कॉल सेंटर वार्ता के लिए एक एआई-आधारित झूठा पता लगाने वाला उपकरण

जर्मनी के शोधकर्ताओं ने मशीन लर्निंग का उपयोग करके एक ऑडियो विश्लेषण प्रणाली बनाई है, जिसका मुख्य उद्देश्य कॉल सेंटर और समर्थन कर्मचारियों के साथ ऑडियो संचार में ग्राहकों के लिए एक एआई-आधारित झूठा पता लगाने वाला उपकरण के रूप में कार्य करना है।

इस प्रणाली में 40 छात्रों और शिक्षकों द्वारा विवादास्पद विषयों पर बहस के दौरान ऑडियो रिकॉर्डिंग का एक विशेष रूप से बनाया गया डेटासेट उपयोग किया गया है, जिनमें मृत्युदंड की नैतिकता और ट्यूशन फीस शामिल हैं। इस मॉडल को कॉन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) और लॉन्ग शॉर्ट-टर्म मेमोरी (एलएसटीएम) का उपयोग करके एक आर्किटेक्चर पर प्रशिक्षित किया गया था, और इसकी सटीकता दर 98% हासिल की गई थी।

हालांकि इस कार्य के उद्देश्य में ग्राहक संचार का उल्लेख किया गया है, शोधकर्ता स्वीकार करते हैं कि यह वास्तव में एक सामान्य उद्देश्य झूठा पता लगाने वाला उपकरण के रूप में कार्य करता है:

‘परिणाम विभिन्न सेवा प्रक्रियाओं के लिए लागू होते हैं और विशेष रूप से उन सभी ग्राहक इंटरैक्शन के लिए उपयोगी होते हैं जो टेलीफोन के माध्यम से होते हैं। प्रस्तुत एल्गोरिदम को किसी भी स्थिति में लागू किया जा सकता है जहां एजेंट के लिए यह जानना उपयोगी होता है कि ग्राहक अपने विश्वास के अनुसार बोल रहा है या नहीं।

‘इसके उदाहरण के लिए, यह संदिग्ध बीमा दावों में कमी या नौकरी के साक्षात्कार में असत्य बयानों को कम कर सकता है। इससे न केवल सेवा कंपनियों के लिए परिचालन नुकसान कम होगा, बल्कि ग्राहकों को अधिक सच्चा बनने के लिए प्रोत्साहित किया जाएगा।’

डेटासेट जनरेशन

एक उपयुक्त सार्वजनिक रूप से उपलब्ध डेटासेट की अनुपस्थिति में, शोधकर्ताओं – न्यू-उल्म यूनिवर्सिटी ऑफ एप्लाइड साइंसेज (एचएनयू) से – ने अपना स्वयं का स्रोत सामग्री बनाई। विश्वविद्यालय और स्थानीय स्कूलों में पोस्टर लगाए गए थे, और 16 वर्ष की न्यूनतम आयु के साथ 40 स्वयंसेवकों का चयन किया गया था। स्वयंसेवकों को 10 यूरो के अमेज़न वाउचर से भुगतान किया गया था।

सत्रों को एक डिबेट क्लब मॉडल पर आयोजित किया गया था, जिसका उद्देश्य राय को ध्रुवीकृत करना और विवादास्पद विषयों के आसपास मजबूत प्रतिक्रियाओं को उत्तेजित करना था, जो कि फोन पर समस्याग्रस्त ग्राहक वार्ता में होने वाले तनाव को प्रभावी ढंग से मॉडलिंग करता है।

जिन विषयों पर स्वयंसेवकों को तीन मिनट के लिए सार्वजनिक रूप से बोलना था, वे थे:

– क्या जर्मनी में मृत्युदंड और सार्वजनिक निष्पादन को फिर से पेश किया जाना चाहिए?
– क्या जर्मनी में लागत-कवरिंग ट्यूशन फीस ली जानी चाहिए?
– क्या जर्मनी में हेरोइन और क्रिस्टल मेथ जैसे हार्ड ड्रग्स को वैध बनाया जाना चाहिए?
– क्या मैकडोनाल्ड्स या बर्गर किंग जैसे अस्वस्थ फास्ट फूड परोसने वाले रेस्तरां श्रृंखलाओं को जर्मनी में प्रतिबंधित किया जाना चाहिए?

