整体对比
传统的关键词和正则方案已经不够用了——既找不全，也找不准。通过引入非正则，即AI机器学习的方案，企业在语音和文本的质检工作中，可以大幅提升工作效率，同时降低前期生产和后期的正则代码维护成本。
技术原理
从原理上看，传统关键词和正则表达式是字符级别的，需要查找具体的字或词；非正则方案（如下图）则是句子级别的，首先需要通过人工标注上千条数据训练质检项模型，然后通过模型判断一个新的对话是否命中了该模型。
核心指标
召回率，即是否“找得全”；准确率，即是否“找得准”。与传统正则方案相比，基于AI算法模型的非正则方案，在召回率上具备显著优势，这意味着非正则方案可以找得更多潜在的违规项，帮助企业降低违规风险。
生产成本
与大家的固有认知相反，AI质检项具备更低的生产和维护成本，因为AI质检项的生产通常仅需要一个无任何基础的普通人进行一天的标注（两三千条）；而编写和维护正则代码库，则需要既懂业务又懂正则的专业人才，花费一周的调试时间才行。
效果对比
以质检项“恐吓威胁”为例，传统正则的方案找出了 174 条正确的违规对话，而新的非正则方案则找出了 1596 条。找出的违规项越多，遗留的风险就越小，从风险指数的角度看，非正则方案将风险降低至 1/9。
传统正则 vs 非正则
NEW GENERATION TECHNOLOGY
“非正则”质检流程
WOKRFLOW
2
提取 - 质检项
录音进入系统后，自动进行ASR转写并提取语义标签（即AI质检项）。语义标签是结合上下文语义计算得出的，会标记在对话上面，方便回溯。
· 语音识别
· 结合上下文语义的质检项
1
训练 - 质检项
企业确定要质检的新质检项之后，“非正则”即AI质检项需要提供录音或文本数据，进入标注工厂进行人工标注，训练该语义标签（即AI质检项）的分类器模型。
· 标注工厂
· 主动学习技术降低标志成本
3
复检 - 质检项
通过人工复检，即对系统判断的质检结果进行确认。每一次人工复检结果，都会反哺给AI算法模型，使算法模型更加准确。形成“越用越准确”闭环。
· 复检即对机器质检结果的修正
· 越用越准
产品优势
ADVANTAGES
原创NLP模型
语义理解部分采用了基于 XLNet 的新一代预训练模型，杨植麟是该模型第一作者
原创ASR模型
语音识别部分采用了基于 Transformer-XL 的完全端到端底层算法模型
通用质检项即插即用
在保险、教育、催收等领域积累的行业通用质检项，即插即用。
支持话务质检
话务质检项包括：回复速度、静音时长、情绪激动、平均语速和抢插话等。
支持私有部署
采用灵活的部署方式，支持云端私有部署，也支持本地私有部署
客户成功专人服务
专业的客户成功团队，帮助您将产品落地到实际业务中，持续产生价值
适用场景
· 通用质检项：催收名义不严谨、暴露客户隐私、私收代还等
· 质检目标：找出更多违规对话，威慑催员，降低合规风险
贷后催收
保险
· 通用质检项：说辞绝对、不实科普、错误引导保险用途
· 目标：健全电话销售质量检测体系，使业务更规范
教育
· 通用质检项：承诺退课、师资介绍违规、损害竞品形象
· 让客户服务更专业，提升软实力
坐席通用（销售&客服）
· 通用质检项：过度承诺、服务态度恶劣、推诿等
· 目标：提升服务专业性，降低合规风险
我们服务的客户
为什么选择循环智能？
创始人与Google AI合作发布XLNet模型
联合创始人杨植麟作为第一作者，与 Google、CMU联合发布了 XLNet 自然语言理解模型
金融、教育等行业超十万小时数据训练
在金融、教育、互联网等领域，服务数十家超千人坐席的中大型企业，积累10万+小时的行业标注数据
由红杉资本领投新一轮融资
2016年成立以来，获得包括红杉资本、真格基金、金沙江创投、靖亚资本在内投资方支持
100,000+小时
智能质检的新实践
04-02
精细管理销售的沟通过程
查看详情 >
03-05
两种模式，各司其职
02-24
从关键词到语义点
下载白皮书
关注公众号，
回复“智能质检”
智能质检白皮书
适用于中大型销售和客服中心
循环智能的解决方案专家可为您上门演示产品，
解答您的疑问
立即预约演示
亮点功能
HIGHLIGHTS
独有的违规值排序
即使没有命中任何质检项的对话，也能通过机器学习算法，计算整个对话违规的概率，生成违规值，帮助复检员高效抽检。
创新的流程质检
先识别场景，再识别在该场景下，销售或客服是否按照标准作业流程（SOP）的要求进行沟通，是否漏了该说的信息。
智能质检
不同于基于“关键词+正则”的传统方案，循环智能提供高准确率和召回率的“非正则”方案，结合独家的“违规率排序”功能，可多找出2~10倍违规对话。
