DoorDash: نظام ذكاء اصطناعي صوتي مدعوم بـ Claude يعالج مئات الآلاف من استدعاءات Dasher يومياً

• Building a Generative AI Contact Center Solution for DoorDash Using Amazon Bedrock, Amazon Connect, and Anthropic's Claude — AWS (case study)
• DoorDash successfully leverages Claude in Amazon Bedrock (one-sheeter) — Anthropic
• Deploy generative AI agents in your contact center for voice and chat using Amazon Connect, Amazon Lex, and Amazon Bedrock Knowledge Bases — AWS Machine Learning Blog

السياق

DoorDash هي أكبر منصة تجارة محلية وتوصيل في الولايات المتحدة، تأسست عام 2013. بحلول نهاية عام 2023، كانت الخدمة تضم أكثر من 37 مليون مستهلك نشط شهرياً وأكثر من مليوني Dasher نشط شهرياً — السعاة الذين يقومون بعمليات التوصيل. Dashers هم العملاء الرئيسيون لمركز الاتصال: يحتاجون إلى مساعدة أثناء التوصيل، عندما تنشأ أسئلة حول طلب أو عنوان أو التسجيل أو الدفع.

لهذه الفئة قيد صارم شكّل المشروع بأكمله: Dashers يقودون السيارات. يفضلون الاتصال على الدردشة — ولا يمكنهم الانتظار. كل ثانية تأخير في الاستجابة تعني ساعياً يقف عند باب المطعم أو متوقفاً على الرصيف. زمن استجابة القناة الصوتية هنا ليس 'مقياس جودة' بل وقت فعلي يُخصم من دخل الشخص.

يعمل مركز اتصال DoorDash على Amazon Connect — منصة AWS السحابية — ويتعامل مع حجم إجمالي يبلغ مئات الآلاف من الاستدعاءات يومياً. تفصيل مهم في هذه الحالة غالباً ما يُفقد في إعادة السرد: بحلول وقت إطلاق الذكاء الاصطناعي التوليدي، كانت DoorDash تمتلك بالفعل أتمتة صوتية متقدمة على Amazon Connect و Amazon Lex، وكانت تحقق نتائج قابلة للقياس. المهمة لم تكن 'استبدال قوائم النبرات الصوتية' بل كسر الحد الأقصى لما يمكن لبرنامج محادثة NLU كلاسيكي أن يفعله — دون التأثير على السرعة التي اعتاد عليها Dashers.

المشكلة

كان خط أساس DoorDash قوياً — وهذا يجعل هذه الحالة أكثر صراحة من معظمها. نظام IVR ذاتي الخدمة الموجود على Amazon Connect و Amazon Lex قد حقق بالفعل تقليلاً في تحويلات الوكلاء بنسبة 49%، وزيادة بنسبة 12% في حل الاستدعاء الأول، وتوفيراً بقيمة 3 ملايين دولار من تكاليف التشغيل السنوية. هذه نتائج الأتمتة الكلاسيكية السابقة للتوليدية — وإسناد الفضل الصحيح مهم.

المشكلة كانت الحد الأقصى: رغم تلك النتائج، كانت معظم الاستدعاءات لا تزال تُحول إلى وكلاء بشريين. برنامج محادثة NLU كلاسيكي يرشد المستخدمين بثقة عبر تدفقات مصممة مسبقاً لكنه لا يستطيع الإجابة على أسئلة متنوعة 'بكلماته الخاصة' من قاعدة المعرفة: أي شيء خارج التدفق يذهب إلى بشر. عند مئات الآلاف من الاستدعاءات يومياً، كل نقطة مئوية من التصعيدات تعني عشرات الوكلاء على الخط.

وعد الذكاء الاصطناعي التوليدي بإغلاق هذه الفجوة بالذات، لكنه فرض ثلاث متطلبات صارمة. أولاً، زمن الاستجابة: حوار صوتي ينهار إذا فكّر النموذج لمدة خمس ثوانٍ — وهذا غير مقبول على الإطلاق لسائقي الطرق. ثانياً، الموثوقية: نموذج يجيب السعاة حول الدفع يجب ألا يهلوس، يجب أن يقاوم حقن الأوامر، ويجب أن يكتشف المحتوى المسيء. ثالثاً، الاختبار على نطاق واسع: قبل المشروع، كان على الفريق سحب وكلاء بشريين من طوابير المساعدة لتشغيل حفنة من حالات الاختبار اليدوية في الساعة — لا توجد وسيلة للتحقق من صحة نظام ذكاء اصطناعي صوتي يواجه مئات الآلاف من الاستدعاءات.

