Как Hapag-Lloyd использует Amazon Bedrock для анализа отзывов клиентов и получения практических инсайтов — ИИ для бизнеса

Как Hapag-Lloyd использует Amazon Bedrock для анализа отзывов клиентов и получения практических инсайтов

Прослушать статью

Hapag-Lloyd — одна из ведущих линейных судоходных компаний мира. Компания управляет современным флотом из 313 контейнеровозов с общей транспортной вместимостью 2,5 млн TEU (Twenty-foot Equivalent Unit — стандартная единица измерения грузовой вместимости в контейнерных перевозках). В распоряжении Hapag-Lloyd также контейнерный парк вместимостью 3,7 млн TEU, включая один из крупнейших и самых современных в отрасли парков рефрижераторных контейнеров. Около 14 000 сотрудников сегмента линейных перевозок и более 400 офисов в 140 странах обеспечивают компании устойчивое глобальное присутствие. Через 133 линейных сервиса по всему миру мы обеспечиваем надежные связи между более чем 600 портами на всех континентах.

Команда Digital Customer Experience and Engineering компании, работающая между Гамбургом и Гданьском, отвечает за цифровые инновации, разрабатывая и поддерживая веб- и мобильные продукты для клиентов.

За последние годы команда Digital Customer Experience and Engineering эволюционировала из канала, ориентированного на поставку решений, в полноценного драйвера цифровых продуктов с сильным фокусом на клиента, инженерным качеством и измеримым влиянием на бизнес. Мы берем на себя end-to-end ответственность за наши цифровые продукты, сочетая клиент-ориентированные инновации с инженерным мастерством, чтобы напрямую поддерживать рост и бизнес-результаты. Опираясь на современный, самостоятельно управляемый технологический стек и высокий уровень инженерной зрелости, мы стремимся оставаться на переднем крае технологий. Теперь мы делаем следующий шаг — движемся к состоянию AI-native, инвестируя значительные ресурсы в искусственный интеллект как в базовую компетенцию. Этот путь — о том, как усилить сильную инженерию с помощью ИИ, чтобы создавать более умные продукты, быстрее внедрять инновации и повышать ценность для клиентов.

Понимание влияния на пользователя.

До сих пор наш процесс анализа отзывов клиентов в основном был ручным и реактивным. Особенно перед review ceremonies ручной анализ отзывов мог занимать часы, а иногда и дни, когда нужно было просмотреть сотни оценок и комментариев. Каждые две недели Product Managers экспортировали данные об отзывах в CSV-файлы, просматривали большие массивы комментариев и вручную категоризировали sentiment и темы. Хотя эта работа была ценной и тесно связанной с продуктовыми решениями, она также была повторяющейся, трудоемкой и плохо масштабировалась, ограничивая гибкость, когда требовались более быстрые или более глубокие инсайты.

С помощью нашего генеративного ИИ-решения мы принципиально изменили этот подход. Вместо ручной агрегации и интерпретации отзывов мы теперь автоматизировали весь workflow: сбор комментариев клиентов, извлечение sentiment, выявление тем и формирование практических инсайтов. Product Managers и команды могут тратить меньше времени на операционный анализ и больше — на стратегию, инновации и создание выдающегося пользовательского опыта.

В этой публикации мы показываем наше решение для анализа отзывов на базе генеративного ИИ, построенное с использованием Amazon Bedrock, Elasticsearch и open-source фреймворков, таких как LangChain и LangGraph. Amazon Bedrock — это полностью управляемый сервис, который через единый API предлагает выбор высокопроизводительных foundation models от ведущих AI-компаний, таких как AI21 Labs, Anthropic, Cohere, DeepSeek, Luma, Meta, Mistral AI и Amazon, а также широкий набор возможностей, необходимых для создания generative AI-приложений с учетом безопасности, конфиденциальности и responsible AI. С этим решением можно автоматически загружать комментарии клиентов, генерировать подробные summary и предоставлять целевые инсайты. Это позволяет нашим продуктовым командам принимать более быстрые и точные решения и обеспечивать непрерывное улучшение.

Мы проводим через архитектуру и реализацию этого решения, показывая, как использование базовых принципов generative AI — orchestration, управление данными, безопасность и конфиденциальность — позволило нам быстро собрать масштабируемый, готовый к production pipeline для обработки отзывов.

Обзор решения

AWS architecture diagram showing a customer feedback processing pipeline using Amazon S3, Lambda, OpenSearch, ECS, Bedrock, and SES, with arrows indicating data flow from customer feedback input to stakeholder notifications.

Архитектура AWS для автоматизированной обработки и анализа отзывов с использованием функций Lambda для загрузки данных из Amazon S3, Amazon Bedrock для генерации AI-инсайтов, доступ к которым stakeholders получают через Amazon ECS, и Elasticsearch для индексирования и поиска данных об отзывах с уведомлениями по email через SES.

Решение построено на архитектуре AWS, спроектированной для решения этих задач за счет масштабируемости, сопровождаемости и безопасности. Оно развертывается с помощью AWS CloudFormation.

