Как это делается / Прикладная лингвистика

Как уследить за качеством работы колл-центра, если в нем работают десятки сотрудников? Петербургская компания Voisi создала программный продукт, который расшифровывает и анализирует телефонные переговоры с клиентами.

Представьте, что вам нужно получить по телефону какую-то услугу: записаться в автосервис или к врачу, заказать в интернет-магазине торт к праздничному столу. Телефонистка соединяет вас с менеджером, и вы вдруг с неприятной отчетливостью понимаете, что менеджер хамит. Или, что не лучше, не знает, есть ли у него такой товар или время у врача. Вы бросаете трубку и клянетесь себе, что больше в этот сервис, банк, магазин не обратитесь. Компания теряет клиента. А если таких менеджеров много, то много клиентов.

А теперь допустим, что компания может быстро вычислить, кто напортачил. Тогда нерадивого работника быстро уберут, с клиентами будет беседовать компетентный специалист и в этом месте бизнеса проблемы не будет.

Но колл-центры принимают сотни звонков в день. Значит, чтобы контролировать работу сотрудников, надо прослушивать и расшифровывать сотни часов телефонных переговоров. Однако в ручном режиме можно прослушать немного звонков, поскольку на прослушивание разговоров уходит больше времени, чем длится запись. То есть, чтобы обработать 100% звонков, надо набрать больше людей, чем работает в колл-центре.

Вот если бы у службы проверки качества телефонных разговоров была программа, которая переводила бы устную речь в текст и анализировала абсолютно все разговоры, вычленяя проблемные. Сколько времени и денег она бы сэкономила! Да и менеджеры стали бы эффективнее работать, если бы знали, что за каждым их шагом следит умная машина.

Такие программы уже есть. Одну из них разработала компания Voisi из Санкт-Петербурга.

Буквы, а не звуки

Константина Фируна, одного из основателей компании Voisi, всегда удивляло, почему люди не сохраняют телефонные разговоры. «Никто же не удаляет имейлы! Вы письмо открыли, прочитали и сохранили, чтобы не держать в голове. А чем речь отличается от текста? Такая же информация. Поэтому я всегда записывал разговоры на телефон: мне не нравится запоминать то, что мне говорят»,— рассказывает Константин.

Но с текстом все же удобнее работать, чем с аудиозаписью, следовательно, речь устную надо было превратить в письменную. Так родилась тема магистерской диссертации, которую Константин писал на кафедре компьютерных технологий ИТМО (Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики). Работа была посвящена системе распознавания телефонных разговоров.

«Тогда, в 2009-м, еще не было доступных массовых сервисов распознавания речи ни у Google, ни у "Яндекса", а то, что было на рынке, оставляло желать лучшего. И я сделал прототип продукта, который расшифровывает телефонные записи и позволяет по ним искать аналогично имейлам. Я тогда уже понимал, что у этой технологии большое будущее»,— говорит Фирун.

Теоретическая работа для магистратуры сопровождалась решением практических задач в стартапе «Медиа-инсайт», где тогда работал Константин. Новаторство заключалось в том, что для обработки звука команда использовала видеокарты, а не центральный процессор, хотя в то время считалось, что на видеокартах можно только графику просчитывать.

«В компании "Медиа-инсайт" я впервые увидел, что видеокарты можно использовать для решения прикладных вычислительных задач. Распознавание речи, как и любого другого образа, требует производительных процессоров с большой и быстрой памятью. У видеокарты памяти не так много, но она намного быстрее, чем у обычного процессора. Процессор видеокарт по тактовой частоте тоже уступает обычному компьютерному, но в нем намного больше ядер, что позволяет распараллеливать процесс намного эффективнее, чем на обычном процессоре»,— объясняет Фирун.

Благодаря видеокартам обработка звука шла быстрее, чем у конкурентов. В результате получилась промышленная технология, которая существенно ускоряла и удешевляла процесс распознавания речи. «Нашей идеей впоследствии воспользовалась куча компаний, но мы были первыми,— подчеркивает Константин.— Мы неплохо зарабатывали на оцифровке медиаархивов зарубежных телерадиокомпаний, однако потребителей в России наш продукт не нашел».

