromiso profundo, mientras que muchos otros problemas se pueden resolver en minutos. Un cliente con una solicitud sencilla, como la localización de un enlace de descarga, podría quedarse atrapado durante horas porque, sin darse cuenta, se unió a una cola técnica altamente especializada en lugar de solicitar ayuda del equipo de atención al cliente.

Para resolver este problema, Autodesk creó modelos de habilidades de machine learning (ML) mediante Amazon SageMaker, un servicio totalmente administrado que proporciona a los desarrolladores y científicos de datos la capacidad de crear, entrenar e implementar modelos de ML de forma rápida. Los modelos de habilidades difieren de los modelos de clasificación típicos porque intentan elegir el equipo correcto responsable de dar soporte al usuario. Esto contrasta con muchos modelos que intentan predecir el tema de un caso y luego se desvían de ese tema.

Para entrenar el modelo, Autodesk extrajo conjuntos de datos históricos de su lago de datos en Amazon Simple Storage Service (Amazon S3), un servicio de almacenamiento de objetos que ofrece una escalabilidad, disponibilidad de datos, seguridad y rendimiento líderes del sector. Este modelo se tradujo en una mejor experiencia del cliente y de soporte más sencilla, con una reducción de los costes empresariales y un aumento de la productividad del personal de soporte de Autodesk.

Autodesk crea soluciones de software para las industrias de la arquitectura, la ingeniería, la construcción, los medios y el entretenimiento y la fabricación por medio de la utilización de tecnologías emergentes como la impresión 3D, la inteligencia artificial, el diseño generativo y la robótica. En 2017, Autodesk trasladó su práctica de desarrollo de ciencia de datos de máquinas locales a Amazon Web Services (AWS) como el primer paso de una estrategia más amplia para utilizar AWS en su proceso de desarrollo de productos. Por eso, cuando la empresa tuvo un problema con su sistema de atención al cliente, recurrió a AWS de inmediato.

El sistema de enrutamiento anterior basado en reglas de Autodesk para el servicio de atención al cliente generaba una pérdida de tiempo al redirigir las llamadas de soporte que dependían únicamente de la información del cliente para su enrutamiento. Los clientes tenían dificultades para navegar por el sistema de soporte porque era difícil clasificar sus preguntas, y una consulta mal dirigida podía aumentar el tiempo de respuesta de minutos a horas o más. «Los clientes no deberían tener que entender las implicaciones de decir que se enfrentan a un problema técnico o a un problema de descarga y cómo afecta eso al lugar al que se les enrutará», afirma Alex O'Connor, científico de datos principal de Autodesk. Sin embargo, cuando un cliente se perdía en el sistema, los equipos de soporte tenían que pasar información entre sí para averiguar dónde enviar internamente cada solicitud entrante.

Autodesk buscaba crear modelos de ML flexibles y personalizables que utilizaran el procesamiento del lenguaje natural para analizar tanto las palabras como su combinación, y así poder automatizar con mayor precisión el enrutamiento de sus clientes hacia las soluciones adecuadas. «Para este tipo de problemas, en los que los clientes describen su contratiempo con sus propias palabras, conviene probar diferentes combinaciones de modelos y datos con el fin de tener en cuenta la enorme variación en los detalles y el lenguaje», afirma O'Connor, «y la posibilidad de probar todas esas combinaciones era parte de las ventajas de AWS».

Para crear los modelos de habilidades de ML, los analistas empresariales del equipo de ciencia de datos de Autodesk se reunieron con cada uno de los equipos de soporte con el fin de comprender sus especializaciones y determinar quién hace qué y cómo. Con este conocimiento, el equipo seleccionó los conjuntos de datos de entrenamiento para crear el modelo de habilidades. El equipo de ciencia de datos extrajo datos históricos de miles de solicitudes de servicio al cliente y sus resoluciones de su lago de datos en Amazon S3. Luego, Autodesk usó los blocs de notas de Amazon SageMaker para determinar qué modelo usar y cuántos datos necesitaba. «Los blocs de notas de Amazon SageMaker son atractivos porque permiten explorar los datos, comprender la dinámica de las diferentes características de estos e incluso entrenar modelos de juguetes que ayudan a comprender cómo podría ser el comportamiento de un modelo de ML entrenado en diferentes partes de los datos», explica O'Connor. Una vez que el equipo dispuso de manera provisional de la combinación adecuada de modelo y datos para adaptarse a un equipo de soporte, pudo pasar al siguiente paso: utilizar modelos cada vez más ricos en características que se entrenan en conjuntos de datos más grandes con comprobaciones y balances adicionales. Estos modelos más ricos suelen generalizar mejor y son más sólidos en términos de variación de las opiniones de los clientes.