पूर्व-प्रसंस्करण

इस परियोजना में ऑटोमैटिक स्पीच रिकग्निशन (एएसआर) दृष्टिकोण में ध्वनि भाषण विशेषताओं के विश्लेषण को एक एनएलपी दृष्टिकोण (जहां भाषण को भाषाई स्तर पर विश्लेषित किया जाता है और भाषण के ‘तापमान’ का अनुमान सीधे भाषा के उपयोग से किया जाता है) पर पसंद किया गया था।

पूर्व-प्रसंस्कृत नमूनों का विश्लेषण शुरू में मेल-फ्रीक्वेंसी सेप्ट्रल कॉफिशिएंट्स (एमएफसीसी) के माध्यम से किया गया था, जो एक विश्वसनीय, पुराना तरीका है जो अभी भी भाषण विश्लेषण में बहुत लोकप्रिय है। चूंकि यह तरीका 1980 में पहली बार प्रस्तावित किया गया था, यह कम्प्यूटिंग संसाधनों के साथ-साथ भाषण में पुनरावृत्ति पैटर्न को पहचानने में काफी किफायती है, और विभिन्न स्तरों की ऑडियो कैप्चर गुणवत्ता के प्रति लचीला है। चूंकि सत्र दिसंबर 2020 में वीओआईपी प्लेटफॉर्म पर लॉकडाउन स्थितियों में आयोजित किए गए थे, इसलिए यह महत्वपूर्ण था कि एक रिकॉर्डिंग फ्रेमवर्क हो जो खराब गुणवत्ता वाले ऑडियो के लिए भी खाता हो।

यह दिलचस्प है कि दो ऊपर उल्लिखित तकनीकी सीमाएं (1980 के दशक की शुरुआत में सीमित सीपीयू संसाधन और एक भीड़भाड़ वाले नेटवर्क संदर्भ में वीओआईपी कनेक्टिविटी की विचित्रताएं) यहां एक ‘तकनीकी रूप से विरल’ मॉडल बनाती हैं जो (अचानक) आदर्श कार्यिंग स्थितियों और उच्च स्तर के संसाधनों की अनुपस्थिति में असामान्य रूप से मजबूत है – जो वास्तव में परिणामी एल्गोरिदम के लिए लक्षित क्षेत्र की नकल करता है।

इसके बाद, एक फास्ट फोरियर ट्रांसफॉर्म (एफएफटी) एल्गोरिदम को ऑडियो सेगमेंट के खिलाफ लागू किया गया ताकि प्रत्येक ‘ऑडियो फ्रेम’ का एक स्पेक्ट्रल प्रोफाइल प्रदान किया जा सके, जिसे अंततः मेल स्केल पर मैप किया जा सके।

प्रशिक्षण, परिणाम और सीमाएं

प्रशिक्षण के दौरान, निकाले गए विशेषता वेक्टर को एक समय-वितरित कॉन्वोल्यूशनल नेटवर्क लेयर में पास किया जाता है, फ्लैट किया जाता है और फिर एक एलएसटीएम लेयर में पास किया जाता है।

एआई सत्य पता लगाने वाले के प्रशिक्षण प्रक्रिया की वास्तुकला। स्रोत: https://arxiv.org/ftp/arxiv/papers/2107/2107.11175.pdf

अंत में, सभी न्यूरॉन्स को एक द्विआधारी भविष्यवाणी उत्पन्न करने के लिए जोड़ा जाता है कि वक्ता जो कह रहा है उस पर विश्वास करता है या नहीं।

प्रशिक्षण के बाद हुए परीक्षणों में, प्रणाली ने इरादे के अनुमान में 98.91% की सटीकता दर हासिल की (जहां बोले गए सामग्री वास्तविक इरादे को प्रतिबिंबित नहीं कर सकती है)। शोधकर्ता मानते हैं कि यह कार्य विश्वास पहचान के लिए आवाज पैटर्न पर आधारित एक अनुभवजन्य प्रदर्शन प्रदान करता है, और यह कि यह एनएलपी-शैली के भाषा विघटन के बिना प्राप्त किया जा सकता है।

सीमाओं के संदर्भ में, शोधकर्ता स्वीकार करते हैं कि परीक्षण नमूना छोटा है। हालांकि पत्र में यह स्पष्ट रूप से उल्लेख नहीं किया गया है, कम-वॉल्यूम परीक्षण डेटा बाद में लागू करने योग्य बनाने में कमी आ सकती है यदि धारणाएं, वास्तुकला विशेषताएं और सामान्य प्रशिक्षण प्रक्रिया डेटा से अधिक हो जाती हैं। पत्र में उल्लेख किया गया है कि परियोजना के दौरान निर्मित आठ मॉडलों में से छह को किसी न किसी बिंदु पर सीखने की प्रक्रिया में ओवरफिट किया गया था, और मॉडल के लिए निर्धारित मापदंडों की व्यापक लागू करने योग्यता में और काम करने की आवश्यकता है।

इसके अलावा, इस तरह के शोध को राष्ट्रीय विशेषताओं के लिए खाता होना चाहिए, और पत्र में उल्लेख किया गया है कि डेटा के निर्माण में शामिल जर्मन विषयों के पास संचार पैटर्न हो सकते हैं जो सीधे तौर पर संस्कृतियों में दोहराए नहीं जा सकते हैं – एक स्थिति जो किसी भी ऐसे अध्ययन में उत्पन्न हो सकती है जो किसी भी राष्ट्र में हो।