Iniciar una prueba de concepto
Casos de estudio /
Fabricación de herramientas de telecomunicaciones como CATV, fibra óptica, domótica, seguridad y alarmas, y mercados eléctricos.

/

Jonard Tools

Fabricación de herramientas de telecomunicaciones como CATV, fibra óptica, domótica, seguridad y alarmas, y mercados eléctricos.

Creación de un asistente de recomendación personalizado para Jonard Tools

Zero
Service interruption — full feature continuity through cutover
1000s
Agent interactions auto-validated for model parity, no manual QA
Live
Heartbeat agent shipped to production before migration completed
Reserve una llamada de evaluación
Descargar caso práctico
Cliente

Jonard Tools

Ubicación

Elmsford, Nueva York

Industria

Fabricación de herramientas de telecomunicaciones como CATV, fibra óptica, domótica, seguridad y alarmas, y mercados eléctricos.

Servicios y tecnología

AWS Sagemaker, AWS Cloudwatch, AWS Bedrock, Amazon API Gateway, Amazon RDS Etiquetas: Asistente de recomendación inteligente, GenAi, Telecomunicaciones, Procesamiento de datos

Resumen del proyecto

Jonard Tools, líder en la fabricación de herramientas para los mercados de telecomunicaciones, CATV, fibra óptica, domótica, seguridad y alarmas, y electricidad, buscaba crear un asistente de recomendación personalizado para sugerir el conjunto de herramientas adecuado para cualquier tarea dada a sus clientes. Al aprovechar los servicios de IA de AWS, Jonard Tools pretendía impulsar las recomendaciones de productos, automatizar los procesos y agilizar la atención al cliente mediante modelos de generación aumentada de recuperación (RAG) en AWS Bedrock y SageMaker. Avahi, un socio de nivel avanzado de AWS, fue contratado para ayudar a Jonard Tools en esta trayectoria transformadora.

Acerca del cliente

El problema

Jonard Tools se enfrentó a varios retos a la hora de proporcionar recomendaciones de productos personalizadas y una atención al cliente eficiente:

  • Personalización: Creación de un sistema de recomendación que sugiera las herramientas adecuadas en función de las tareas específicas y las preferencias del cliente.
  • Automatización: Automatización del proceso de recomendación de productos para reducir los esfuerzos manuales y aumentar la eficiencia.
  • Escalabilidad: Construcción de una infraestructura capaz de gestionar grandes volúmenes de datos y consultas de usuarios.
  • Atención al cliente: Agilización de la atención al cliente para responder de forma rápida y precisa a las consultas de los clientes.

¿Por qué AWS?

Componentes clave

1. Adquisición y almacenamiento de datos

  • Amazon S3: Se utiliza para almacenar documentos de entrada, datos de productos y otros activos. La escalabilidad y durabilidad de S3 garantizan una gestión eficiente de grandes volúmenes de datos.
  • Amazon RDS: Proporcionó un servicio de base de datos gestionado y escalable para almacenar datos estructurados de usuarios y productos.

2. Procesamiento basado en eventos

  • AWS Lambda: Desplegado para ejecutar funciones basadas en eventos que procesan datos y gestionan varias etapas del canal de recomendación. Las funciones Lambda se utilizaron para obtener documentos de productos, crear y actualizar incrustaciones y gestionar el procesamiento de datos en tiempo real.

3. Aprendizaje automático e IA

  • AWS SageMaker: Se utiliza para desarrollar, entrenar y desplegar modelos de aprendizaje automático. SageMaker fue clave en la creación de los modelos de recomendación y en la gestión del procesamiento inteligente de las consultas de los usuarios.
  • AWS Bedrock: Empleado para servicios de IA generativa gestionados y escalables, lo que garantiza un despliegue de modelos de IA eficiente y robusto.

4. Gestión de API

  • Amazon API Gateway: Proporcionó un servicio gestionado para crear, publicar, mantener y proteger las API. Esto facilitó una comunicación fluida entre las aplicaciones front-end y los servicios back-end.

5. Supervisión y registro

  • AWS CloudWatch: Se implementó para una monitorización y un registro integrales. CloudWatch proporcionó información en tiempo real sobre el rendimiento del sistema, las interacciones del usuario y el estado de los modelos implementados.