Tras utilizar los blocs de notas de Amazon SageMaker para realizar el análisis y la exploración inicial, Autodesk creó modelos exploratorios con Scikit-learn, una biblioteca de ML clásica de elección para la mayoría de los proyectos de Python, por medio de la utilización de las numerosas funciones auxiliares y los modelos superficiales con el fin de obtener información sobre la solución. Posteriormente, Autodesk entrenó sus modelos de habilidades en varios marcos de aprendizaje profundo mediante el modo script, lo que facilita la reutilización rápida del código y la iteración de modelos. La empresa también usa PyTorch con el fin de ejecutar los transformadores fast.ai y Hugging Face para el procesamiento del lenguaje natural.

Autodesk utilizó Amazon Elastic Container Service (Amazon ECS) para las primeras versiones de hosting de API con el objetivo de implementar los modelos de las pruebas. «Luego, pasamos al hosting del punto de conexión de Amazon SageMaker en las versiones posteriores y en producción, ya que esto nos brindó una mayor flexibilidad y redujo la complejidad», afirma Yathaarth Bhansali, ingeniero principal del equipo de ciencia de datos de Autodesk. El desarrollo y la implementación de los modelos de habilidades iniciales, un proceso que incluía escalar y automatizar todo el script, llevó entre 2 y 3 semanas.

Los modelos que Autodesk creó con los servicios de AWS han eliminado la complejidad de la experiencia del cliente y han permitido reducir en más de un 30 por ciento la desorientación de casos en los principales canales de soporte, lo que ha ayudado a los clientes de Autodesk a obtener sus respuestas hasta tres veces más rápido. «Cualquier reducción del tiempo que el cliente dedica a esperar una solución puede tener un enorme impacto empresarial para él y para sus empleadores, ya que, con frecuencia, los problemas que encuentran pueden impedir el progreso en proyectos críticos para la empresa», afirma O'Connor. Además, los comentarios positivos y consistentes de los clientes demostraron que el enrutamiento automático hace que el cliente y el agente de soporte coincidan de manera correcta.

«Alejarnos de nuestro antiguo sistema basado en reglas fue difícil, pero valió la pena», afirma James Bradley, director de ciencia de datos de Autodesk. «Condujo a una enorme simplificación de la forma en que dirigíamos los casos de soporte y eliminamos parte de la deuda técnica histórica derivada del uso de nuestro sistema anterior». Autodesk pudo mejorar las prácticas de desarrollo a medida que en AWS se actualizaban sus servicios. Por ejemplo, la empresa tiene previsto realizar pruebas A/B en diferentes modelos, y los puntos de conexión de Amazon SageMaker facilitan la tarea. «Cada vez que nos topamos con algo que nos gustaría hacer, descubrimos que AWS se ha anticipado a esa necesidad», afirma O'Connor.

En general, el uso de Amazon SageMaker y Amazon ECS permite a los equipos de ciencia de datos de Autodesk centrarse en mejorar sus algoritmos en lugar de en mantener la infraestructura. «Estoy muy agradecido de no tener que gestionar más mis propios servidores ni actualizar los controladores», afirma Bradley. «En el pasado perdí mucho tiempo teniendo que ocuparme de cosas que están por debajo del nivel del problema que estaba intentando resolver. Nos consideramos expertos de manera razonable. Por eso, cuando tenemos problemas, nos gustaría saltarnos lo básico».

El equipo de Autodesk seguirá mejorando el sistema de enrutamiento, lo que incluye añadir la capacidad de supervisar las colas y alertar al personal de Autodesk sobre los clientes que podrían estar en la cola equivocada, así como utilizar los datos para predecir lo que necesitan los clientes, lo que mejorará el tiempo de respuesta y aumentará la resolución en el primer contacto. «Cuando el cliente hace algo, podemos obtener información de esos comportamientos y, posteriormente, hacer una recomendación», afirma Bradley. La compañía tiene iniciativas para expandir su sistema de enrutamiento a otros idiomas y está explorando entornos y modalidades adicionales en los que los clientes puedan interactuar con el soporte.

En AWS, Autodesk ha eliminado las conjeturas para los clientes que navegan por el sistema de soporte. «Los modelos de habilidades y el entorno de soporte son algo que debería ajustarse a las necesidades de los usuarios y ser la mejor opción para ellos, en lugar de obligarlos a elegir un canal u otro solo porque es el único lugar al que pueden acudir», afirma O'Connor. Ahora, el sistema de atención al cliente de Autodesk hace exactamente lo que debía hacer con mayor precisión: proporcionar a los clientes los recursos y los conocimientos que necesitan para resolver los problemas de manera eficiente.