AMD (आंसरिंग मशीन डिटेक्शन) क्या है?

आंसरिंग मशीन डिटेक्शन (जिसे आमतौर पर AMD कहा जाता है) एक आउटबाउंड डायलर के अंदर मौजूद तकनीक है जो कनेक्ट होने के पहले कुछ सेकंडों के भीतर यह निर्धारित करती है कि फोन का जवाब किसी जीवित व्यक्ति ने दिया है या किसी वॉइसमेल सिस्टम ने। इस वर्गीकरण के आधार पर, डायलर या तो कॉल को किसी एजेंट (जीवित व्यक्ति) के पास भेजता है या स्वचालित रूप से (मशीन द्वारा - आमतौर पर पहले से रिकॉर्ड किए गए वॉइसमेल को छोड़कर या कॉल को डिस्कनेक्ट करके) संभालता है।

AMD सुनने में सरल लगता है, लेकिन यह किसी भी आउटबाउंड कॉलिंग सिस्टम का सबसे महत्वपूर्ण घटक है। इसकी सटीकता दो महत्वपूर्ण व्यावसायिक मापदंडों को सीधे नियंत्रित करती है: एजेंट उपयोगिता (एजेंट वास्तविक लोगों से बात करने में कितना समय व्यतीत करते हैं) और संपर्क दर (आपके अभियान से प्रति घंटे कितनी सक्रिय बातचीत होती है)। AMD की सटीकता में कुछ प्रतिशत अंकों का अंतर भी मध्यम आकार के व्यवसाय के लिए प्रति सप्ताह हजारों खोई या प्राप्त हुई बातचीत में महत्वपूर्ण भूमिका निभा सकता है।

पारंपरिक AMD कैसे काम करता है

पारंपरिक AMD — जो दो दशकों से अधिक समय से आउटबाउंड डायलर में मानक दृष्टिकोण रहा है — कॉल कनेक्ट होने के बाद के पहले क्षणों में ऑडियो सिग्नल विश्लेषण पर निर्भर करता है। इसमें दो प्राथमिक तकनीकें हैं:

ऊर्जा और अवधि विश्लेषण

कॉल कनेक्ट होने पर, AMD सिस्टम ऑडियो वेवफॉर्म का विश्लेषण करना शुरू कर देता है। यह दो चीज़ें मापता है: शुरुआती भाषण खंड की अवधि और उस भाषण का ऊर्जा पैटर्न। इसके पीछे यह मान्यता है कि मानवीय अभिवादन संक्षिप्त होते हैं — "हैलो?", "हाँ?", "मैं बोल रहा हूँ" — आमतौर पर 1.5 सेकंड से कम, जिसके बाद व्यक्ति प्रतिक्रिया की प्रतीक्षा में विराम लेता है। इसके विपरीत, वॉइसमेल अभिवादन लंबे होते हैं (3-10 सेकंड का निरंतर भाषण) और उनमें कोई स्वाभाविक विराम नहीं होता, क्योंकि अभिवादन एक पूर्व-रिकॉर्ड किया गया एकालाप होता है।

यह सिस्टम एक निर्णय सीमा निर्धारित करता है: यदि बातचीत बिना रुके एक निर्धारित अवधि से अधिक समय तक जारी रहती है, तो यह कॉल को मशीन द्वारा की गई कॉल के रूप में वर्गीकृत करता है। यदि बातचीत संक्षिप्त है और उसके बाद मौन आता है, तो यह कॉल को किसी जीवित व्यक्ति द्वारा की गई कॉल के रूप में वर्गीकृत करता है।

बीप का पता लगाना

दूसरी पारंपरिक तकनीक में, वॉइसमेल ग्रीटिंग के अंत और रिकॉर्डिंग अवधि की शुरुआत का संकेत देने वाली विशिष्ट ध्वनि - "बीप" - को सुना जाता है। जब सिस्टम वॉइसमेल बीप की अपेक्षित आवृत्ति और अवधि (आमतौर पर 1 किलोहर्ट्ज़ की ध्वनि जो 0.5-1 सेकंड तक चलती है) से मेल खाने वाली ध्वनि का पता लगाता है, तो यह कॉल को मशीन कॉल के रूप में वर्गीकृत करता है।

बीप डिटेक्शन को मूल रूप से ऊर्जा विश्लेषण के बाद द्वितीयक पुष्टि के रूप में डिज़ाइन किया गया था। कुछ पुराने सिस्टमों में, यह प्राथमिक डिटेक्शन विधि बन गई। कॉल को एक डिटेक्शन बफर में तब तक रखा जाता था जब तक कि बीप सुनाई न दे (मशीन द्वारा) या टाइमआउट समाप्त न हो जाए (मानव द्वारा)।

पारंपरिक बीप डिटेक्शन क्यों विफल होता है?

