Die perfekte Mischung aus Datenerfassung und maschinellem Lernen für PeripherAi
- Kunde
- Industry
- Service
- Segment
- Autor
- PeripherAi
- Data & Analytics
- Cloud-Automatisierung
- SMB
- Jodie Rhodes
Auf einen Blick
PeripherAi hilft Start-ups und KMUs beim Aufbau skalierbarer, effizienter Vertriebsfunktionen, indem es menschliches Wissen mit Datenerkenntnissen verknüpft.
Herausforderung
PeripherAi hat sich zum Ziel gesetzt, ein Vertriebstool für Start-ups und KMUs zu entwickeln, um Prozesse mithilfe von Data Insights und maschinellem Lernen zu optimieren.
Lösung
Genutzte Dienste
- Amazon S3
- Amazon DynamoDB
- Amazon Comprehend
- AWS Lambda
Ergebnisse
- 60%-ige Steigerung bei der Stimmungsanalyse
- Automatisierte Datenerfassung, die Zeit und Ressourcen spart
Geschäftliche Herausforderungen
Aufbau eines datengesteuerten Tools zur Verkaufsförderung für Start-ups und KMUs
Das Ziel des PeripherAi-Teams war es, ein Tool zur Verkaufsförderung für Start-ups und KMUs zu entwickeln. Ein Tool, das kleine Unternehmen und KMUs dabei unterstützt, ihren Verkaufsprozess zu optimieren, indem sie ihre Daten nutzen, um ihre Verkaufsprozesse zu optimieren und zu beschleunigen.
PeripherAi wollte diese Datenquellen zusammentragen, um eine Engine zu entwickeln, die es ihnen ermöglicht, den optimalen Verkaufsprozess auf die effektivste Art und Weise zu finden und dann den Prozess mithilfe von maschinellem Lernen weiter zu beschleunigen.
Die Daten, die das PeripherAi-Team nutzen wollte, stammten aus dem CRM und analysierten die Kommunikation mit den Kunden, wie z.B. E-Mails, Sprach- und/oder Videoaufzeichnungen.
Stehst Du vor ähnlichen Herausforderungen?
Wir sind Spezialisten für die Lösung von Problemen mit Daten und KI. Lass uns Dir helfen, die Vorteile der Cloud zu nutzen.
Lösung
Aufbau eines Moduls zur Datenübernahme
Von den vielen kritischen Phasen bei der Erstellung von ML-Modellen spielt die Data Ingestion eine wichtige Rolle für das Ergebnis datengetriebener Initiativen für Unternehmen. Da die Daten aus verschiedenen Quellen stammen, ist der Aufbau einer robusten Dat Ingestion-Pipeline unerlässlich, um die gewünschten und relevanten Daten in ML-Dienste einzuspeisen und qualitativ hochwertige ML-Modelle zu erstellen, die den Umgang mit Interessenten und Kunden verbessern.
Die Ingestion-Phase wurde für die Aufnahme und Kategorisierung verschiedener Dokumenttypen vor der Anwendung von maschinellen Lernverfahren konzipiert. Dies ermöglicht die Kompatibilität der Basisimplementierung mit anderen ML-Initiativen, wie z.B. der Fähigkeit, Amazon Translate, Amazon Textract und Amazon Transcribe zu verwenden, wenn sich das Produktangebot weiterentwickelt.
Wie empfohlen, konzentriert sich dieser Entwurf auf das Data Ingestion-Modul. Die Lösung für die Dateneingabe besteht aus folgenden Komponenten:
• Audiotranskripte im JSON-Format werden in den NLP/Raw S3-Bucket hochgeladen.
• Die Lambda Function des Dokumentenregistrators wird aufgerufen. Diese Funktion ruft die API der Metadatendienste auf, um das Dokument zu registrieren und erhält im Gegenzug eine eindeutige ID. Diese eindeutige ID wird dem Dokument als Tag hinzugefügt, und die Metadaten werden in der DynamoDB-Tabelle registriert: document registry.
• Nachdem die Metadaten des Dokuments bei den Metadatendiensten registriert wurden, wird der DynamoDB-Dokumentenregistrierungs-Stream aufgerufen, um die Lambda Function zur Dokumentenklassifizierung zu starten, welche die für das Dokument registrierten Metadaten prüft. Das Ergebnis dieser Prüfung wird an die Metadatendienste zurückgegeben.
• Die Metadatenregistrierung des vorherigen Schritts ruft einen DynamoDB Pipeline Operations Stream auf, der die Lambda Function „Document Extension Detector“ aufruft.
• Diese Funktion prüft die eingehenden Dateiformate und trennt die Dateien in separate Buckets für die Verarbeitung mit den verschiedenen Services, die auf AWS verfügbar sind.
Automatisierte Datenerfassung
Anstelle von manuellen oder vom Kunden ausgefüllten Runbooks bietet diese neue Lösung eine vollautomatische Datenerfassung, die dem PeripherAi-Team viel Zeit und Ressourcen spart, da es die Feldinhalte nicht mehr manuell bearbeiten und anpassen muss.
Stimmungserfassung
Die Verwendung von Amazon Comprehend und Amazon QuickSight stellt sicher, dass durch die Analyse von Sprachaufzeichnungen trainierte Datenmodelle erstellt werden.
Kontakt aufnehmen
Möchtest Du mehr erfahren?
Hast Du eine bestimmte Fallstudie oder ein Thema gesehen und möchtest mehr erfahren? Oder denkst Du über Dein nächstes Projekt nach? Schreibe uns eine Nachricht!
