Autodesk utilise AWS pour développer des modèles d'acheminement des dossiers d'assistance entre les équipes de support client et produit

Les clients du fournisseur de logiciels Autodesk rencontrent des problèmes d'assistance allant de la simple recherche et de l'installation de logiciels à des requêtes complexes concernant la nature de la modélisation avancée des progiciels de l'entreprise. Ces requêtes ont souvent un impact financier important pour les clients, ce qui rend le besoin d'assistance critique.

Cependant, lorsque les clients souhaitent contacter Autodesk à propos d'un problème, ils ne pensent pas aux multiples divisions ou aux différents services d'assistance qui traitent un large éventail de questions. Ils savent simplement qu'ils ont besoin d'aide pour résoudre un problème rapidement et efficacement. Souvent, les clients ne savent pas exactement comment décrire leur problème. Par le passé, les clients étaient alors dirigés vers la mauvaise équipe d'assistance, ce qui entraînait de la frustration et des délais de résolution plus longs. L'assistance spécialisée des groupes de support produit nécessite un engagement profond, alors que de nombreux autres problèmes peuvent être résolus en quelques minutes. Un client ayant une simple demande, telle que l'emplacement d'un lien de téléchargement, peut rester bloqué pendant des heures parce qu'il a rejoint par inadvertance une file d'attente technique hautement spécialisée au lieu de demander de l'aide à l'équipe d'assistance clientèle.

Pour résoudre ce problème, Autodesk a créé des modèles de compétences en machine learning (ML) à l'aide d'Amazon SageMaker, un service entièrement géré qui offre aux développeurs et aux scientifiques des données la possibilité de créer, de former et de déployer rapidement des modèles ML. Les modèles de compétences diffèrent des modèles de classification classiques, car ils essaient de désigner la bonne équipe chargée d'assister l'utilisateur. Cela contraste avec de nombreux modèles qui essaient de prédire le sujet d'un cas et de l'acheminer ensuite à partir de ce sujet.

Pour former le modèle, Autodesk a tiré des jeux de données historiques de son lac de données dans Amazon Simple Storage Service (Amazon S3), un service de stockage d'objets qui offre une capacité de mise à l'échelle, une disponibilité des données, une sécurité et des performances de pointe. Ce modèle a permis d'améliorer l'expérience client et de simplifier l'expérience d'assistance tout en réduisant les coûts commerciaux et en augmentant la productivité du personnel d'assistance Autodesk.

Autodesk crée des solutions logicielles pour les secteurs de l'architecture, de l'ingénierie, de la construction, des médias et du divertissement, ainsi que de la fabrication, en utilisant des technologies émergentes telles que l'impression 3D, l'intelligence artificielle, la conception générative et la robotique. En 2017, Autodesk a transféré ses activités de développement en science des données des machines locales vers Amazon Web Services (AWS), première étape d'une stratégie plus large visant à utiliser AWS pour son processus de développement de produits. Ainsi, lorsque l'entreprise a rencontré un problème avec son système de support client, elle s'est immédiatement tournée vers AWS.

L'ancien système de routage du support client d'Autodesk, basé sur des règles, conduisait à une perte de temps en redirigeant les appels d'assistance qui dépendaient uniquement des données du client pour le routage. Les clients avaient du mal à s'y retrouver dans le système d'assistance, car il était difficile de classer leurs questions, et une requête mal acheminée pouvait faire passer le temps de réponse de quelques minutes à quelques heures, voire plus. « Les clients ne devraient pas avoir à comprendre ce qu'implique le fait de dire qu'ils rencontrent un problème technique et non un problème de téléchargement, ni l'impact de ce problème sur l'endroit où ils seront orientés », explique Alex O'Connor, lead data scientist chez Autodesk. Pourtant, lorsqu'un client se perdait dans le système, les équipes d'assistance devaient se transmettre des informations pour déterminer où acheminer chaque demande entrante en interne.

Autodesk a cherché à créer des modèles de ML flexibles et personnalisables qui utiliseraient un traitement du langage naturel examinant à la fois les mots et la façon dont ils s'assemblent afin d'automatiser plus précisément l'orientation de ses clients vers les bonnes solutions. « Pour ce type de situations, où les clients décrivent leur problème selon leurs propres termes, vous souhaitez essayer différentes combinaisons de modèles et de données pour tenir compte de l'énorme variation de détails et de langage », explique M. O'Connor, « et la possibilité d'essayer toutes ces choses faisait partie des mérites d'AWS ».

Pour élaborer les modèles de compétences en ML, les analystes commerciaux de l'équipe de science des données d'Autodesk ont rencontré chacune des équipes d'assistance afin de comprendre leurs spécialités et de déterminer qui fait quoi et comment. À l'aide de ces connaissances, l'équipe a organisé les jeux de données de formation pour créer le modèle de compétences. L'équipe de science des données a extrait les données historiques de milliers de demandes au service client et de leurs résolutions à partir de son lac de données Amazon S3. Autodesk a ensuite utilisé les blocs-notes Amazon SageMaker pour identifier le modèle à utiliser et la quantité de données dont il avait besoin. « Les blocs-notes Amazon SageMaker sont intéressants, car ils vous permettent d'explorer les données, de comprendre la dynamique des différentes caractéristiques des données et même d'entraîner des modèles ludiques qui vous aident à comprendre à quoi pourrait ressembler le comportement d'un modèle de ML entraîné sur différentes parties des données », explique M. O'Connor. Une fois que l'équipe avait provisoirement trouvé la bonne combinaison de modèles et de données pour convenir à une équipe de support, elle pouvait passer à l'étape suivante, à savoir utiliser des modèles de plus en plus riches en fonctionnalités qui sont entraînés sur des jeux de données plus volumineux avec des contrôles supplémentaires. Ces modèles enrichis se généralisent souvent mieux et sont plus robustes en termes de variation des données fournies par les clients.