  1. Непрерывный и квартальный сбор отзывов
    • Наши веб- и мобильные приложения ежемесячно обслуживают сотни тысяч клиентов.
    • Пользователи могут оставлять оценку и текстовые комментарии, помогая нам понимать пользовательский опыт и улучшать сервисы.
  2. Ежедневная загрузка и обработка отзывов
    • Функция AWS Lambda запускается раз в день, чтобы получать новые записи об отзывах.
    • Мы используем Amazon Bedrock для классификации sentiment (positive, negative, mixed или neutral) для каждого открытого комментария, что упрощает дальнейший анализ.
    • Обработанные записи индексируются в Amazon OpenSearch Service, который служит нам и полнотекстовой поисковой системой, и векторной базой данных.
  3. Интерактивное исследование отзывов через OpenSearch Service
    • Stakeholders могут получать инсайты по отзывам в режиме реального времени через OpenSearch Dashboards, видя общую картину sentiment пользователей, оценок и трендов во времени.
    • Начиная с высокоуровневых визуализаций, таких как распределение sentiment, оценки и объем отзывов, пользователи могут углубляться до конкретных приложений, функций или даже отдельных комментариев.
    • Панели поддерживают фильтрацию по периоду времени, sentiment комментария, версии продукта и другим параметрам, что позволяет проводить точечный анализ первопричин.
    • Например, Product Manager может визуализировать, как sentiment вокруг недавнего обновления приложения менялся от недели к неделе, или изучить негативные комментарии, в которых упоминается конкретная функция.
  4. Внутренний chatbot на базе ИИ
    • Наш chatbot для stakeholders использует индекс OpenSearch в качестве базы знаний.
    • Мы используем Bedrock Guardrails, чтобы обеспечить безопасность и надежность и гарантировать, что ответы соответствуют нашим стандартам бренда и комплаенса.
    • Product managers и команды поддержки могут задавать вопросы на естественном языке, например: “What pain points do customers mention most often?”, и получать мгновенные, контекстно насыщенные ответы.
  5. Двухнедельный отчет по инсайтам
    • Каждые две недели вторая функция Lambda агрегирует и анализирует последние тренды отзывов.
    • Она формирует краткий отчет с ключевыми метриками, основными выводами и разбивкой sentiment.
    • Отчет автоматически доставляется нашим Product Managers и Product Owners, напрямую попадая в обсуждения sprint planning и roadmap.

Оркестрация generative AI

Оркестрация — ключевая основа нашего решения, поскольку workflows в generative AI обычно состоят из нескольких шагов, которые необходимо координировать. В нашем pipeline этапы загрузки и обработки данных, такие как анализ sentiment, генерация embeddings и индексирование, оркестрируются с помощью LangChain, который предоставляет модульные, переиспользуемые компоненты для вызова моделей, преобразования данных и интеграции с внешними системами, такими как Amazon OpenSearch Service. Для нашего внутреннего chatbot мы используем LangGraph для реализации multi-agent архитектуры. Каждый assistant декларативно описан в LangGraph и включает собственную логику и инструменты. Такой дизайн делает assistants гибкими и композиционными: вместо жестких пошаговых сценариев мы используем agent-based подход, при котором LLM динамически выбирает подходящие инструменты и действия для ответа на запрос пользователя. Это дает Product Managers и командам поддержки естественный интерактивный способ исследовать отзывы и связанные операционные инсайты.

Интеграция с моделями Amazon Bedrock легко выполняется благодаря нативной поддержке LangChain. Например, наш внутренний chatbot на базе ИИ использует модель Claude Sonnet 4.6 через Amazon Bedrock. Мы выбрали Claude Sonnet 4.6, потому что она демонстрирует передовую производительность в задачах кодирования и agentic workflows. Модель отлично справляется с многоходовыми диалогами и agentic workflows, что делает ее идеальной для нашего внутреннего chatbot, которому нужна стабильная работа как в одноходовых, так и в многоходовых взаимодействиях со stakeholders. Благодаря точным возможностям управления workflow и способности работать как в роли lead agent, так и subagent, Claude Sonnet 4.6 обеспечивает стабильное качество диалога, необходимое нашим Product Managers и командам поддержки при масштабном изучении инсайтов по отзывам. Кроме того, мы используем географический endpoint Cross-Region Inference Service (CRIS), чтобы без сбоев обрабатывать незапланированные всплески трафика за счет распределения вычислений между несколькими регионами AWS в ЕС. Эта межрегиональная возможность гарантирует, что наш pipeline обработки отзывов остается устойчивым в периоды пиковой нагрузки, сохраняя стабильную производительность для нашей глобальной базы stakeholders. Модель настроена с guardrails, применяемыми напрямую через конфигурацию LangChain:

Формулы и расчет
from langchain_aws import ChatBedrockConverse

def get_chatbot_model():
    return ChatBedrockConverse(
        client=session.client("bedrock-runtime", region_name="eu-central-1", config=config),
        model="eu.anthropic.claude-sonnet-4-6",         guardrail_config={
            "guardrailIdentifier": settings.GUARDRAIL_ID,
            "guardrailVersion": "DRAFT",
            "trace": "enabled"
        }
    )

Управление данными

Функция AWS Lambda раз в день получает новые записи об отзывах из хранилища отзывов в Amazon S3, после чего данные категоризируются с помощью semantic detection через Amazon Bedrock. Затем данные индексируются в Amazon OpenSearch Service, который служит нам и полнотекстовой поисковой системой, и векторной базой данных.

