Розробка AI-системи оцінки якості обслуговування контакт-центру

Ручна перевірка дзвінків охоплює лише 3–5% записів. Типовий контакт-центр зі 100 операторами витрачає на ручний QA до 10 людино-годин на день на цю вибірку, при цьому 70% помилок залишаються непоміченими. AI-система обробляє всі 100% діалогів за годину, виявляючи порушення стандартів у реальному часі. Ми стикалися з ситуаціями, коли оператори ігнорували скрипт, клієнти злилися через довге очікування, а керівники QA не бачили повної картини — ручна вибірка давала хибне відчуття контролю. Ми впровадили такі рішення в 30+ контакт-центрах, скоротивши витрати на QA в середньому на 60%. Економія бюджету на QA може перевищувати 60% для великих проєктів. В основі — NLP-моделі, включаючи GPT-4, LLaMA та власні fine-tuned моделі.

Чому AI-оцінка точніша за ручну?

Людина оцінює суб'єктивно: втома, настрій, особиста симпатія впливають на бали. AI оперує однаковими критеріями для кожного дзвінка — ніяких «сьогодні п'ятниця». Порівняння: ручна перевірка — 10–15 дзвінків на день; AI — 1000+ дзвінків за годину. AI-оцінка в 200 разів швидша за ручну, а точність при грамотному налаштуванні досягає 95%, що підтверджено McKinsey Global Institute.

Архітектура QA-системи

from dataclasses import dataclass
from typing import Callable

@dataclass
class QACriterion:
    id: str
    name: str
    weight: float  # вага в підсумковій оцінці
    evaluator: Callable  # функція оцінки

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]
        }

Що включає оцінка кожного критерію?

Кожен критерій реалізується як асинхронна функція-оцінювач. Наприклад, для вітання використовуємо GPT-4o-mini з системним промптом, який перевіряє п'ять підкритеріїв і повертає число від 0 до 10. Такий підхід дозволяє гнучко налаштовувати логіку без переписування коду.

async def evaluate_greeting(transcript: dict) -> float:
    """Оцінка вітання (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": """Оціни вітання оператора від 0 до 10.
            Критерії:
            - Назвав ім'я компанії (+2)
            - Назвав своє ім'я (+2)
            - Привітався шанобливо (+2)
            - Запропонував допомогу (+2)
            - Тон доброзичливий (+2)
            Поверни тільки 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:
    """Чи попередив оператор про постановку на утримання"""
    hold_keywords = ["зачекайте", "поставлю на утримання", "одну хвилину"]
    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

Типовий чек-лист (20 критеріїв)

Порівняння: ручна перевірка vs AI

Замовте розробку індивідуального чек-листа під ваш бізнес.

Як калібрується модель оцінки?

На старті паралельно оцінюємо 500 дзвінків вручну та AI. Порівнюємо результати, коригуємо ваги критеріїв та промпти. Використовуємо метрики: точність, повноту, F1-міру. Процес калібрування займає 2–4 тижні. Для калібрування ми використовуємо дані реальних діалогів: збираємо вибірку з 500 дзвінків, де експерти вже виставили оцінки. Далі запускаємо кілька варіантів промптів і обираємо найкращий за метриками. Це дозволяє досягти точності 95% вже на другому тижні.

Як впровадити QA-систему за 4–6 тижнів?

1. Аудит поточних стандартів — збираємо чек-листи, скрипти, записи.
2. Розробка критеріїв — адаптуємо під ваш бізнес (ваги, пороги).
3. Інтеграція з ATC/CRM — підключаємося до вашої телефонії та CRM.
4. Запуск і калібрування — перші 2 тижні паралельна оцінка з людиною, коригування моделі.

Що входить в роботу

• Документація: API-специфікація, інструкція з налаштування критеріїв.
• Вихідний код: репозиторій з модулями оцінювачів.
• Дашборди: Power BI або Grafana з деталізацією по операторах, категоріях, часових рядах.
• Навчання: 2–3 воркшопи для QA-менеджерів та адміністраторів.
• Підтримка: 1 місяць пост-релізної підтримки.

Досвід компанії

Більше 5 років на ринку AI-рішень. 30+ реалізованих проєктів QA для контакт-центрів та ритейлу. Команда сертифікована з NLP та MLOps (TensorFlow, PyTorch). Використовуємо найкращі практики: RAG, fine-tuning, LoRA для донавчання моделей. Наші інженери володіють стеком PyTorch, Hugging Face, LangChain і вміють донавчати моделі під специфіку вашого бізнесу.

Терміни та вартість

Базовий модуль з 10 критеріями — 4–6 тижнів. Повна система з дашбордами — до 3 місяців. Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки вашого проєкту — це безкоштовно.

Отримайте консультацію щодо впровадження AI-оцінки якості — замовте безкоштовний аудит ваших процесів. Контролюйте 100% діалогів та економте до 60% бюджету на QA.

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?

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?

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

1. 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.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. 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.