Смысл, а не буквы

С 2011 года Константин Фирун разрабатывает собственную технологию распознавания речи, позволяющую автоматизировать контроль за работой контакт-центров. «В начале 2014-го нас взял под крыло выпускник нашего университета. Он инвестировал в наши речевые технологии и продукты на их базе. Так родилась компания Voisi». Сегодня технология уже существует в виде программного продукта, пользователь может получить комплексную услугу.

Большая часть алгоритмической базы распознавания речи известна с середины 1980-х и хорошо описана в научной литературе. В последние годы исследователи вели гонку за улучшение качества и скорости работы этих технологий, но результаты улучшались не так значительно, как в конце ХХ века.

«Мы сфокусировались на библиотеках с открытым исходным кодом (программное обеспечение, которое предоставляется с открытым исходным кодом и которое каждый может отредактировать под свои цели — примерно как "Википедия", которую каждый может дополнить), которые стали стандартом де-факто для разработчиков речевых технологий. Нам удалось ускорить работу этих библиотек и сделать их стабильнее. А для ускорения их работы мы использовали вычисления на видеокартах. По сути, это был технологический прорыв: десять лет назад такой способ казался экзотикой, хотя сегодня использование видеокарт для просчета задач, не связанных с компьютерной графикой, становится все более популярным»,— объясняет Константин.

Похожий сервис предлагают и другие компании, в том числе интернет-гиганты: письменное распознавание речи есть и у Google, и у Apple, с прошлого года у Amazon есть платная услуга Transcribe, переводящая речь в текст, существует множество небольших бесплатных сервисов вроде dictation.io или speechpad.ru.

Но у Voisi есть важные отличия. Во-первых, набор тематических словарей: в автосалоне, например, совершенно иной набор терминов, нежели в больнице. Со словарем, адаптированным под определенные темы, качество распознавания речи существенно повышается. Сейчас компания использует только русский и английский языки, но уже идет работа над интеграцией европейских: Voisi планирует выходить на мировой рынок.

Во-вторых, Voisi обрабатывает данные не только по облачной модели на собственных серверах, но и на серверах заказчика. Это важно для банков, которые должны хранить персональные данные клиентов в своей компьютерной сети. Кроме того, Voisi не требует для своих услуг высокомощных серверов — достаточно обычных персональных компьютеров, которых много в любом офисе. А это значит, не нужно закупать дорогое оборудование.

В-третьих, не все конкуренты Voisi предлагают заказчику полнотекстовую расшифровку. Многие ограничиваются тем, что вычленяют в разговорах ключевые слова. Voisi полностью расшифровывает телефонные разговоры, превращая их в текст в форме диалога. По этим текстам можно вести поиск.

«Мы считаем, что заказчики должны проверить, как работает наш продукт, причем бесплатно, без ограничения по срокам и размеру записей,— указывает еще на одно преимущество своей компании Константин Фирун.— Технологии распознавания образов, в частности речи,— это вероятностные технологии, поэтому при работе с ними невозможно прогнозировать, какой будет точность. Недавно, например, нам загрузили запись, где звонят узбеки, которые плохо говорят по-русски. Программа выявила в их речи только ключевые слова. Поэтому мы всегда проводим тестирование, чтобы и мы, и клиенты были уверены, что все работает в соответствии с их требованиями».

Сейчас Voisi ведет несколько тестирований в автосалонах, строительных компаниях, риэлторских агентствах.

«Через полтора-два квартала мы планируем выйти на самоокупаемость. У нас уже есть клиенты, которые нам платят, в частности компания iGoods — сервис доставки продуктов в Москве, Санкт-Петербурге и других городах России, банк "Оранжевый", работающий в Москве и Петербурге. Нашей системой заинтересовались крупные ритейловые и логистические сети, перед которыми остро стоит задача речевой аналитики. Им не нужно объяснять, зачем нужен такой продукт, потому что они сами его ищут»,— заключает Константин Фирун.

Елена Туева