400电话呼叫中心是什么？

  如果你在疫情灾区，你可能接到过这样的电话。

  作为一名社区服务人员，一位姐姐打电话给你，问你是否去过疫区，关心你最近的身体状况，发烧，接触过疫区的亲戚朋友，甚至最后生气保护你。

  不要想太多。其实这个电话可能是人工智能打来的。如果你不相信，听听下面的电话。

  自新型冠状病毒肺炎疫情发生以来，人工智能、大数据等技术正在帮助疫情防控。

  使用智能外呼电话系统的社区负责人告诉我PingWest如果不是因为使用了人工智能外呼系统，他们的外呼筛选工作应该还是手工和笔纸完成的。

  这本身的出发点并不深刻。这是疫情期间最常见的防控工作之一。但也正是因为疫情本身，挨家挨户上门变得极其困难——一是如何快速统计社区几万甚至几十万人的健康状况；二是工作量大，一般统计人员不多；第三，更可怕的是，上门调查增加了工作人员被感染的风险，事情可能会不小心变得更糟。

  使用人工智能电话实际上是在解决一个数学问题。想象一下，如果你使用劳动力，一个人可能只能在一分钟内拨打一两个统计电话。在拥有数千人甚至数万人的社区里，这是一件非常费力的事情，你还需要在计算机前手动输入收集到的信息。使用人工智能呼叫统计电话，您可以在一分钟内同时拨打数百个电话，电话回访将自动记录在案例中，基本上不需要人们做任何事情。

  回访电话中使用的人工智能技术来自同盾技术。后者旨在帮助企业和政府通过智能语音交互、自然语言处理、计算机视觉和机器学习四项核心研发技术，提高质量和效率。智能语音呼叫解决方案只是人工智能场景着陆的一部分。

  定制智能外呼平台

  对于同盾科技来说，智能外呼解决方案其实最早可以追溯到2018年发布的智能语音服务平台——“赫兹”。

  根据同盾科技之前的新闻数据，同盾智能语音服务平台 赫兹是基于自然语言处理、语音识别、语义理解、语音合成、语音识别、政府、金融、互联网等应用场景客户群体，提供智能语音服务，提高客户企业智能、信息、数字综合能力。

  随着疫情期间语音对话和大数据调查技术的拓展，同盾在智能语音服务平台 赫兹的基础上开发了智能疫情回访机器人。

  利用智能疫情回访机器人，社区负责人可以让人工智能系统自动查询和记录居民疫情信息，最终生成数据统计报告，实现社区人员疫情的快速调查和调查。

  PingWest查询同盾科技官网，发现同盾智能外呼解决方案提供了简单易用的定制操作界面。

  换句话说，通过简单的参数设置配置平台，客户可以通过简单的参数设置和流程操作进行灵活的场景对话流设计。

  一方面，利用同盾开发的行业细分语义理解模型，也可以轻松构建自己的语义理解模型。通过对话管理平台，客户还可以使用底层强大灵活的语音合成音库生产工具，生成客户独特的机器人色彩，音质突出。同盾科技语音实验室负责人燕鹏告诉我PingWest对于不同的场景，同盾还提供定制开发的语言模型，以确保语音识别在特定场景下达到客户期望的实用准确性。

  TensorFlow让一切更简单可靠

  事实上，同盾为客户提供语音识别、语音合成、语义理解、语音纹理识别、语音质量检验等一揽子语音交互技术方案。语音交互技术的底层是高度专业的机器学习模型，其中最重要的部分是深度学习。

  燕鹏表示，同盾科技算法工程师基于对相关领域的深入了解，选择了合适的模型结构，并使用流行的机器学习开源框架Google TensorFlow通过建模和模型培训，建立准确性和效果达到或超过行业先进水平的对话系统。

  具体来说，在建模和模型训练过程中，工程师负责模型结构的概念设计TensorFlow提供丰富和的设计API使用同盾科技快速构建新模型，改进旧模型。

  在同盾技术语音和自然语言处理的建模中，常用的模型结构包括循环神经(RNN)、卷积(Convolution)、注意力机制(Attention)；通过灵活的数据输入机制(input pipelines)将领域数据组织成小批量数据进行参数迭代；在学习过程中，使用统计信息使模型收敛到更佳状态（例如early stopping)；还可以在进行大规划数据训练时从容中断和重启中断的训练过程。

  燕鹏告诉我们，在传统的语音识别过程中，需要HMM模型训练、强制性训练、神经模型训练和区分训练多个分离步骤，工程师往往需要维护数千行脚本，分几个步骤启动和监督模型训练过程。

  而使用TensorFlow构建端到端语音识别模型可以大大简化语音识别训练过程，缩短语音识别模型训练时间，减少模型尺寸。整个模型训练过程合并成一个步骤，节省了大量脚本工具的维护，将模型训练所需的时间从前两周缩短到不到一周。

  在对话系统的多个步骤——语音识别、语音理解和语音合成中，TensorFlow也大大提高了生产效率。TensorFlow训练模型快速构建后，对话系统的指标也领先于行业。

  在使用智能外呼解决方案时，经常会遇到一个问题——如果外呼听起来不像真人，会立即作为机器人电话挂断。

  使用同盾科技TensorFlow构建端到端语音合成系统，不仅使整个系统放弃了传统引擎中必须存在的多个中间步骤，而且通过采用适当的模型和不断优化，语音合成的主观音质（MOS）实时率0%，实时率提高30%。TensorFlow构建深度学习模型后，合成语音的音质大大提高，与行业竞争产品相比，同盾语音机器人的挂机率降低了31%。

  在现实世界中，由于环境噪声、用户口音等复杂因素，语音识别的准确性低于实验室可控环境。如果是新的商业场景，语音识别的准确性会降低到更低的水平。

  燕鹏表示，为了应对语义理解中不可避免的语音识别错误对后续模块的影响，使用它TensorFlow构建深度语义理解模型，包括采用学习预训练模型和分类模型的迁移学习，语义理解模型的准确性比传统方法高15%。

  同盾对话机器人增加了语音识别结果的后纠正模块，使用深度学习模型转换识别错误的文本，修复部分错误，以提高整体对话机器人对用户意图的理解准确性。语音识别错误修正后，用户对语音的理解变得更加准确，交互轮数比以前减少了20%。

  “TensorFlow燕鹏举说：一些独特或新推出的能源也在同盾建模过程中发挥了重要作用，如动态构图、平均模型、三元损失函数等。

  当然，另一边是，像TensorFlow该技术的进步大大提高了人工智能识别的准确性，也可能带来发音太像人等新问题，如滥用技术作为骚扰电话。

  任何技术进步都可能带来新的问题，但技术本身是中立的。燕鹏菊还认为，同盾遵循用户信息的保护，呼叫名单由同盾客户指定，同盾只作为技术提供商为客户提供呼叫工具。至于用户的语音数据是否保留，客户负责获得用户的授权，保留的语音数据也由客户使用。

  在疫情防控机器人领域，其客户主要是社区和政府机构，外呼电话大多以政府机构的名义拨出。帮助机构统计工作在疫情战期间提高效率，是一项不错的技术。