الحل

بنت DoorDash الحل بالتعاون مع مركز الابتكار في الذكاء الاصطناعي التوليدي بـ AWS (GenAIIC) — برنامج يجمع خبراء AWS مع فريق العميل. في 8 أسابيع، صمم الفريقان وبنوا وأوصلوا الحل إلى جاهزية اختبار A/B الإنتاجي؛ وفقاً لدراسة الحالة، قلل Bedrock كمنصة مُدارة وقت تطوير تطبيقات الذكاء الاصطناعي التوليدي إلى النصف.

الأساس هو نماذج Claude من Anthropic في Amazon Bedrock. تشرح الحالة اختيار Claude بثلاث خصائص حرجة لدعم الصوت: القدرة على التخفيف من الهلوسة، ومقاومة حقن الأوامر، واكتشاف اللغة المسيئة. ومع إطلاق Claude 3 Haiku — أخف وأسرع نموذج في الفئة — حصلت DoorDash على المزيج من الدقة والسرعة الذي احتاجته: زمن استجابة بمقدار 2.5 ثانية أو أقل. الاختيار نفسه مثير للدلالة: للقناة الصوتية، اختارت الشركة ليس الأقوى بل الأسرع والدقيق بما فيه الكفاية.

تتبع معرفة النظام مخطط RAG: مركز مساعدة Dasher المتاح للعموم من DoorDash يخدم كمصدر، بينما Knowledge Bases for Amazon Bedrock — خدمة مُدارة وفّرت على الفريق التكاملات المخصصة — تتعامل مع الفهرسة وخط أنابيب 'الاسترجاع → تعزيز الأوامر' بأكمله. قيد أمني رئيسي: لا يتم تمرير أي معلومات شخصية قابلة للتحديد إلى الحلقة التوليدية؛ البيانات مشفرة ومعزولة داخل تطبيق DoorDash. 'استخدام ردود مولدة بالذكاء الاصطناعي لدعم الهاتف قدم تحديات فريدة تتطلب استراتيجيات مبتكرة لتحسين أوقات الاستجابة وجودة الإجابات. أثبت Amazon Bedrock أنه ملائم تماماً لمتطلباتنا، مما سمح لنا بالتركيز على تحسين التفاصيل الدقيقة للحل،' يقول Vraj Shah، مهندس المشروع الرئيسي في DoorDash.

الجزء غير المرئي لكن الحاسم من المشروع هو حلقة الاختبار. على Amazon SageMaker، بنى الفريق إطار عمل اختبار وتقييم مؤتمت: آلاف الاختبارات المؤتمتة في الساعة — زيادة بمعامل 50x في سعة الاختبار مقابل التشغيلات اليدوية — مع تقييم دلالي للردود مقابل بيانات الحقيقة المطلقة. جعلت تلك الحلقة من الممكن تشغيل اختبارات A/B على الزيارات المباشرة وإثبات الجودة قبل الطرح الكامل. بدونها، كان يستحيل أخذ نظام ذكاء اصطناعي صوتي من التصميم إلى الإنتاج في 8 أسابيع.

معمارياً، الحل مُدمج في مكدس Amazon Connect الموجود: الطبقة التوليدية تعزز نظام IVR العامل بدلاً من استبدال القناة — الحالات المعقدة وغير الروتينية لا تزال تذهب إلى وكلاء بشريين.

النتيجة

بعد الاختبار الناجح في أوائل عام 2024، طرحت DoorDash خيارات الخدمة الذاتية الجديدة لجميع Dashers. يتعامل نظام الذكاء الاصطناعي الصوتي مع مئات الآلاف من استدعاءات Dasher يومياً بزمن استجابة يبلغ 2.5 ثانية أو أقل. بصيغة دراسة الحالة، حقق الحل 'تخفيضات كبيرة وملموسة' في أحجام الاستدعاءات المتعلقة بدعم Dasher، وقلل التصعيدات إلى الوكلاء البشريين بآلاف يومياً، وخفف من عدد المهام التي يقوم بها الوكلاء لحل الاستفسارات. يُغلق الذكاء الاصطناعي الأسئلة الروتينية، محررياً الوكلاء للحالات المعقدة التي تحتاج إلى بشر.

