Проблема: ручна обробка дзвінків — вузьке горлечко
Уявіть: ви керівник колл-центру на 50 операторів. Щодня — 500 дзвінків, середня тривалість 4 хвилини. Щоб оцінити якість, потрібно прослухати хоча б 10% — це 200 хвилин на день. Після кожного дзвінка менеджер заповнює звіт — ще 5 хвилин. Помноживши на 500 дзвінків, отримуємо 41 годину на місяць на звіти. AI робить все це за секунди. Ми впровадили такі рішення для 10+ проектів, обробивши понад 500 000 дзвінків і скоротивши час аналізу на 70%. Ви витрачаєте години на прослуховування записів, щоб виявити проблеми у сценаріях або оцінити якість роботи. Помилки менеджерів залишаються непоміченими, а клієнти йдуть. Ми автоматизуємо цей процес за допомогою AI-інтеграції, що дає скорочення витрат на ручний аналіз до 80%.
Які завдання вирішуємо?
- Транскрипція та аналіз тональності: після кожного дзвінка автоматично отримуємо текст, визначаємо емоційне забарвлення (позитив/негатив/нейтрально) та виділяємо ключові теми.
- Розумна маршрутизація: AI аналізує історію звернень і передбачає, який відділ краще впорається із запитом — дзвінок перенаправляється ще до з'єднання.
- Пошук по записах: весь архів стає пошуковим — знайшли згадку конкурента за місяць? Пара запитів в Elasticsearch.
Як ми це робимо: архітектура та стек
Post-call аналіз (швидкий старт):
Завершённый звонок → Webhook от АТС → Скачивание записи → STT (Whisper или Vosk) → NLP (spaCy + transformers) → CRM Real-time обробка (через SIP-транк):
Звонок → АТС → SIP-транк → Media Gateway (RTP → PCM) → AI Server (VAD + ASR + NLU) → Ответное действие (маршрутизация/подсказка) Для розгортання використовуємо:
- Моделі: OpenAI Whisper (large-v3), власні fine-tuned моделі на базі BERT для класифікації.
- Інфраструктура: vLLM для інференсу, ONNX Runtime для оптимізації, pgvector для зберігання ембеддингів.
- MLOps: MLflow для відстеження експериментів, Kubeflow для пайплайнів.
Чому post-call аналіз простіше впровадити?
Post-call аналіз не вимагає змін у мережі — достатньо налаштувати Webhook Wikipedia в особистому кабінеті АТС. Real-time варіант складніший: потрібен виділений SIP-транк та сервер з GPU для обробки аудіопотоку в реальному часі.
Порівняння варіантів
| Критерій | Post-call аналіз | Real-time через SIP |
|---|---|---|
| Термін впровадження | 1–2 тижні | 1.5–2 місяці |
| Латентність | Хвилини | <500 мс |
| Вимоги до інфраструктури | CPU + базовий сервер | GPU + SIP-шлюз |
| Можливості | Аналітика, пошук | Маршрутизація, підказки оператору |
Як AI покращує маршрутизацію дзвінків?
Real-time аналіз дзвінка дозволяє маршрутизувати виклик на основі предиктивної аналітики: тональність клієнта, історія звернень, intent. AI приймає рішення за 400 мс (p99), що непомітно для мовців. Наприклад, якщо клієнт роздратований, дзвінок спрямовується найдосвідченішому оператору. Це підвищує рівень сервісу та знижує кількість повторних звернень. Ми впровадили real-time сценарії у двох проектах — клієнти відзначили зростання задоволеності на 15%.
Процес роботи
- Аналітика: аудит поточної АТС, збір вимог, вибір сценаріїв (post-call, real-time або обидва).
- Проектування: архітектура інтеграції, вибір моделей, налаштування безпеки.
- Реалізація: пишемо код на Python (FastAPI + Celery для асинхронності), інтегруємо з CRM через REST/SOAP.
- Тестування: прогін на історичних записах, A/B-тест на 10% дзвінків. Досягаємо точності транскрипції 95%+.
- Деплой: контейнеризація (Docker + Kubernetes), моніторинг (Prometheus + Grafana).
Терміни
- Post-call аналіз: від 1 до 2 тижнів.
- Real-time інтеграція: від 1.5 до 2 місяців.
- Повний цикл (обидва сценарії + дашборди): до 3 місяців.
Вартість інтеграції розраховується індивідуально після аудиту вашої інфраструктури.
Що входить у роботу
- API-документація схем інтеграції.
- Доступ до тестового стенду на час розробки.
- Навчання команди роботі з дашбордами.
- Гарантія на код та SLA обробки помилок до 4 годин.
Типові помилки при самостійній інтеграції
- Ігнорування ACK від Webhook: Mango Office повторює запит — дублі записів. Рішення: повертайте HTTP 200 одразу.
- Неправильний підпис запитів: хеш не співпадає, запити блокуються. Рішення: використовуйте hmac із сортуванням за ключами.
- Перевантаження STT-моделі: висока латентність та вартість. Рішення: увімкніть VAD, щоб не обробляти тишу.
У нас понад 10 проектів з інтеграції AI в телефонію, 5 років досвіду в NLP та MLOps. Замовте аудит вашої АТС — це безкоштовно і займе 30 хвилин. Ми підготуємо пропозицію з точними термінами та вартістю. Зв'яжіться з нами для консультації — оцінимо ваш сценарій і запропонуємо оптимальне рішення.