Detección de contestador automático para dialectos árabes

La detección de contestadores automáticos es el control menos vistoso de una operación outbound y el que, sin hacer ruido, decide cuántas conversaciones reciben sus agentes. Cada veredicto erróneo tiene un costo. Si confunde una máquina con una persona, un agente escucha una grabación durante veinte segundos. Si confunde a una persona con una máquina, le cuelga a un cliente que contestó. En los mercados de habla árabe, el enfoque tradicional falla en ambos sentidos más a menudo de lo que los equipos esperan.

Por qué la detección por pitido falla con los saludos en árabe

El AMD clásico es una técnica basada en la duración del audio. Espera a que hable el otro extremo, mide cuánto dura el habla, espera un silencio y luego escucha si hay un tono. Si llega el tono, declara que es una máquina. Esa cadena de suposiciones funciona razonablemente bien en un mercado donde el buzón de voz está estandarizado y los saludos son cortos. Funciona mal en el Golfo y el Levante, por cuatro razones distintas.

• Muchos sistemas de buzón de voz de los operadores de la región no emiten ningún pitido limpio, o lo emiten después de un anuncio del operador cuando el detector ya se ha dado por vencido. Un detector que espera un tono que nunca llega no tiene veredicto que dar.
• Un saludo en vivo en árabe suele ser largo. Quien contesta con un saludo completo, una bienvenida y una pregunta ha hablado varios segundos antes de la primera pausa natural, que es exactamente el patrón que un detector por tiempos interpreta como un mensaje grabado.
• Los saludos grabados en la región suelen ser muy cortos, a veces solo un nombre. Un habla breve seguida de silencio es el patrón que un detector por tiempos interpreta como una persona en vivo.
• Las redes móviles de la región suelen insertar sus propios anuncios, en árabe y luego en inglés, antes del saludo del abonado. El detector mide el anuncio en lugar del saludo.

El denominador común es que la duración no aporta información sobre quién habla. Las palabras sí. Un detector que no puede leerlas está adivinando, y adivina peor en árabe que en el mercado para el que se ajustó.

Qué hace en su lugar la clasificación por transcripción

El AMD con IA de DialerBee no espera un tono. En cuanto el otro extremo contesta, el audio inicial se transcribe en tiempo real y un clasificador puntúa el texto resultante en lugar de la forma de onda. La diferencia es que el texto no deja lugar a la ambigüedad que siempre tuvo la duración. Una persona que dice “aywa, meen maai?” y una grabación que dice “el abonado al que llama no está disponible, deje un mensaje después del tono” no se parecen en nada como texto, por similar que sea su perfil de duración.

En cada llamada contestada se ejecutan cuatro pasos.

• Transcribir. Los primeros segundos de audio se convierten en texto a medida que llegan.
• Detectar el idioma y el dialecto. Es automático, así que una lista en varios idiomas no tiene que dividirse en una campaña por idioma antes de poder marcarse.
• Clasificar. El clasificador devuelve un veredicto de persona o máquina junto con una puntuación de confianza.
• Actuar. El umbral de la campaña decide qué significa esa puntuación de confianza para esa campaña, de modo que una lista de cobranza y una de satisfacción del cliente pueden tener distintos niveles de cautela en la misma plataforma.

El veredicto se obtiene en los primeros momentos de la llamada, mientras el saludo aún se reproduce, de modo que la decisión de conectar o cortar se toma dentro de la fase de respuesta y no después. No publicamos una única cifra de latencia, porque el valor real varía según el operador, el idioma y lo rápido que empieza el saludo. Pida mediciones realizadas con tráfico similar al suyo.

Cobertura de dialectos en toda la región

El árabe no es un objetivo único. Un clasificador entrenado con árabe formal de radiodifusión interpretará de forma muy distinta un saludo de buzón del Golfo y uno levantino, y ninguno se parece a su equivalente egipcio o magrebí. DialerBee trata el dialecto como parte del idioma y no como ruido a su alrededor, y la cobertura en árabe abarca el habla del Golfo, levantina, egipcia y magrebí.

En la práctica, esto importa sobre todo en los límites. Un saludo móvil jordano y uno saudí usan verbos distintos para la misma idea. Quien contesta una llamada de empresa en el Golfo suele empezar con un saludo religioso formal que un modelo limitado trata como guionizado y, por tanto, grabado. Un saludo magrebí puede incluir vocabulario francés dentro de una frase en árabe. Los cuatro casos son tráfico habitual para un BPO regional, y en los cuatro un modelo de un solo dialecto pierde conversaciones.