परंपरागत AMD एक ऐसे टेलीफोनी परिदृश्य के लिए डिज़ाइन किया गया था जो अब मौजूद नहीं है। कई संरचनात्मक परिवर्तनों ने बीप-आधारित और ऊर्जा-आधारित पहचान को तेजी से अविश्वसनीय बना दिया है:

विभिन्न वाहकों में बीप की ध्वनि में असंगति

यह धारणा कि हर वॉइसमेल सिस्टम अभिवादन के बाद एक मानक बीप बजाता है, अब मान्य नहीं है। Google Voice पारंपरिक कैरियर वॉइसमेल से अलग टोन पैटर्न का उपयोग करता है। कुछ VoIP प्रदाता बीप को पूरी तरह से छोड़ देते हैं और एक विराम के बाद सीधे रिकॉर्डिंग शुरू कर देते हैं। आधुनिक स्मार्टफ़ोन पर दृश्य वॉइसमेल सिस्टम शायद बीप न बजाएं क्योंकि अभिवादन और रिकॉर्डिंग की प्रणाली को दृश्य इंटरफ़ेस द्वारा प्रतिस्थापित कर दिया गया है। मध्य पूर्व, दक्षिण एशिया और अफ्रीका में कैरियर-विशिष्ट वॉइसमेल सिस्टम उत्तरी अमेरिकी या यूरोपीय सिस्टम की तुलना में अलग-अलग टोन आवृत्तियों, अवधियों और पैटर्न का उपयोग करते हैं।

विविधता का अभिवादन

ऊर्जा-आधारित पहचान यह मानती है कि लंबा भाषण मशीन का है और छोटा भाषण मानव का। लेकिन यह धारणा कई वास्तविक परिस्थितियों में गलत साबित होती है। कुछ लोग लंबे अभिवादन के साथ जवाब देते हैं — "हाय, आपने जॉन से संपर्क किया है, मैं अपने डेस्क पर हूँ, मैं आपकी कैसे मदद कर सकता हूँ?" — जिसे मशीन के रूप में वर्गीकृत किया जाता है। कुछ वॉइसमेल सिस्टम बहुत छोटे, डिफ़ॉल्ट अभिवादन का उपयोग करते हैं — "कृपया एक संदेश छोड़ें" — जिसे मानव के रूप में वर्गीकृत किया जाता है। बहुभाषी बाजारों में, अभिवादन के तरीके भाषा और संस्कृति के अनुसार भिन्न होते हैं। उदाहरण के लिए, अरबी अभिवादन में अक्सर लंबे अभिवादन ("अस्सलामु अलैकुम व रहमतुल्लाही व बरकातूह") शामिल होते हैं जो समय सीमा से अधिक हो सकते हैं और गलत पहचान का कारण बन सकते हैं।

नेटवर्क परिवर्तनशीलता

अंतर्राष्ट्रीय कॉल, VoIP से PSTN ब्रिज और मोबाइल नेटवर्क हैंडऑफ़ के कारण ऑडियो में भिन्नता और गुणवत्ता में गिरावट आती है। पैकेट लॉस से ऑडियो स्ट्रीम में ऐसे अंतराल उत्पन्न हो सकते हैं जो मानव भाषण खंडों के बीच के विराम के समान प्रतीत होते हैं। जिटर से भाषण की अवधि बढ़ या घट सकती है। कोडेक ट्रांसकोडिंग से बीप टोन की आवृत्ति विशेषताओं में परिवर्तन हो सकता है। इन सभी प्रभावों से सिग्नल में शोर उत्पन्न होता है, जिस पर पारंपरिक AMD एल्गोरिदम वर्गीकरण के लिए निर्भर करते हैं।

