Çağrı Merkezi Konuşmalarında AI Tabanlı Yalan Dedektörü

Almanya’daki araştırmacılar, müşterilerin çağrı merkezi ve destek personeli ile sesli iletişimlerinde AI tabanlı bir yalan dedektörü olarak görev yapmak amacıyla tasarlanmış bir ses analizi sistemi oluşturmak için makine öğrenimi kullandılar.

Sistem, 40 öğrenci ve öğretmen tarafından yapılan tartışmalı konular üzerindeki ses kayıtlarından oluşan özel bir veri setini kullanıyor. Model, Convolutional Neural Networks (CNN) ve Long Short-Term Memory (LSTM) kullanan bir mimari üzerinde eğitildi ve %98’lik bir doğruluk oranı elde edildi.

Araştırmacılar, çalışmanın amacının müşteri iletişimlerini belirtmesine rağmen, sistemin aslında genel amaçlı bir yalan dedektörü olarak çalıştığını kabul ediyorlar:

‘Bulunanlar, geniş bir hizmet süreci yelpazesine uygulanabilir ve özellikle telefon yoluyla gerçekleşen tüm müşteri etkileşimleri için özellikle faydalıdır. Sunulan algoritma, ajanın müşterinin ikna olduğu şeyleri söyleyip söylemediğini bilmesi gereken herhangi bir durumda uygulanabilir.

‘Örneğin, bu, şüpheli sigorta taleplerinin veya iş görüşmelerindeki yalan beyanların azaltılmasına yol açabilir. Bu, sadece hizmet şirketlerinin operasyonel kayıplarını azaltmakla kalmaz, aynı zamanda müşterilerin daha doğru olmalarını teşvik eder.’

Veri Seti Oluşturma

Almanca dilinde uygun bir kamu veri setinin bulunmaması nedeniyle, araştırmacılar – Neu-Ulm Uygulamalı Bilimler Üniversitesi’nden (HNU) – kendi kaynak materyallerini oluşturdular. Üniversite ve yerel okullarda broşürler yayınlandı ve en az 16 yaşındaki 40 gönüllü seçildi. Gönüllülere 10 Euro’luk bir Amazon vouceri verildi.

Seanslar, çağrı merkezi konuşmalarında ortaya çıkabilecek stresi modellemek amacıyla tasarlanmış bir tartışma kulübü modeli üzerine gerçekleştirildi.

Gönüllülerin üç dakika boyunca serbestçe konuşmak zorunda oldukları konular şunlardı:

– Almanya’da idam cezası ve kamu infazlarının yeniden getirilmesi gerekiyor mu?
– Almanya’da maliyeti karşılayan öğrenim ücretleri alınmalı mı?
– Almanya’da heroin ve kristal met gibi sert uyuşturucuların kullanımı yasal mı olmalı?
– Almanya’da McDonald’s veya Burger King gibi fast food restoran zincirleri yasaklanmalı mı?

Ön İşleme

Proje, ses özelliklerinin otomatik konuşma tanıma (ASR) yaklaşımındaki analizini, dilbilimsel düzeyde konuşmanın analiz edildiği ve konuşmanın “sıcaklığının” doğrudan dil kullanından çıkarıldığı NLP yaklaşımına tercih etti.

Ön işleme yoluyla çıkarılan örnekler ilk olarak Mel-frekans Cepstral Katsayıları (MFCC) aracılığıyla analiz edildi, bu güvenilir ve eski bir yöntem hala konuşma analizi alanında çok popüler ve 1980’de önerildiğinden bu yana reconocido desenleri tanımak için hesaplamalı kaynaklar açısından cimri ve çeşitli ses kayıt kalitelerine karşı dayanıklı.

İlginç bir şekilde, iki teknik sınırlama (1980’lerin başındaki sınırlı CPU kaynakları ve 2020 Aralık ayında kilitli koşullarda VOIP platformları üzerinden gerçekleştirilen seanslar sırasında ortaya çıkan ses kalitesindeki dalgalanmalar) burada, ideal çalışma koşulları ve yüksek düzeyde kaynak olmadan bile etkili bir şekilde çalışabilen ‘teknik olarak zayıf’ bir model oluşturuyor.

Daha sonra, ses segmentlerine Fast Fourier Transform (FFT) algoritması uygulandı ve her “ses çerçevesi” için spektral bir profil sağlandı, ardından Mel ölçeğine son olarak eşlendi.

Eğitim, Sonuçlar ve Sınırlamalar

Eğitim sırasında, çıkarılan özellikli vektörler, zamanla dağıtılmış bir convolutional ağ katmanına geçirildi, düzleştirildi ve ardından bir LSTM katmanına geçirildi.

AI truth dedektörünün eğitim sürecinin mimarisi. Kaynak: https://arxiv.org/ftp/arxiv/papers/2107/2107.11175.pdf

Son olarak, tüm nöronlar birbirine bağlandı ve konuşanın söylediklerinin gerçekten inandığı şeyleri söyleyip söylemediğini belirlemek için bir ikili tahmin üretildi.

Eğitimden sonra, sistem %98,91’lik bir doğruluk düzeyine ulaştı. Araştırmacılar, çalışmanın, dilin dilbilimsel düzeyde analiz edilmeden ses kalıplarına dayanarak ikna belirleme olduğunu gösterdiğini düşünüyorlar.

Sınırlamalar açısından, araştırmacılar test örneğinin küçük olduğunu kabul ediyorlar. Makale, düşük hacimli test verilerinin, varsayımların, mimari özelliklerin ve genel eğitim sürecinin veri setine aşırı uyumlu olabileceğini ve bu durumun daha sonraki uygulamalarda uygulanabilirliği azaltabileceğini belirtmiyor.

Araştırmacılar, bu tür bir araştırmanın ulusal özellikler hesaba katması gerektiğini ve Alman gönüllülerin veri setinin oluşturulmasında yer aldığı iletişim kalıplarının doğrudan diğer kültürlere uygulanamayabileceğini belirtiyorlar – bu durum, herhangi bir ülkede ortaya çıkabilecek bir durum.