El árabe forma parte de los 11 idiomas compatibles con la plataforma, así que una operación que marca en árabe, inglés, francés y urdu en la misma semana usa una sola pila de detección en lugar de una por mercado.

Umbrales, no absolutos

Una puntuación de confianza solo sirve si usted decide qué hacer con ella, y la decisión correcta varía según la campaña. En una campaña de recuperación en fase avanzada, cortar a un deudor en vivo sale caro y dejar un mensaje de voz es barato, así que el umbral se configura para ser prudente al declarar una máquina. En una campaña de recordatorios de citas de alto volumen, el equilibrio se invierte.

Por eso los umbrales de sensibilidad se configuran por tenant y por campaña, y no para toda la plataforma, lo que hace que el control sea útil para un BPO que atiende a varios clientes con tolerancias distintas. Las funciones de IA pueden controlarse mediante feature flags, de modo que el AMD también puede activarse o desactivarse por campaña, por tenant o de forma global, y la plataforma funciona con plena capacidad con él desactivado.

Hay dos datos de configuración más que conviene conocer antes de una revisión de seguridad de la información. La clasificación del AMD procesa un breve segmento inicial del audio de la llamada, y el audio sin procesar utilizado para la clasificación no se almacena a largo plazo. Lo que se conserva es el resultado de la clasificación, la puntuación de confianza y la versión del modelo.

El ciclo de retroalimentación de los agentes

Ningún clasificador acierta siempre, y los primeros en darse cuenta son los agentes. Cuando el modelo se equivoca en cualquier sentido, el agente lo marca con un solo clic desde el escritorio, durante la llamada, sin formularios ni tickets. Esas correcciones alimentan flujos de ajuste limitados a cada tenant, lo que significa que la señal mejora la detección para sus operadores, sus regiones y sus tipos de campaña, y no se comparte entre tenants.

Esto solo funciona si los supervisores tratan la corrección como parte del trabajo y no como un informe de excepciones. Dos hábitos ayudan. Explique a los agentes que marcar un veredicto erróneo lleva un clic y se espera de ellos, que no es una queja sobre el sistema. Y revise cada semana los desgloses de precisión por campaña, por operador y por idioma, porque un operador que ha cambiado su anuncio de buzón de voz aparece ahí como un patrón mucho antes de que alguien lo reporte como problema.

Más allá del árabe: los otros idiomas de la misma lista

La detección según el idioma no es traducción. Consiste en reconocer cómo hablan realmente las personas y las máquinas en un mercado, y la variación que complica el árabe existe en todos los demás idiomas de una lista regional. El español se divide entre el habla latinoamericana y la europea. El francés tiene patrones europeos, canadienses y norafricanos. El alemán tiene registros formal e informal, además de variantes austriacas y suizas. El turco tiene sus propios patrones regionales. Solo el inglés llega con acentos de EE. UU., Reino Unido, India, Filipinas y el Golfo, lo que constituye la mayor parte del tráfico de agentes de un BPO antes de marcar un solo número árabe.

Por eso la pila de detección importa más que cualquier afirmación sobre un idioma concreto. Una operación que marca en árabe el domingo, en francés el lunes y en urdu el martes no debería gestionar tres configuraciones de detección ni conciliar tres conjuntos de cifras de precisión. Los 11 idiomas compatibles comparten un clasificador y una vista de informes, y en cada uno el dialecto se trata como parte del idioma y no como ruido.

Cómo medir correctamente la detección

Una única cifra global de precisión es casi inútil, porque promedia y oculta justo donde se concentran sus pérdidas. Mida esto en su lugar, y exija el mismo desglose a cualquier proveedor que evalúe.

• Falsos positivos y falsos negativos por separado, y por operador en lugar de por región. Un promedio regional del 90 por ciento puede ocultar una precisión del 65 por ciento en el operador que concentra la mayor parte de su volumen.
• Tasa de correcciones de los agentes, que le indica qué opina la operación de los veredictos y con qué rapidez el ajuste tiene material con el que trabajar.
• Tiempo de detección, junto con la decisión de conexión, ya que un veredicto correcto que llega cuando el cliente ya colgó no es un logro.
• Resultados desglosados por idioma y por tipo de campaña, porque una lista de recuperación y una de recordatorios no se comportarán igual ni siquiera con los mismos números.