Flujo de trabajo de la solución

  • Ingesta de datos: Jonard Tools proporcionó datos de entrada, incluidos documentos de productos y preferencias de usuario, que se ingirieron en Amazon S3.
  • Procesamiento de datos: Se activaron funciones de AWS Lambda para procesar los datos ingeridos, creando y actualizando incrustaciones para los documentos de los productos.
  • Entrenamiento y despliegue de modelos: Utilizando AWS SageMaker, se entrenaron modelos de aprendizaje automático con datos procesados para generar recomendaciones personalizadas.
  • Acceso a la API: Los modelos entrenados y la lógica de recomendación se expusieron a través de las API gestionadas por Amazon API Gateway, lo que permitió a las aplicaciones front-end interactuar con los servicios back-end.
  • Supervisión y comentarios: AWS CloudWatch supervisó el rendimiento del sistema y las interacciones de los usuarios, proporcionando información valiosa para la mejora continua.

Solución

Avahi propuso una arquitectura de solución integral que aprovechaba varios servicios de AWS para abordar estos retos. El objetivo era desarrollar un asistente de recomendación inteligente de extremo a extremo que pudiera proporcionar recomendaciones y soporte personalizados a los clientes de Jonard Tools.

Resultados clave

Impacto del proyecto

Resultados impulsados por el impacto

Experiencia del cliente mejorada – El asistente de recomendación inteligente mejoró significativamente la experiencia del cliente al proporcionar recomendaciones de herramientas personalizadas y abordar de forma eficiente las consultas de los clientes. Esto condujo a una mayor satisfacción y fidelidad del cliente.

Eficiencia operativa – Al automatizar las recomendaciones de productos y la atención al cliente, Jonard Tools observó una reducción de los esfuerzos manuales y de los costes operativos. El eficiente procesamiento de datos y los modelos de aprendizaje automático garantizaron que los clientes recibieran sugerencias precisas y oportunas.

Escalabilidad y preparación para el futuro – La arquitectura diseñada por Avahi garantizó que la plataforma de Jonard Tools fuera escalable y estuviera preparada para futuras mejoras. La integración de los servicios de AWS proporcionó una base sólida para gestionar el aumento de las cargas de usuarios y las funcionalidades adicionales en el futuro.

Información detallada y análisis – El despliegue de AWS CloudWatch y otras herramientas de supervisión proporcionó a Jonard Tools información detallada sobre el comportamiento de los usuarios, el rendimiento de los modelos y el estado del sistema. Estos análisis fueron cruciales para la mejora continua y la optimización de la plataforma.

Conclusión

La colaboración entre Jonard Tools y Avahi condujo al desarrollo exitoso de un asistente de recomendación personalizado. Al aprovechar los servicios de AWS, Jonard Tools pudo mejorar su experiencia del cliente, mejorar la eficiencia operativa y construir una plataforma escalable preparada para el crecimiento futuro. La experiencia de Avahi en soluciones de AWS desempeñó un papel fundamental en esta transformación, demostrando el poder de la IA generativa y el aprendizaje automático para impulsar el éxito empresarial.

Su migración, sin riesgos

¿Va a dejar Azure o está planeando su propia migración de IA empresarial?

Avahi lleva a las empresas desde la idea hasta la producción en AWS en cuestión de semanas, no meses, con una paridad validada y transiciones sin tiempo de inactividad. Permítanos evaluar su proyecto.
Reserve su taller gratuito de IA de activación
Explorar servicios de migración a la nube

Seguir leyendo

Más historias sobre sanidad y migración

Ver todos los casos prácticos

Creación de un asistente de recomendación personalizado para Jonard Tools

Cliente

Jonard Tools

Ubicación

Elmsford, Nueva York

Industria

Fabricación de herramientas de telecomunicaciones como CATV, fibra óptica, domótica, seguridad y alarmas, y mercados eléctricos.

