Ви запускаєте кол-центр і швидко виявляєте: типові оператори витрачають 80% часу на однотипні питання «де моє замовлення?», «забув пароль», «як повернути товар». При цьому 30% клієнтів кидають дзвінок, не дочекавшись відповіді. Класичний IVR з кнопками дратує всіх — середній CSAT таких систем 2.5/5. А живі оператори коштують дорого і не справляються з піками навантаження.
Рішення — AI-цифровий оператор (AI Call Center Agent), який розуміє неструктуроване мовлення, дивиться в CRM, вирішує 70‑80% звернень самостійно та ескалює лише ті, де потрібна людина. Ми розробляємо таких агентів під ключ: від проектування архітектури до deployment на ваших серверах або в хмарі.
Як AI-агент обробляє нестандартні запити?
Типова проблема — жорсткі скрипти. IVR зациклюється, якщо клієнт говорить не за сценарієм. AI-агент на основі LLM (GPT-4o, Claude 3.5) обробляє будь-які формулювання, витягує суть і діє. Ключовий механізм — function calling: модель викликає функції, підключені до CRM, бази знань або тікет-системи.
Наприклад, клієнт каже «замовлення 12345». Агент викликає get_order_status, отримує відповідь «в доставці, завтра до 18:00» і озвучує його. Якщо клієнт обурений — запускається ескалація. Весь контекст передається оператору: «Клієнт незадоволений затримкою, номер замовлення 12345, обіцяна дата вчора».
Чому ескалація критична для якості обслуговування?
Неправильна ескалація ламає CX. Занадто часта — агент марний. Рідка — клієнт злиться. Ми налаштовуємо порогові правила: тональність, ключові слова (скарга, повернення, юрист), повтор питання двічі. Модель приймає рішення з temperature 0.4 — мінімум випадкових відмов. У production ми використовуємо GPT-4o та Llama 3 для російськомовного контуру з донавчанням на історії дзвінків. Наш досвід впровадження в 50+ проектах показує, що AI-агент вирішує 70-80% звернень без участі людини.
Етапи розробки AI-агента
| Етап |
Що робимо |
Тривалість |
| Аналітика |
Аудит поточних дзвінків, визначення типових сценаріїв, збір 1000+ діалогів для навчання |
1–2 тижні |
| Проектування |
Архітектура інтеграцій (Twilio + CRM + база знань), вибір LLM, схема інструментів |
1 тиждень |
| Реалізація |
Написання коду агента, налаштування function calling, донавчання (LoRA, QLoRA), пайплайн MLOps |
4–5 тижнів |
| Тестування |
A/B тест на 500 дзвінках, замір CSAT, FCR, доопрацювання промптів та інструментів |
2 тижні |
| Деплой |
Розгортання на вашій інфраструктурі (Kubernetes, Sagemaker, Triton), моніторинг |
1 тиждень |
| Підтримка |
Гарантія 3 місяці, SLA на latency p99 < 2 сек, донавчання при зміні продуктів |
12 тижнів |
Що входить в роботу
- Документ архітектури рішення (HLD)
- Вибір та кастомізація LLM (GPT-4o, Llama 3, Qwen)
- Інтеграція з вашою телефонією (Twilio, Asterisk) та CRM
- Налаштування пайплайну CI/CD для ML-моделі (MLflow, Kubeflow)
- Інструмент моніторингу якості дзвінків (на базі Whisper + промптів)
- Навчання команди роботі з агентом
- Гарантія та SLA на 3 місяці
Порівняння AI-агента та людини-оператора
| KPI |
AI-агент |
Людина-оператор |
| AHT (Average Handle Time) |
3–6 хв |
5–12 хв |
| FCR (First Call Resolution) |
65–80% |
70–85% |
| CSAT |
3.8–4.3/5 |
4.2–4.7/5 |
| Обробка одночасно |
необмежено |
1 дзвінок |
| Вартість звернення |
$0.30–1.50 |
$5–15 |
| Доступність |
24/7/365 |
за розкладом |
Як ми забезпечуємо якість?
Наш досвід — 10+ років в AI/ML, понад 50 проектів впровадження NLP та Computer Vision. Ми використовуємо власну систему моніторингу, яка щоночі перераховує метрики і при падінні FCR на 5% автоматично запускає перенавчання промпта. Ми гарантуємо, що агент не розкриє системний промпт і не відмовить клієнту без причини (перевірка на red flags у кожному діалозі).
Строки та вартість
Базовий проект — 8 тижнів. Складний (2+ інтеграції, донавчання власної моделі) — до 12 тижнів. Вартість розраховується індивідуально і залежить від обсягу дзвінків, потрібної LLM та глибини кастомізації. Економія на операційних витратах сягає 70% — проект окупається за 3–6 місяців. Зв'яжіться з нами для оцінки вашого проекту — ми проаналізуємо лог дзвінків і запропонуємо рішення. Отримайте консультацію щодо впровадження AI-агента вже цього тижня. Замовте аналіз ваших логів дзвінків для індивідуальної пропозиції.
Розпізнавання та синтез мовлення: перша лінія проблеми
Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.
Типові технічні проблеми та їх усунення
WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.
Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.
Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.
Як вибрати ASR-модель під ваші дані?
| Модель |
WER (українська, чистий запис) |
WER (PSTN, кодек G.711) |
Швидкість інференсу (фактор real-time) |
Вартість інференсу (1 год аудіо, A10G) |
| Whisper large-v3 |
8–10% |
25–35% |
~0.1x (55 с на 40 хв) |
~$0.50 |
| Whisper medium |
12–15% |
30–40% |
~0.3x |
~$0.15 |
| Wav2Vec2 XLSR-53 |
15–18% |
28–35% |
~0.8x |
~$0.08 |
| Whisper large-v3 + fine-tune |
4–7% |
10–15% |
~0.1x |
~$0.50 |
faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.
Практичний приклад: fine-tuning Whisper на доменній лексиці
Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.
Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.
Як донавчити Whisper на доменних даних?
Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.
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,
)
При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.
Синтез мовлення: що обрати для вашого сценарію?
| Модель |
Латентність (TTFB) |
Натуральність MOS |
Клонування |
Мови |
| XTTS v2 |
1.2–2.0 с |
4.1–4.3 |
Так, 3 с референсу |
17 |
| StyleTTS2 |
0.3–0.6 с |
4.0–4.2 |
Так, вимагає адаптації |
en, + fine-tune |
| Kokoro-82M |
0.08–0.15 с |
3.7–3.9 |
Ні |
en, ja |
| Silero TTS |
0.05–0.1 с |
3.4–3.6 |
Ні |
ru, en, de, та ін. |
| Edge-TTS |
~0.4 с (cloud) |
4.0 |
Ні |
100+ |
Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.
Наш досвід та гарантії
10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.
Що входить у роботу з нами?
Клієнт отримує:
- Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
- Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
- Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
- Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)
Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.
Процес роботи та терміни
- Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
- Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
- Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
- Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
- Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).
Терміни:
- Базова інтеграція готової моделі – 1–2 тижні.
- Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
- Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.
Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.
