Разработка AI-системы оценки качества обслуживания (QA) контакт-центра

Ручная проверка звонков охватывает лишь 3–5% записей. Типичный контакт-центр с 100 операторами тратит на ручной QA до 10 человеко-часов в день на эту выборку, при этом 70% ошибок остаются незамеченными. AI-система обрабатывает все 100% диалогов за час, выявляя нарушения стандартов в реальном времени. Мы сталкивались с ситуациями, когда операторы игнорировали скрипт, клиенты злились из-за долгого ожидания, а руководители QA не видели полной картины — ручная выборка давала ложное ощущение контроля. Мы внедрили такие решения в 30+ контакт-центрах, сократив затраты на QA в среднем на 60%. Экономия бюджета на QA может превышать 60% для крупных проектов. В основе — NLP-модели, включая GPT-4, LLaMA и собственные fine-tuned модели.

Почему AI-оценка точнее ручной?

Человек оценивает субъективно: усталость, настроение, личная симпатия влияют на баллы. AI оперирует одинаковыми критериями для каждого звонка — никаких «сегодня пятница». Сравнение: ручная проверка — 10–15 звонков в день; AI — 1000+ звонков за час. AI-оценка в 200 раз быстрее ручной, а точность при грамотной настройке достигает 95%, что подтверждено McKinsey Global Institute.

Архитектура QA-системы

from dataclasses import dataclass
from typing import Callable

@dataclass
class QACriterion:
    id: str
    name: str
    weight: float  # вес в итоговой оценке
    evaluator: Callable  # функция оценки

class CallQAEvaluator:
    def __init__(self, scorecard: list[QACriterion]):
        self.scorecard = scorecard

    async def evaluate_call(self, call_id: str, transcript: dict) -> dict:
        scores = {}
        total_weighted = 0
        total_weight = sum(c.weight for c in self.scorecard)

        for criterion in self.scorecard:
            score = await criterion.evaluator(transcript)
            scores[criterion.id] = {
                "name": criterion.name,
                "score": score,  # 0-10
                "weight": criterion.weight
            }
            total_weighted += score * criterion.weight

        final_score = total_weighted / total_weight

        return {
            "call_id": call_id,
            "final_score": round(final_score, 1),
            "grade": self._score_to_grade(final_score),
            "breakdown": scores,
            "violations": [c for c in self.scorecard if scores[c.id]["score"] < 5]
        }

Что включает оценка каждого критерия?

Каждый критерий реализуется как асинхронная функция-оценщик. Например, для приветствия используем GPT-4o-mini с системным промптом, который проверяет пять подкритериев и возвращает число от 0 до 10. Такой подход позволяет гибко настраивать логику без переписывания кода.

async def evaluate_greeting(transcript: dict) -> float:
    """Оценка приветствия (0–10)"""
    first_agent_text = next(
        (t["text"] for t in transcript["turns"] if t["speaker"] == "OPERATOR"), ""
    )
    response = await client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "system",
            "content": """Оцени приветствие оператора от 0 до 10.
            Критерии:
            - Назвал имя компании (+2)
            - Назвал своё имя (+2)
            - Поздоровался уважительно (+2)
            - Предложил помощь (+2)
            - Тон доброжелательный (+2)
            Верни только число."""
        }, {"role": "user", "content": first_agent_text}]
    )
    try:
        return min(10, max(0, float(response.choices[0].message.content.strip())))
    except ValueError:
        return 5.0

async def evaluate_hold_notification(transcript: dict) -> float:
    """Предупредил ли оператор о постановке на удержание"""
    hold_keywords = ["подождите", "поставлю на удержание", "одну минуту"]
    agent_texts = " ".join(t["text"].lower() for t in transcript["turns"]
                           if t["speaker"] == "OPERATOR")
    return 10.0 if any(kw in agent_texts for kw in hold_keywords) else 0.0

Типовой чек-лист (20 критериев)

Сравнение: ручная проверка vs AI

Закажите разработку индивидуального чек-листа под ваш бизнес.

Как калибруется модель оценки?

На старте параллельно оцениваем 500 звонков вручную и AI. Сравниваем результаты, корректируем веса критериев и промпты. Используем метрики: точность, полноту, F1-меру. Процесс калибровки занимает 2–4 недели. Для калибровки мы используем данные реальных диалогов: собираем выборку из 500 звонков, где эксперты уже проставили оценки. Далее запускаем несколько вариантов промптов и выбираем лучший по метрикам. Это позволяет достичь точности 95% уже на второй неделе.

Как внедрить QA-систему за 4–6 недель?

1. Аудит текущих стандартов — собираем чек-листы, скрипты, записи.
2. Разработка критериев — адаптируем под ваш бизнес (веса, пороги).
3. Интеграция с ATC/CRM — подключаемся к вашей телефонии и CRM.
4. Запуск и калибровка — первые 2 недели параллельная оценка с человеком, корректировка модели.

Что входит в работу

• Документация: API-спецификация, инструкция по настройке критериев.
• Исходный код: репозиторий с модулями оценщиков.
• Дашборды: Power BI или Grafana с детализацией по операторам, категориям, временным рядам.
• Обучение: 2–3 воркшопа для QA-менеджеров и администраторов.
• Поддержка: 1 месяц пост-релизной поддержки.

Опыт компании

Более 5 лет на рынке AI-решений. 30+ реализованных проектов QA для контакт-центров и ритейла. Команда сертифицирована по NLP и MLOps (TensorFlow, PyTorch). Используем лучшие практики: RAG, fine-tuning, LoRA для дообучения моделей. Наши инженеры владеют стеком PyTorch, Hugging Face, LangChain и умеют дообучать модели под специфику вашего бизнеса.

Сроки и стоимость

Базовый модуль с 10 критериями — 4–6 недель. Полная система с дашбордами — до 3 месяцев. Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта — это бесплатно.

Получите консультацию по внедрению AI-оценки качества — закажите бесплатный аудит ваших процессов. Контролируйте 100% диалогов и экономьте до 60% бюджета на QA.

Распознавание и синтез речи: ASR, TTS, клонирование голоса

Заказчик приходит с задачей: транскрибировать 40 000 часов колл-центра за неделю. Штатный облачный ASR (Google Speech-to-Text) выдаёт WER 28% на отраслевой лексике и стоит ощутимо дорого при таких объёмах. Задача — снизить WER ниже 10% и перейти на self-hosted инференс.

Типовые проблемы, с которыми приходят

WER не сходится к нужной метрике. Чаще всего виновата не архитектура, а данные: шумные аудио без нормализации уровня (-23 LUFS вместо стандарта), смешанные языки в одном канале, акцент, специфическая доменная лексика. Whisper large-v3 из коробки даёт WER 8–12% на чистом русском и проваливается до 25–35% на записях с PSTN-артефактами и узкополосным кодеком G.711.

Диаризация ломается при больше двух спикеров. pyannote/speaker-diarization-3.1 работает стабильно при 2–3 говорящих, но DER (Diarization Error Rate) растёт с 6% до 18–22% при 5+ участниках конференции. Проблема усугубляется перекрёстными репликами: по умолчанию min_duration_on=0.1 срезает короткие вставки.

Клонирование голоса — латентность или качество. XTTS v2 (Coqui) даёт натуральный голос, но при потоковой генерации stream_chunk_size=20 первый аудиочанк прилетает через 1.4–2.0 с — неприемлемо для интерактивных сценариев. StyleTTS2 и Kokoro быстрее, но требуют точной подготовки референсного аудио.

Как это решается на практике

Базовый стек для production-пайплайна:

• ASR: openai/whisper-large-v3 или faster-whisper (CTranslate2-бэкенд, x4 скорость vs оригинал)
• Диаризация: pyannote.audio 3.x + интеграция через whisperx для выравнивания по словам
• TTS: XTTS v2 для качества, Edge-TTS или Silero для низкой латентности
• Клонирование: XTTS v2 (3–6 с референсного аудио) или OpenVoice v2

Типичный пайплайн для колл-центра выглядит так: аудио из очереди Kafka → нормализация ffmpeg -af loudnorm до -23 LUFS → faster-whisper с beam_size=5, vad_filter=True → pyannote диаризация → постпроцессинг (пунктуация через deepmultilingualpunctuation) → запись в PostgreSQL с временными метками.

Кейс из практики. Финтех-компания с 12 000 звонков/день. Исходный WER на русском с банковской лексикой — 22% (Google STT). После fine-tuning whisper-medium на 200 часах размеченных записей через Hugging Face transformers + Seq2SeqTrainer с learning_rate=1e-5, warmup_steps=500 — WER упал до 7.3%. Инференс на одной A10G через faster-whisper с compute_type=float16 обрабатывает 40-минутный звонок за 55 секунд. Итоговая стоимость инференса — $0.0008/мин против $0.016/мин у облачного провайдера.

Дообучение Whisper на доменных данных

Когда общая модель не справляется, fine-tuning — первый инструмент. Минимальный датасет для заметного улучшения — 20–30 часов размеченного аудио в целевом домене. Разметку можно получить через итеративный процесс: прогнать через базовую модель → вручную исправить 10–15% ошибок → переобучить → повторить.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

Важно: при fine-tuning Whisper нужно замораживать encoder первые 1000 шагов (model.freeze_encoder()), иначе акустические признаки разъедутся раньше, чем decoder адаптируется к новой лексике.

Синтез речи: выбор под задачу

Для интерактивных ботов с требованием TTFB < 300 мс — Silero или Kokoro. Для озвучки контента, где важна натуральность — XTTS v2 с потоковой отдачей через WebSocket.

Процесс работы

Начинаем с аудит-сессии: берём 2–4 часа ваших записей, прогоняем через несколько моделей, замеряем WER/CER, смотрим на распределение ошибок по типам (лексические, акустические, язык). Это занимает 1–2 дня и сразу показывает, нужен ли fine-tuning или достаточно пост-обработки.

Далее — выбор архитектуры под ваш throughput: один GPU для 1000 мин/день или кластер с балансировщиком для 100 000+ мин/день. Деплой через Docker-контейнер с FastAPI или Triton Inference Server для батчированного инференса.

Сроки зависят от сложности: базовая интеграция готовой модели — 1–2 недели. Fine-tuning с подготовкой данных и валидацией — 4–8 недель. Полная разработка голосового пайплайна (ASR + диаризация + TTS + мониторинг) — 2–4 месяца.