Servicios y tecnología

AWS Sagemaker, AWS Cloudwatch, AWS Bedrock, Amazon API Gateway, Amazon RDS Etiquetas: Asistente de recomendación inteligente, GenAi, Telecomunicaciones, Procesamiento de datos

Resumen del proyecto

Jonard Tools, líder en la fabricación de herramientas para los mercados de telecomunicaciones, CATV, fibra óptica, domótica, seguridad y alarmas, y electricidad, buscaba crear un asistente de recomendación personalizado para sugerir el conjunto de herramientas adecuado para cualquier tarea dada a sus clientes. Al aprovechar los servicios de IA de AWS, Jonard Tools pretendía impulsar las recomendaciones de productos, automatizar los procesos y agilizar la atención al cliente mediante modelos de generación aumentada de recuperación (RAG) en AWS Bedrock y SageMaker. Avahi, un socio de nivel avanzado de AWS, fue contratado para ayudar a Jonard Tools en esta trayectoria transformadora.

El problema

Jonard Tools se enfrentó a varios retos a la hora de proporcionar recomendaciones de productos personalizadas y una atención al cliente eficiente:

  • Personalización: Creación de un sistema de recomendación que sugiera las herramientas adecuadas en función de las tareas específicas y las preferencias del cliente.
  • Automatización: Automatización del proceso de recomendación de productos para reducir los esfuerzos manuales y aumentar la eficiencia.
  • Escalabilidad: Construcción de una infraestructura capaz de gestionar grandes volúmenes de datos y consultas de usuarios.
  • Atención al cliente: Agilización de la atención al cliente para responder de forma rápida y precisa a las consultas de los clientes.

Por qué AWS

Componentes clave

1. Adquisición y almacenamiento de datos

  • Amazon S3: Se utiliza para almacenar documentos de entrada, datos de productos y otros activos. La escalabilidad y durabilidad de S3 garantizan una gestión eficiente de grandes volúmenes de datos.
  • Amazon RDS: Proporcionó un servicio de base de datos gestionado y escalable para almacenar datos estructurados de usuarios y productos.

2. Procesamiento basado en eventos

  • AWS Lambda: Desplegado para ejecutar funciones basadas en eventos que procesan datos y gestionan varias etapas del canal de recomendación. Las funciones Lambda se utilizaron para obtener documentos de productos, crear y actualizar incrustaciones y gestionar el procesamiento de datos en tiempo real.

3. Aprendizaje automático e IA

  • AWS SageMaker: Se utiliza para desarrollar, entrenar y desplegar modelos de aprendizaje automático. SageMaker fue clave en la creación de los modelos de recomendación y en la gestión del procesamiento inteligente de las consultas de los usuarios.
  • AWS Bedrock: Empleado para servicios de IA generativa gestionados y escalables, lo que garantiza un despliegue de modelos de IA eficiente y robusto.

4. Gestión de API

  • Amazon API Gateway: Proporcionó un servicio gestionado para crear, publicar, mantener y proteger las API. Esto facilitó una comunicación fluida entre las aplicaciones front-end y los servicios back-end.

5. Supervisión y registro

  • AWS CloudWatch: Se implementó para una monitorización y un registro integrales. CloudWatch proporcionó información en tiempo real sobre el rendimiento del sistema, las interacciones del usuario y el estado de los modelos implementados.

Flujo de trabajo de la solución

  • Ingesta de datos: Jonard Tools proporcionó datos de entrada, incluidos documentos de productos y preferencias de usuario, que se ingirieron en Amazon S3.
  • Procesamiento de datos: Se activaron funciones de AWS Lambda para procesar los datos ingeridos, creando y actualizando incrustaciones para los documentos de los productos.
  • Entrenamiento y despliegue de modelos: Utilizando AWS SageMaker, se entrenaron modelos de aprendizaje automático con datos procesados para generar recomendaciones personalizadas.
  • Acceso a la API: Los modelos entrenados y la lógica de recomendación se expusieron a través de las API gestionadas por Amazon API Gateway, lo que permitió a las aplicaciones front-end interactuar con los servicios back-end.
  • Supervisión y comentarios: AWS CloudWatch supervisó el rendimiento del sistema y las interacciones de los usuarios, proporcionando información valiosa para la mejora continua.

Solución

Avahi propuso una arquitectura de solución integral que aprovechaba varios servicios de AWS para abordar estos retos. El objetivo era desarrollar un asistente de recomendación inteligente de extremo a extremo que pudiera proporcionar recomendaciones y soporte personalizados a los clientes de Jonard Tools.

Explore nuestros servicios

¿Listo para transformar su negocio con la IA?

Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita