简体中文版经机器翻译而成,仅供参考。如与英语版出现任何冲突,应以英语版为准。

用例

提供者

由于这些支持中心处理的呼叫数量众多,如果手动执行,则可能需要很长时间才能评估呼叫性能。传统方法,例如字包计数和其他方法,可以实现一定程度的自动化,但这些方法不能捕获动态语言的更细微的方面和语义上下文。AI 建模技术可用于自动执行其中一些更精细的分析。此外,随着 NVIDIA , AWS , Google 等公司发布的最新的经过预先培训的建模工具,现在可以相对轻松地建立一个包含复杂模型的端到端管道并进行自定义。

支持中心情感分析的端到端管道,可在员工与来电者交谈时实时载入音频文件。然后,这些音频文件将进行处理,以便在将其转换为文本格式的语音到文本组件中使用。对话中的每一句话都会收到一个标签,用于指示情绪(积极,消极或中立)。

情绪分析可以为对话提供一个重要方面,用于评估通话性能。这些情感为员工和来电者之间的互动增加了一个深度。人工智能辅助的情绪信息板可为经理实时跟踪对话中的情绪,并对员工过去的通话进行回顾性分析。

预构建的工具可以通过强大的方式组合在一起,快速创建端到端 AI 管道来解决此问题。在这种情况下,可以使用 NVIDIA Riva 库执行两项串联任务:音频抄写和情感分析。第一种是受监控学习信号处理算法,第二种是受监控学习 NLP 分类算法。这些即装即用的算法可以使用 NVIDIA TAO 工具包针对与业务相关的数据的任何相关使用情形进行微调。这样,构建的解决方案就会更加准确,功能更强大,只需成本和资源的一小部分。客户可以采用 "NVIDIA Maxine" 支持中心设计中 GPU 加速视频会议应用程序的框架。

以下用例是此解决方案的核心。这两种使用情形都使用 TAO 工具包进行模型微调,使用 Riva 进行模型部署。

  • 语音到文本

  • 情感分析

为了分析员工和客户之间的支持中心互动,可以通过管道进行每一次以音频通话形式进行的客户对话,以得出句子级别的感受。然后,人类可以验证这些情感,为这些情感提供合理的理由,或者根据需要进行调整。然后,标记的数据将传递到微调步骤,以改善情绪预测。如果已存在标记的情感数据,则可以加快模型微调。无论哪种情况,管道都可通用于需要输入音频和对句子进行分类的其他解决方案。

错误:缺少图形映像

AI Sentiment 输出会上传到外部云数据库或公司管理的存储系统。情感输出将从这一更大的数据库传输到本地存储,以在为经理显示情感分析的信息板中使用。信息板的主要功能是与客户服务员工实时互动。经理可以通过实时更新每句话的感受,并对员工过去的表现或客户反应进行历史回顾,评估员工的通话并提供反馈。

错误:缺少图形映像

"NetApp DataOps 工具包" 即使在 Riva 推理管道生成情感标签之后,也可以继续管理数据存储系统。这些 AI 结果可以上传到 NetApp DataOps 工具包管理的数据存储系统。数据存储系统必须能够管理数百个插件并每分钟进行一次选择。本地设备存储系统实时查询较大的数据存储以进行提取。此外,还可以查询较大的数据存储实例以查找历史数据,从而进一步增强信息板体验。NetApp DataOps 工具包可通过快速克隆数据并将其分发到使用该数据的所有信息板,从而为这两种用途提供便利。

目标受众

解决方案的目标受众包括以下组:

  • 员工经理

  • 数据工程师 / 数据科学家

  • IT 管理员(内部,云或混合)

在整个对话过程中跟踪情绪是评估员工绩效的宝贵工具。通过使用 AI 信息板,经理可以实时了解员工和来电者如何改变自己的感受,从而可以开展实时评估和指导会议。此外,企业还可以从参与语音对话,文本聊天机器人和视频会议的客户中获得宝贵的客户见解。此类客户分析可利用大规模多模式处理功能以及现代化的一流 AI 模型和工作流。

在数据方面,支持中心每天都会处理大量音频文件。NetApp DataOps 工具包可帮助执行此数据处理任务,以便定期对模型和情感分析信息板进行微调。

IT 管理员还可以从 NetApp DataOps 工具包中受益,因为它允许他们在部署和生产环境之间快速移动数据。此外,还必须对 NVIDIA 环境和服务器进行管理和分布,以便进行实时推理。