من المهم الالتزام بإطار نسبة الفضل — وتصحيح إعادة السرد الواسعة لهذه الحالة (بما فيها نسختنا السابقة): الأرقام '−49% تحويلات، +12% حل الاستدعاء الأول، 3 ملايين دولار توفير سنوي' تنتمي إلى جيل الأتمتة السابق من DoorDash على Amazon Connect و Amazon Lex — الخط الأساس الذي بُنيت عليه الطبقة التوليدية.

لحل Claude نفسه، تنشر AWS و DoorDash مقاييس السرعة والنطاق (2.5s؛ مئات الآلاف من الاستدعاءات يومياً؛ سعة اختبار 50x؛ −50% وقت التطوير) وبيانات التأثير النوعية ('آلاف التصعيدات يومياً')، لكن بدون نسب مئوية أو دولارات. هذه ممارسة نموذجية وصادقة لطرح جديد — التأثيرات المالية الدقيقة تتطلب سنة من المراقبة.

أعلن الفريق بالفعل عن الخطوة التالية: توسيع قواعد المعرفة وتكامل خدمة سير العمل اللوجستي المدفوعة بالأحداث من DoorDash بحيث لا يقتصر المساعد على الإجابة على الأسئلة بل يتخذ إجراءات نيابة عن المستخدم. 'باستخدام AWS و Claude من Anthropic، بنينا حلاً يوفر لـ Dashers وصولاً موثوقاً وسهل الفهم إلى المعلومات التي يحتاجونها، متى احتاجوها. وهذا له تأثيرات إيجابية متتابعة على مستخدمينا والمنصة ككل،' يقول Chaitanya Hari، رئيس قطاع مركز الاتصال في DoorDash.

في رأينا، هناك ثلاث دروس قابلة للنقل. أولاً: للذكاء الاصطناعي الصوتي، السرعة هي متطلب المنتج رقم واحد، واختيار نموذج خفيف (Haiku) بدلاً من الرائد هو اقتصادات هندسة سليمة تنطبق على أي سيناريو في الوقت الفعلي. ثانياً: بنية الاختبار مهمة أكثر من 'ذكاء' النموذج — زيادة سعة الاختبار بمعامل 50x هي السبب في وصول المشروع إلى الإنتاج في 8 أسابيع. ثالثاً: بناء الطبقة التوليدية على قمة الأتمتة العاملة، وليس بدلاً منها — عززت DoorDash خط أساس IVR قوي، وهذا بالضبط السبب في أنها استطاعت قياس القيمة المضافة بصراحة من خلال اختبار A/B.

الدروس المستفادة

1. للسيناريوهات الصوتية، السرعة هي متطلب منتج: اختارت DoorDash نموذجاً خفيفاً (Claude 3 Haiku) بزمن استجابة ≤2.5s بدلاً من الأقوى في الفئة.
2. انسب المقاييس بصراحة: الشهيرة '−49% تحويلات و 3 ملايين دولار توفير' هي نتيجة نظام IVR السابق للتوليدية Connect/Lex؛ يتم قياس قيمة طبقة Claude بشكل منفصل، فوق ذلك الخط الأساس.
3. حلقة الاختبار المؤتمتة هي القطعة غير المرئية لكن الحرجة: سعة الاختبار 50x (آلاف التشغيلات في الساعة مع التقييم الدلالي) هي ما جعل الإنتاج في 8 أسابيع ممكناً.
4. الطبقة التوليدية تعزز الأتمتة العاملة بدلاً من استبدال القناة: الحالات المعقدة لا تزال تذهب إلى البشر، والقيمة المضافة يمكن قياسها بصراحة من خلال اختبار A/B.
5. الأمان مصمم في المعمارية: لا معلومات شخصية قابلة للتحديد تدخل الحلقة التوليدية، والنموذج تم اختياره جزئياً لمقاومة حقن الأوامر واكتشاف اللغة المسيئة.
6. الجمهور الأول هم السعاة، وليس العملاء: جمهور داخلي يوفر حلقة تغذية راجعة سريعة بخطر سمعة أقل.
7. منصة مُدارة (Bedrock + Knowledge Bases) قللت وقت التطوير إلى النصف — في البداية، سرعة التكرار مهمة أكثر من ضبط البنية التحتية الخاصة بك.

الأسئلة الشائعة