Ответственный ИИ

Чтобы ответственно использовать решение, мы внедряем защитные механизмы с помощью Amazon Bedrock Guardrails. Это позволяет прикреплять Amazon Bedrock Guardrails к взаимодействию с ИИ и обеспечивать политики модерации контента, а также следить, чтобы ответы соответствовали стандартам нашего бренда и требованиям комплаенса.

Используя AWS CloudFormation, мы описываем политики guardrails как infrastructure-as-code, приводя примеры конфигураций, помогающих блокировать вредоносный контент.

Guardrails как код: CloudFormation

ChatbotGuardrail:
 Type: AWS::Bedrock::Guardrail
 Properties:
 Name: guardrail
 Description: Basic guardrail to block violence and harmful content.
 BlockedInputMessaging: "Input blocked by safety policy."
 BlockedOutputsMessaging: "Response blocked by safety policy."
 WordPolicyConfig:
 ManagedWordListsConfig:
 - Type: PROFANITY
 ContentPolicyConfig:
 FiltersConfig:
 - Type: HATE
 InputStrength: HIGH
 OutputStrength: HIGH
 OutputAction: BLOCK
 - Type: INSULTS
 InputStrength: HIGH
 OutputStrength: HIGH
 OutputAction: BLOCK
 - Type: SEXUAL
 InputStrength: HIGH
 OutputStrength: HIGH
 OutputAction: BLOCK
 - Type: VIOLENCE
 InputStrength: HIGH
 OutputStrength: HIGH
 OutputAction: BLOCK
 - Type: MISCONDUCT
 InputStrength: HIGH
 OutputStrength: HIGH
 OutputAction: BLOCK
 - Type: PROMPT_ATTACK
 InputStrength: NONE
 OutputStrength: NONE
 OutputAction: BLOCK

Программная проверка входных данных

Мы также отдельно используем Amazon Bedrock Guardrails для проверки необработанного пользовательского ввода перед передачей его в LLM, что помогает предотвращать prompt injection и другие злоупотребления:

Формулы и расчет
def validate_question_with_guardrail(question: str, user_data: UserData) -> bool:
    client = boto3.client('bedrock-runtime')
    response = client.apply_guardrail(
        guardrailIdentifier=settings.GUARDRAIL_ID,
        guardrailVersion='DRAFT',
        source='INPUT',
        content=[{'text': {'text': question}}]
    )

    if response.get("action") == "GUARDRAIL_INTERVENED":
        print(json.dumps(response, indent=4))
        print(
            f"Prompt was blocked. user_id=[{user_data.user_id}] question=[{question}]"
        )
        return False
return True

С такой схемой мы построили более безопасный, масштабируемый и объяснимый pipeline, который ответственно и эффективно использует Generative AI на всем протяжении жизненного цикла продуктовых отзывов.

Мониторинг

Мы отслеживаем компоненты приложения с помощью Amazon CloudWatch, который собирает сырые данные и преобразует их в понятные метрики near real-time. Мы включили model invocation logging, чтобы собирать invocation logs, model input data и model output data для вызовов, что обеспечивает сбор полных request data, response data и метаданных, связанных с вызовами. Amazon Bedrock также интегрируется с AWS CloudTrail, который фиксирует API calls к Amazon Bedrock как events. Это дает инсайты, которые можно использовать для дальнейшей оптимизации приложений, например для улучшения latency ответов или снижения затрат.

Следующие шаги

Это решение для анализа отзывов — лишь один из примеров того, как мы применяем generative AI в наших процессах, и оно знаменует начало, а не конец нашего пути к AI-native. В рамках AI-Native Umbrella Program, который служит единым источником истины для внедрения ИИ, наш следующий фокус — создать общую, надежную AI-основу с Amazon Bedrock. Предоставив стандартизированную инфраструктуру, безопасность и guardrails, мы хотим дать возможность каждой роли в департаменте — engineering, product и delivery (PM, PO, SM), UX/design и operations/support — безопасно и самостоятельно создавать собственные AI “spaces”, имея доступ к лучшим foundation models в классе. Такая схема призвана снизить порог для экспериментов, упростить discovery и поощрять практическое исследование use cases generative AI в повседневной работе. Так мы помогаем командам быстрее переходить от идей к эффекту, сохраняя единообразие, ответственность и масштабируемость AI-инициатив.

Если вы хотите масштабировать свои generative AI-приложения, начните с материала Architect a mature generative AI foundation on AWS, где подробнее разбираются базовые компоненты, ускоряющие полный lifecycle generative AI-приложения.

Материал — перевод статьи с английского.

Оригинал: How Hapag-Lloyd uses Amazon Bedrock to transform customer feedback into actionable insights

Подписаться на новости в Telegram