Après avoir utilisé les blocs-notes Amazon SageMaker pour effectuer l'analyse et l'exploration initiale, Autodesk a créé des modèles exploratoires avec Scikit-learn, une bibliothèque de ML classique de choix pour la plupart des projets Python, utilisant les nombreuses fonctions d'assistance et les modèles superficiels pour mieux comprendre la solution. Autodesk a ensuite formé ses modèles de compétences dans plusieurs cadres de deep learning à l'aide du mode script, qui facilite la réutilisation rapide du code et l'itération du modèle. L'entreprise utilise également PyTorch pour exécuter fast.ai et les transformateurs Hugging Face pour le traitement du langage naturel.

Pour déployer les modèles à tester, Autodesk a utilisé Amazon Elastic Container Service (Amazon ECS) pour les premières versions d'hébergement d'API. « Nous sommes ensuite passés à l'hébergement des points de terminaison Amazon SageMaker dans les versions suivantes et en production, car cela nous a permis d'améliorer notre flexibilité et de réduire la complexité », explique Yathaarth Bhansali, principal engineer for the data science team chez Autodesk. Le développement et le déploiement des modèles de compétences initiaux, un processus qui comprenait la mise à l'échelle et l'automatisation de l'ensemble du script, ont pris environ 2 à 3 semaines.

Les modèles créés par Autodesk à l'aide des services AWS ont allégé la complexité de l'expérience client et ont permis de réduire de plus de 30 % les erreurs de traitement des dossiers sur les principaux canaux de support, ce qui a permis aux clients d'Autodesk d'obtenir des réponses jusqu'à trois fois plus rapidement. « Toute réduction du temps passé par le client à attendre une solution peut avoir un impact commercial considérable pour lui et ses employeurs, car les problèmes qu'il rencontre peuvent souvent bloquer l'avancement de projets stratégiques », déclare M. O'Connor. De plus, les commentaires positifs constants des clients ont montré que le routage automatique associe correctement le client à un agent d'assistance.

« Il était difficile de s'éloigner de notre ancien système basé sur des règles, mais cela en valait la peine », explique James Bradley, director of data science chez Autodesk. « Cela a permis de simplifier considérablement la manière dont nous acheminons les demandes d'assistance et de supprimer une partie de la dette technique historique qui était ancrée dans l'utilisation de notre ancien système. » Autodesk a pu améliorer ses pratiques de développement à mesure qu'AWS met à jour ses services. Par exemple, l'entreprise prévoit de réaliser des tests A/B de différents modèles, et les points de terminaison Amazon SageMaker facilitent cette tâche. « Chaque fois que nous découvrons quelque chose que nous aimerions faire, nous constatons qu'AWS a anticipé ce besoin », poursuit M. O'Connor.

Dans l'ensemble, l'utilisation d'Amazon SageMaker et d'Amazon ECS permet aux équipes de science des données d'Autodesk de se concentrer sur l'amélioration de leurs algorithmes plutôt que sur la maintenance de l'infrastructure. « Je suis très heureux de ne plus avoir à gérer mes propres serveurs ni à mettre à jour les pilotes », déclare M. Bradley. « J'ai perdu beaucoup de temps par le passé à faire face à des problèmes qui n'étaient pas à la hauteur du problème que j'essayais de résoudre. Nous nous considérons comme raisonnablement experts. Ainsi, lorsque nous rencontrons des problèmes, nous aimerions passer à l'essentiel. »

L'équipe Autodesk continuera d'améliorer le système de routage, notamment en ajoutant la possibilité de surveiller les files d'attente et d'avertir le personnel d'Autodesk que les clients se trouvent potentiellement dans la mauvaise file d'attente, ainsi qu'en utilisant des données pour prédire les besoins des clients, ce qui permettra de réduire les délais de réponse et d'améliorer la résolution dès le premier contact. « Lorsque le client fait quelque chose, nous pouvons obtenir des informations à partir de ces comportements, puis émettre une recommandation », explique M. Bradley. L'entreprise a pris des initiatives pour étendre son système de routage à d'autres langues et explore d'autres environnements et modalités dans lesquels les clients peuvent interagir avec l'assistance.

Sur AWS, Autodesk a éliminé les conjectures pour les clients qui utilisent le système d'assistance. « Les modèles de compétences et l'environnement de soutien devraient répondre aux besoins des utilisateurs et constituer le meilleur choix pour eux, au lieu de les obliger à choisir un canal ou un autre simplement parce que c'est le seul endroit où ils peuvent s'adresser », déclare M. O'Connor. Désormais, le système de support client d'Autodesk fait exactement ce qu'il est censé faire avec plus de précision, à savoir fournir aux clients les ressources et les connaissances dont ils ont besoin pour résoudre efficacement les problèmes.