• 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

 

我们服务的客户

智能质检的新实践

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。