वाहक-डिफ़ॉल्ट अभिवादन समस्या

कई टेलीकॉम कंपनियां, खासकर उभरते बाजारों में, ग्राहक द्वारा व्यक्तिगत अभिवादन रिकॉर्ड न किए जाने पर कैरियर द्वारा प्रदान किया गया डिफ़ॉल्ट अभिवादन बजाती हैं। ये कैरियर अभिवादन अक्सर संक्षिप्त होते हैं, पेशेवर आवाज कलाकार द्वारा बोले जाते हैं, और किसी वास्तविक व्यक्ति द्वारा दिए गए अभिवादन के समान लगते हैं। पारंपरिक AMD में कैरियर के डिफ़ॉल्ट अभिवादन "जिस व्यक्ति को आप कॉल कर रहे हैं वह उपलब्ध नहीं है" और किसी वास्तविक व्यक्ति द्वारा बोले गए "हैलो, मैं सारा हूँ" के बीच अंतर करने का कोई तरीका नहीं है - दोनों ही संक्षिप्त, स्पष्ट भाषण हैं जिनके बाद एक विराम होता है।

एआई-आधारित AMD कैसे काम करता है

एआई-आधारित AMD वर्गीकरण समस्या के लिए एक मौलिक रूप से अलग दृष्टिकोण अपनाता है। ऑडियो सिग्नल की विशेषताओं (अवधि, ऊर्जा, आवृत्ति) का विश्लेषण करने के बजाय, यह भाषण के पहले कुछ सेकंड को ट्रांसक्राइब करता है और वर्गीकृत करता है। अर्थपूर्ण सामग्री जो कुछ कहा गया था।

यह प्रक्रिया चरण दर चरण इस प्रकार है:

चरण 1: ऑडियो कैप्चर। जब कॉल कनेक्ट हो जाती है और ऑडियो चलना शुरू हो जाता है, तो AMD सिस्टम दूसरे पक्ष के भाषण के पहले 2-4 सेकंड को कैप्चर कर लेता है।

चरण 2: भाषण को पाठ में रूपांतरित करना। रिकॉर्ड की गई ऑडियो को स्पीच रिकग्निशन मॉडल द्वारा संसाधित किया जाता है जो इसे टेक्स्ट में परिवर्तित करता है। यह मॉडल बोली जाने वाली भाषा को सपोर्ट करने में सक्षम होना चाहिए - बहुभाषी कार्यों के लिए यह एक महत्वपूर्ण आवश्यकता है।

चरण 3: पाठ वर्गीकरण। लिखित पाठ का विश्लेषण एक वर्गीकरण मॉडल द्वारा किया जाता है जो यह निर्धारित करता है कि सामग्री लाइव मानव प्रतिक्रियाओं या वॉइसमेल अभिवादनों से जुड़े पैटर्न से मेल खाती है या नहीं।

प्रत्येक प्रकार की प्रतिक्रिया को जब लिखित रूप में प्रस्तुत किया जाता है, तो उसकी ध्वनि में अंतर पर विचार करें:

• जीवित मानव पैटर्न: "हैलो?" / "हाँ?" / "मैं बोल रहा हूँ" / "कौन बोल रहा है?" / "अलो?" (तुर्की) / "हाँ बोलो" (हिंदी) / "नाम" (अरबी) — संक्षिप्त, प्रश्नवाचक, अपेक्षित उत्तर।
• वॉइसमेल पैटर्न: "आप जिसे कॉल कर रहे हैं वह उपलब्ध नहीं है। कृपया टोन के बाद संदेश छोड़ दें।" / "नमस्ते, आपने [नाम] से संपर्क किया है। मैं अभी आपकी कॉल नहीं ले सकता..." / "Al-shakhs alladhi tattasil bihi ghayr mutah..." (अरबी कैरियर डिफ़ॉल्ट) - लंबे, स्पष्ट और सूचनात्मक संदेश।

चरण 4: आत्मविश्वास स्कोरिंग और निर्णय। यह क्लासिफायर एक कॉन्फिडेंस स्कोर लौटाता है। यदि कॉन्फिडेंस निर्धारित सीमा से अधिक है, तो वर्गीकरण तुरंत लागू हो जाता है। यदि कॉन्फिडेंस सीमा से कम है, तो सिस्टम अंतिम निर्णय लेने से पहले अतिरिक्त ऑडियो रिकॉर्ड कर सकता है। यह चरणबद्ध दृष्टिकोण गलत परिणामों और पहचान में लगने वाले समय दोनों को कम करता है।

