הפעלת מוקדי טלפון חכמים יותר עם תובנות מונעות בינה מלאכותית

פתרון

תוך מינוף טכניקות מתקדמות של עיבוד שפה טבעית (NLP), יושמו הפתרונות הבאים:

איסוף נתונים

• 250 שעות של נתוני אודיו מפוצלים למכסות ספציפיות לדיאלקט.
  
  • אנגלית אמריקאית (30% או 75 שעות)
  • אנגלית בבריטניה (30% או 75 שעות)
  • אנגלית אוסטרלית (20% או 50 שעות)
  • אנגלית הודית (20% או 50 שעות)
• משתמשי מבטא מקומיים מארה"ב, בריטניה, אוסטרליה והודו.
• דגימות דיבור המכילות גוונים משתנים, עם התמקדות מיוחדת במקרים שבהם רגש הקול כועס וסנטימנט הטקסט אינו מרוצה או מאוד לא מרוצה.

סיווג טקסט/ביאור

• ביאור של רגשות ותחושות על סמך קטגוריות ספציפיות:
  
  • רגש אודיו: שמח, ניטרלי, כועס.
  • סנטימנט תמלול: מאוד לא מרוצה, לא מרוצה, ניטרלי, מרוצה, מאוד מרוצה.
• כל קטע שמע הכיל רק רגש ראשוני אחד.
• קטעי עיכוב משתנים (מ-2 עד 30 שניות) הוחלו בתוך שיחות.
• פורמט התמלול עקב אחר פלט JSON, כולל מידע על הרמקול השמאלי והימני, תגי סנטימנט וסנטימנט מקטע אחרון.

בקרת איכות

דיוק תמלול:

• ודא ש-250 שעות אודיו נמסרו עם מינימום של:
  
  • דיוק של 90% שיעור שגיאות תמלול (TER).
  • דיוק של 95% שיעור זיהוי מילים (WER).

תהליך QA:

• נערכו ביקורות סדירות של דגימות שנבחרו באקראי מתוך מערך הנתונים.
  
  • השתמש בכלים אוטומטיים למדידת TER ו-WER על פני מערך הנתונים.
  • סקירה ידנית של קטעים מסומנים הבטיחה עמידה בספי הדיוק.