Система автоматизации контроля качества на основе ИИ

Автоматизировать работу отдела контроля качества звонков в контакт-центре компании-Заказчика и обеспечить полноту, объективность и оперативность анализа клиентских коммуникаций за счёт внедрения системы речевой аналитики на базе искусственного интеллекта.

1. Повысить управляемость клиентского сервиса за счёт перехода от выборочной проверки звонков к полному охвату 100% разговоров без увеличения штата.

2. Обеспечить стандартизацию и объективность процесса оценки качества обслуживания через формализацию критериев и разработку единой методики анализа диалогов, интегрированной в ИИ-систему оценки звонков.

3. Снизить потери выручки, связанные с ошибками операторов и упущенными клиентами, за счёт автоматического выявления проблемных звонков и ИИ-аналитики.

4. Повысить прозрачность работы контакт-центра и обеспечить управленческую отчётность по качеству обслуживания.

5. Обеспечить безопасное масштабирование и соответствие требованиям внутренней инфраструктуры компании.

2025

До внедрения отдел контроля качества из 10 специалистов мог прослушивать менее 10% звонков. После автоматизации система анализирует до 99% всех разговоров при тех же ресурсах, что эквивалентно росту охвата почти в 10 раз и снижению трудозатрат на 80%.

Дополнительно сокращаются потери выручки, связанные с ошибками операторов и неотработанными обращениями. Даже снижение доли упущенных клиентов на 2–3% обеспечивает компании прирост дохода до 10 млн ₽ в год.

Благодаря накоплению реальных диалогов и автоматической оценке система формирует базу типичных ошибок и лучших практик. 

• NVIDIA RTX 4090 — основной ускоритель для инференса языковых моделей и распознавания речи.

• AMD Ryzen 7 7700X, ОЗУ 48 ГБ, SSD 2 ТБ NVMe — вычислительная база для локальной обработки и хранения данных.

• ОС: Linux Ubuntu Server с Docker.

• Python / Django — серверная логика и API.

• PostgreSQL и Redis — хранилище и асинхронная обработка задач.

• WhisperX, Pyannote.audio — транскрибация и диаризация звонков.

• Mistral NeMo — языковая модель для смысловой оценки диалогов.

В проекте не используются решения из каталога Global CIO

Главной сложностью проекта стала необходимость объединить методологическую и технологическую части задачи. Существующая система контроля качества включала десятки разрозненных критериев, применявшихся неравномерно и субъективно. Требовалось провести полную ревизию подхода и перевести экспертную логику оценки в формализованный вид, понятный для работы искусственного интеллекта.

Вторым вызовом стало исследование языковых моделей (LLM). На рынке не существовало готовых решений, способных стабильно обрабатывать длинные, многоролевые и эмоционально окрашенные диалоги на русском языке. Команда провела собственное исследование и протестировала 7 моделей на 40 тестовых кейсах по метрикам точности, устойчивости и скорости и выбрала оптимальную комбинацию для анализа реальных звонков.

Компания «Ленремонт» — федеральный сервисный бренд, специализирующийся на ремонте бытовой техники. Основной канал коммуникации с клиентами — телефон: ежедневно контакт-центр принимает более 18 000 обращений со всей России.

По мере роста бизнеса ручная проверка звонков перестала справляться с нагрузкой. Отдел контроля качества мог оценивать лишь около 10% разговоров, что не обеспечивало полноты и объективности анализа. Это приводило к ряду проблем:

• выборочность и субъективность оценки операторов;

• неочевидные потери выручки, репутации и лояльности из-за ошибок при обработке заявок;

• высокая нагрузка на специалистов, занятых прослушиванием звонков вручную.

Компания обратилась в Aiston для разработки системы, которая позволила бы автоматизировать оценку звонков и сделать контроль качества масштабируемым процессом.

Работа системы построена как последовательный аналитический процесс. После поступления звонка из корпоративной телефонии аудиозапись автоматически передаётся в нейросетевой сервис. На первом этапе выполняется транскрибация речи (WhisperX) и определение ролей участников с помощью Pyannote.audio — система различает, где говорит оператор, а где клиент.

Далее искусственный интеллект определяет тип диалога (оператор, мастер, телемаркетинг или отдел контроля качества) и применяет соответствующий набор критериев. Всего разработано около 150 критериев, сгруппированных по четырём типам коммуникации и имеющих собственные веса и шкалы оценки (0–3 балла или «да/нет»).

Для корректной интерпретации речи используются промпты, в которых зафиксированы логика экспертной оценки, контекст диалога и роли участников. Благодаря им система анализирует не только текст, но и смысл взаимодействия — корректность ответов, соответствие скрипту, обработку возражений и эмоциональный тон общения.

На заключительном этапе модель Mistral NeMo формирует структурированный результат — карточку звонка с детальной расшифровкой, оценками по критериям и итоговым баллом качества.

Интерфейсы спроектированы в виде модуля «Диалоги с клиентами», встроенного в корпоративную систему компании. Модуль включает три раздела:

1. «Звонки»: список всех обработанных разговоров с возможностью фильтрации, поиска и визуальной маркировкой проблемных диалогов;

2. «Карточка диалога»: оценка оператора, привязка к заявке, аудиоплеер, расшифровка, краткое содержание, итоговый анализ и критерии качества в едином окне;

3. «Сотрудники» и «Заявки»: аналитика по людям и процессам, связывающая качество общения с конкретными заказами и операторами.

Архитектура решения построена по модульному принципу и включает два уровня. Сервис нейросетевой обработки на Python/Django управляет взаимодействием с моделями, выполняет транскрибацию, анализ и оценку звонков в асинхронном режиме. Основной бэкенд компании формирует пакеты записей, передающий их в сервис и получающий результаты анализа. Такая структура обеспечивает масштабируемость, защиту и автономность системы.

Россия, Санкт-Петербург