Dos hábitos evitan que compre una cifra en lugar de una capacidad. Haga pruebas con su propio tráfico, a través de sus propias troncales, hacia sus propios operadores de destino, porque la precisión con audio de demostración o sintético rara vez sobrevive al contacto con producción. Y haga pilotos por tipo de campaña en lugar de cambiar un único ajuste global, revisando primero los falsos positivos, porque una persona en vivo a la que se le cortó la llamada es el error caro y el que nunca aparece en la cola de un agente.

Cuando cambie una ruta, una fuente de listas, una región o un guion, repita la revisión. El comportamiento del buzón de voz de los operadores no es un objetivo fijo, y un ajuste de detección que era correcto el trimestre pasado es solo una hipótesis este trimestre.

Cómo encaja el AMD en el resto de la operación

El AMD no es un producto independiente, y su valor proviene de lo que ocurre después del veredicto. Cuando se detecta una máquina, el agente puede dejar un mensaje de voz preparado con un clic y pasar a la siguiente llamada mientras el mensaje aún se reproduce, usando plantillas generadas por texto a voz con la voz que usted eligió y sincronizadas con cada nodo de medios, para que el mensaje funcione dondequiera que se esté cursando la llamada. Como alternativa, el contacto puede volver a ponerse en cola automáticamente según las reglas de reintento de la campaña.

Los veredictos también alimentan el modelo de ritmo de marcación. Cuando el AMD filtra los buzones de voz de las llamadas conectadas, el motor predictivo ajusta su estimación de la tasa real de conexión en vivo, de modo que el ritmo refleja las conversaciones que los agentes realmente atenderán. El AMD funciona con cualquier operador conectado por SIP, algo importante en una región donde la mayoría de las empresas traen sus propias troncales.

Preguntas frecuentes

¿Por qué la detección por pitido tiene problemas con el buzón de voz en árabe?

Porque lee la duración y no las palabras. Muchos sistemas de buzón de voz de los operadores de la región no emiten un pitido utilizable, los saludos en vivo en árabe suelen ser lo bastante largos como para parecer una grabación, los saludos grabados suelen ser lo bastante cortos como para parecer una persona, y los anuncios de red en árabe e inglés llegan antes del saludo del abonado. Ninguno de esos problemas se resuelve con una mejor detección de tonos.

¿Cómo clasifica una llamada el AMD basado en transcripciones?

Los primeros segundos de audio se transcriben en tiempo real, el idioma y el dialecto se identifican automáticamente y un clasificador puntúa el texto y devuelve un veredicto de persona o máquina con una puntuación de confianza. Después, el umbral de la campaña decide qué hacer con esa puntuación, de modo que distintas campañas pueden actuar de forma diferente ante el mismo veredicto.

¿Qué dialectos árabes cubre?

La cobertura abarca el habla del Golfo, levantina, egipcia y magrebí, y el árabe es uno de los 11 idiomas compatibles con la plataforma. El dialecto se trata como parte del idioma y no como ruido, algo especialmente importante en listas regionales mixtas donde un saludo jordano, uno saudí y uno marroquí aparecen en la misma campaña.

¿Puedo configurar una sensibilidad de AMD distinta por campaña?

Sí. Los umbrales de sensibilidad se configuran por tenant y por campaña, de modo que una campaña de recuperación en fase avanzada puede ser prudente al declarar una máquina y una campaña de recordatorios de alto volumen no. Las funciones de IA pueden controlarse mediante feature flags, así que el AMD también puede desactivarse por campaña, por tenant o de forma global.

¿Qué ocurre cuando un agente no está de acuerdo con el veredicto?

El agente lo marca con un clic desde el escritorio durante la llamada, sin formularios ni tickets. Las correcciones alimentan flujos de ajuste limitados a cada tenant, de modo que la señal se aplica a sus operadores, sus regiones y sus tipos de campaña. Los supervisores también deberían revisar con regularidad los desgloses de precisión por campaña, por operador y por idioma.

¿Se conserva el audio de la llamada para el procesamiento del AMD?

La clasificación del AMD procesa un breve segmento inicial del audio de la llamada, y el audio sin procesar usado para la clasificación no se almacena a largo plazo. Lo que se conserva es el resultado de la clasificación, la puntuación de confianza y la versión del modelo, que es lo que normalmente necesita ver una revisión de seguridad de la información.