Система семантического анализа распознанной речи (проект)

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
Ментор Крохмаль Николай
Учебный семестр Осень 2017
Учебный курс 2-й курс
Максимальное количество студентов, выбравших проект: 5



Что это за проект?

Компании, осуществляющие face-to-face обслуживание клиентов не удовлетворены качеством оценки удовлетворенности клиентов с помощью стандартных механизмов (телефонный опрос, SMS/email, контрольная закупка, кнопки лояльности). Для того, чтобы решить задачу компания Heedbook разработала системы анализа клиентских эмоций и бизнес-процессов с помощью нейросетей. Компания анализирует мимику, внимание, тон голоса, содержание разговора и много других параметров в процессе обслуживания клиента.

Более подробно о проекте можно почитать в презентации во вложении и на сайте проекта – heedbook.com

Система полностью переводит содержание диалога в текст (ASR).

Дальнейшим шагом развития сервиса является оценка смыслового содержания текста.

Чему вы научитесь?

Разработка бэк-энд архитекуры облачных сервисов

Построение API

Программирование микросервисов на языках C# и Python

Глубокое взаимодействие с API Heedbook

Фрэймворки и алгоритмы анализа смысла, эмоциональной окраски и наличия ключевых слов в тексте

На выходе открытый продукт – система семантического распознания текста

Какие начальные требования?

Знания языков C#/Python, широкий ИТ кругозор

Какие будут использоваться технологии?

Azure Functions

Cognitive services

WebApp

DB

ML

Темы вводных занятий

1. Архитектура проекта. API, внешние связи и зависимости.

2. Специфические технологии и используемые инструменты.

3. Доступные ресурсы, организация доступа.

4. Разделение ролей

Направления развития

Дальнейшим шагом развития сервиса является оценка смыслового содержания текста.

Критерии оценки

1-3 Подготовка текста к обработке. Выявление орфографических ошибок и несуществующих слов в тексте. Построение словаря синонимов.

4-5 Поиск запрещенных фраз в диалоге. Анализ текста по полученному результату. Построение графика эмоций по диалогу.

6-7 Анализ базы данных диалогов сотрудника и клиента. Кластеризация диалогов по степени корректности. Выявление значимых факторов для анализа корректности.

8-9 Анализ диалога сотрудника и клиента. Работа со значимыми факторами. Определение темы разговора и сферы интересов клиента. Построение модели оценки диалога. Тестирование модели.

10 Полный анализ диалога на предмет корректности и качество обслуживания. Разработка показателя качества оценки диалога.


Ориентировочное расписание занятий

TBA