Máy phát hiện nói dối dựa trên Trí tuệ nhân tạo cho các cuộc trò chuyện tại Trung tâm cuộc gọi

Những nhà nghiên cứu tại Đức đã sử dụng học máy để tạo ra một hệ thống phân tích âm thanh nhằm hoạt động như một máy phát hiện nói dối dựa trên Trí tuệ nhân tạo cho khách hàng trong các cuộc trò chuyện âm thanh với nhân viên trung tâm cuộc gọi và hỗ trợ.

Hệ thống này sử dụng một tập dữ liệu âm thanh được tạo đặc biệt từ 40 sinh viên và giáo viên trong các cuộc tranh luận về các chủ đề gây tranh cãi, bao gồm cả vấn đề đạo đức của việc tử hình và học phí. Mô hình này được đào tạo trên một kiến trúc sử dụng Convolutional Neural Networks (CNN) và Long Short-Term Memory (LSTM), và đạt được tỷ lệ chính xác báo cáo là 98%.

Mặc dù mục đích nêu của công việc này đề cập đến việc giao tiếp với khách hàng, nhưng các nhà nghiên cứu thừa nhận rằng nó hiệu quả hoạt động như một máy phát hiện nói dối chung:

‘Những phát hiện này có thể áp dụng cho một loạt các quy trình dịch vụ và đặc biệt hữu ích cho tất cả các tương tác của khách hàng diễn ra qua điện thoại. Thuật toán được trình bày có thể được áp dụng trong bất kỳ tình huống nào mà nó hữu ích cho đại lý để biết liệu khách hàng có nói theo niềm tin của họ hay không.

‘Điều này có thể, ví dụ, dẫn đến việc giảm các yêu cầu bảo hiểm đáng ngờ, hoặc các tuyên bố không trung thực trong các cuộc phỏng vấn việc làm. Điều này không chỉ giảm thiểu tổn thất hoạt động cho các công ty dịch vụ, mà còn khuyến khích khách hàng trung thực hơn.’

Tạo tập dữ liệu

Trong trường hợp không có một tập dữ liệu công khai phù hợp trong ngôn ngữ Đức, các nhà nghiên cứu – từ Đại học Khoa học Ứng dụng Neu-Ulm (HNU) – đã tạo ra tài liệu nguồn của riêng họ. Các tờ rơi được đăng tại trường đại học và tại các trường học địa phương, với 40 tình nguyện viên được chọn với độ tuổi tối thiểu là 16. Tình nguyện viên được trả bằng voucher Amazon trị giá 10 euro.

Các phiên được thực hiện theo mô hình câu lạc bộ tranh luận được thiết kế để phân cực quan điểm và gây ra phản ứng mạnh mẽ xung quanh các chủ đề gây tranh cãi, hiệu quả mô hình hóa căng thẳng có thể xảy ra trong các cuộc trò chuyện của khách hàng khó khăn trên điện thoại.

Các chủ đề mà các tình nguyện viên phải nói tự do trong ba phút trước công chúng là:

– Nên tái giới thiệu án tử hình và hành quyết công khai ở Đức không?
– Nên thu học phí đủ để chi trả ở Đức không?
– Nên hợp pháp hóa việc sử dụng ma túy nặng như heroin và methamphetamine ở Đức không?
– Nên cấm các chuỗi nhà hàng phục vụ thức ăn nhanh không lành mạnh, như McDonald’s hoặc Burger King, ở Đức không?

Xử lý trước

Dự án này ưa chuộng việc phân tích các đặc điểm giọng nói trong cách tiếp cận Nhận dạng Giọng nói Tự động (ASR) hơn là cách tiếp cận NLP (trong đó giọng nói được phân tích ở mức ngôn ngữ, và ‘nhiệt độ’ của cuộc trò chuyện được suy ra trực tiếp từ việc sử dụng ngôn ngữ).

Các mẫu được trích xuất và xử lý trước ban đầu được phân tích thông qua Hệ số Cepstral Mel-Frequency (MFCC), một phương pháp cũ nhưng vẫn rất phổ biến trong phân tích giọng nói. Kể từ khi phương pháp này được đề xuất vào năm 1980, nó đáng chú ý là tiết kiệm tài nguyên tính toán về việc nhận ra các mẫu lặp lại trong giọng nói, và có khả năng chống lại các mức chất lượng âm thanh khác nhau. Vì các phiên được thực hiện qua các nền tảng VOIP trong điều kiện cách ly vào tháng 12 năm 2020, điều quan trọng là phải có một khuôn khổ ghi âm có thể tính đến âm thanh chất lượng kém khi cần.

Điều thú vị là hai hạn chế kỹ thuật đã đề cập (tài nguyên CPU hạn chế vào những năm 1980 và sự kỳ lạ của kết nối VOIP trong một mạng bị tắc nghẽn) kết hợp ở đây để tạo ra một mô hình ‘kỹ thuật thưa’ hiệu quả là đặc biệt mạnh mẽ trong sự vắng mặt của điều kiện làm việc lý tưởng và tài nguyên cấp cao – mô phỏng khu vực mục tiêu cho thuật toán kết quả.

Sau đó, một thuật toán Biến đổi Fourier Nhanh (FFT) được áp dụng cho các đoạn âm thanh để cung cấp một hồ sơ phổ của mỗi ‘khung âm thanh’, trước khi ánh xạ cuối cùng đến thang Mel.

Đào tạo, Kết quả và Giới hạn

Trong quá trình đào tạo, các vector đặc điểm được trích xuất được truyền đến một lớp mạng nơ-ron tích chập phân bố thời gian, sau đó được làm phẳng và truyền đến một lớp LSTM.

Cấu trúc của quá trình đào tạo cho máy phát hiện sự thật dựa trên Trí tuệ nhân tạo. Nguồn: https://arxiv.org/ftp/arxiv/papers/2107/2107.11175.pdf

Cuối cùng, tất cả các nơ-ron được kết nối với nhau để tạo ra một dự đoán nhị phân về việc người nói có nói những điều họ tin là đúng hay không.

Trong các thử nghiệm sau khi đào tạo, hệ thống đạt được mức độ chính xác lên đến 98,91% về việc phân biệt ý định (trong đó nội dung nói có thể không phản ánh ý định). Các nhà nghiên cứu cho rằng công việc này chứng minh một cách thực nghiệm việc xác định niềm tin dựa trên mẫu giọng nói, và điều này có thể đạt được mà không cần phân tích ngôn ngữ theo phong cách NLP.

Về mặt giới hạn, các nhà nghiên cứu thừa nhận rằng mẫu thử nghiệm là nhỏ. Mặc dù bài báo không nêu rõ, nhưng dữ liệu thử nghiệm có khối lượng thấp có thể giảm khả năng áp dụng sau này trong trường hợp các giả định, tính năng được thiết kế và quá trình đào tạo tổng thể bị quá拟 hợp với dữ liệu. Bài báo lưu ý rằng sáu trong số tám mô hình được xây dựng trong suốt dự án đã bị quá拟 hợp tại một số điểm trong quá trình học, và vẫn còn nhiều công việc cần làm để tổng quát hóa khả năng áp dụng của các tham số được đặt cho mô hình.

Hơn nữa, nghiên cứu như thế này phải tính đến các đặc điểm quốc gia, và bài báo lưu ý rằng các đối tượng Đức tham gia vào việc tạo ra dữ liệu có thể có các mẫu giao tiếp không thể sao chép trực tiếp giữa các nền văn hóa – một tình huống có thể xảy ra trong bất kỳ nghiên cứu nào ở bất kỳ quốc gia nào.