एआई AMD बनाम पारंपरिक AMD : तुलना

आयाम	पारंपरिक (बीप/ऊर्जा)	एआई-आधारित (प्रतिलेख वर्गीकरण)
पता लगाने की विधि	ऑडियो सिग्नल विश्लेषण: अवधि, ऊर्जा, बीप टोन आवृत्ति	भाषण-से-पाठ प्रतिलेखन के बाद अर्थपरक सामग्री वर्गीकरण
भाषा समर्थन	सैद्धांतिक रूप से भाषा-स्वतंत्र, लेकिन अंग्रेजी भाषा के अभिवादन पैटर्न और अमेरिका/ब्रिटेन के कैरियर बीप टोन के लिए अनुकूलित।	भाषा-विशिष्ट प्रतिलेखन मॉडल की आवश्यकता होती है; सटीकता भाषा कवरेज के साथ बढ़ती है।
अंग्रेजी कॉलों पर सटीकता	मानक कैरियर वॉइसमेल वाले अमेरिकी लैंडलाइन पर सेवा ठीक-ठाक है। VoIP , मोबाइल और गैर-मानक अभिवादनों पर सेवा की गुणवत्ता खराब हो जाती है।	वर्गीकरण अर्थ पर आधारित होने के कारण सटीकता लगातार उच्च बनी रहती है, न कि ऑडियो विशेषताओं पर।
गैर-अंग्रेजी कॉलों पर सटीकता	खराब। अंग्रेजी अभिवादन पैटर्न के लिए कैलिब्रेट की गई अवधि और ऊर्जा सीमाएं अरबी, हिंदी, तुर्की और अलग-अलग अभिवादन परंपराओं वाली अन्य भाषाओं पर उच्च गलत सकारात्मक दरें उत्पन्न करती हैं।	जब प्रतिलेखन मॉडल लक्ष्य भाषा का समर्थन करता है तो उच्च सटीकता प्राप्त होती है। प्रत्येक भाषा के अभिवादन पैटर्न स्वतंत्र रूप से सीखे जाते हैं।
गलत सकारात्मक दर	बाजार और वाहक मिश्रण के आधार पर 5-15%	समर्थित भाषाओं में आंतरिक पायलट स्थितियों में 3% से कम
कैरियर वॉइसमेल वेरिएशन	वाहक भिन्नताओं के प्रति संवेदनशील। बीप की आवृत्ति, अवधि और उपस्थिति भिन्न हो सकती है। निरंतर मैन्युअल ट्यूनिंग की आवश्यकता होती है।	यह प्रणाली स्वर पैटर्न के बजाय सामग्री को वर्गीकृत करती है, इसलिए वाहक भिन्नता से काफी हद तक अप्रभावित रहती है।
पता लगाने में लगने वाला समय	1-3 सेकंड (भाषण की अवधि की सीमा या बीप की प्रतीक्षा करता है)	2-4 सेकंड (लिपिन और वर्गीकरण के लिए पर्याप्त भाषण की प्रतीक्षा करता है)
अनुकूलन	ऑपरेशन टीम द्वारा थ्रेशहोल्ड का मैन्युअल समायोजन	एजेंट फीडबैक लूप के माध्यम से किरायेदार-केंद्रित ट्यूनिंग — एजेंट गलत वर्गीकरणों को चिह्नित कर सकते हैं जो मॉडल समायोजन को सूचित करते हैं

AMD सटीकता क्यों मायने रखती है: गलत सकारात्मक गणितीय गणना

AMD की सटीकता के व्यावसायिक प्रभाव को अक्सर कम करके आंका जाता है क्योंकि प्रतिशत के हिसाब से त्रुटि दर कम लगती है। लेकिन जब इसे किसी सामान्य आउटबाउंड अभियान में आने वाली कॉलों की संख्या पर लागू किया जाता है, तो छोटे प्रतिशत भी बड़ी संख्या बन जाते हैं।

आइए एक ठोस उदाहरण के माध्यम से समझते हैं:

मान लीजिए कि एक 50 एजेंटों वाली प्रेडिक्टिव डायलिंग टीम 8 घंटे की शिफ्ट में काम करती है। प्रत्येक एजेंट प्रतिदिन लगभग 150 कनेक्टेड कॉल हैंडल करता है। पूरी टीम मिलकर प्रतिदिन लगभग 7,500 कॉल कनेक्ट करती है। इनमें से लगभग 35% कॉल किसी व्यक्ति से सीधे बात करने तक पहुंचती हैं (2,625 कॉल) और 65% कॉल वॉइसमेल पर पहुंचती हैं या अनुत्पादक होती हैं (4,875 कॉल)।

अब फॉल्स पॉजिटिव रेट पर विचार करें — वह दर जिस पर AMD गलती से किसी जीवित व्यक्ति को वॉइसमेल के रूप में वर्गीकृत करता है और कॉल को डिस्कनेक्ट कर देता है:

• 10% गलत सकारात्मक दर पर (गैर-अंग्रेजी कॉल पर पारंपरिक AMD के लिए सामान्य): प्रतिदिन 263 लोग फोन से कट जाते हैं। 22 दिनों के कार्य माह में, इसका मतलब है 5,786 बातचीत का नुकसान। इनमें से प्रत्येक व्यक्ति ने फोन उठाया, थोड़ी देर की चुप्पी सुनी और फिर फोन कट गया।
• 5% गलत सकारात्मक दर पर (अच्छी तरह से ट्यून किए गए अंग्रेजी कॉल पर पारंपरिक AMD ): प्रतिदिन 131 लोग इंटरनेट से डिस्कनेक्ट हो जाते हैं। मासिक: 2,882 बातचीत अधूरी रह जाती हैं।
• 3% की गलत सकारात्मक दर पर: प्रतिदिन 79 लोग इंटरनेट से डिस्कनेक्ट हो जाते हैं। मासिक: 1,738 बातचीत गुम हो जाती हैं।

उन दोनों दरों के बीच का अंतर है प्रति माह 4,048 अतिरिक्त लाइव वार्तालाप एक ही टीम, एक ही सूची, एक ही समय के लिए। ऊपर दी गई दरें केवल उदाहरण के तौर पर हैं, विक्रेता के मानक नहीं हैं — किसी भी विक्रेता से, जिसमें हम भी शामिल हैं, अपने जैसे ट्रैफ़िक पर आधारित आंकड़े पूछें। वसूली के माहौल में, जहाँ प्रत्येक सही पक्ष से संपर्क का मापने योग्य वसूली मूल्य होता है, या बिक्री के माहौल में, जहाँ प्रत्येक बातचीत का पाइपलाइन मूल्य होता है, राजस्व पर इसका प्रभाव काफी महत्वपूर्ण होता है।

और इसका नुकसान सिर्फ बातचीत का छूट जाना ही नहीं है। हर गलत कॉल एक नकारात्मक ब्रांड संपर्क बिंदु है — एक ऐसा व्यक्ति जिसने फोन उठाया और कॉल कट गई। विनियमित उद्योगों में, बार-बार कॉल कटने से अनुपालन संबंधी जांच शुरू हो सकती है। जिन बाजारों में उपभोक्ता शिकायतों के कारण नंबर ब्लॉक किए जाते हैं, वहां गलत कॉल से कॉलर आईडी की प्रतिष्ठा में गिरावट और भी बढ़ जाती है।

बहुभाषी AMD चुनौती

AMD की सटीकता सभी भाषाओं में एक समान नहीं होती। पारंपरिक AMD सिस्टम मुख्य रूप से अंग्रेजी भाषी बाजारों के लिए डिज़ाइन किए गए थे - विशेष रूप से, मानकीकृत वॉइसमेल सिस्टम वाले अमेरिकी और ब्रिटिश वाहकों के लिए। अन्य बाजारों में तैनात किए जाने पर, कई कारकों के कारण उनकी सटीकता में काफी गिरावट आती है:

अभिवादन की लंबाई संबंधी नियम। अरबी में औपचारिक अभिवादन 3-4 सेकंड से अधिक समय तक लगातार बोले जा सकते हैं, जिससे समय अवधि के आधार पर गलत परिणाम आने की संभावना रहती है। हिंदी अभिवादन क्षेत्र और औपचारिकता के स्तर के अनुसार भिन्न होते हैं। तुर्की अभिवादनों की लयबद्धता अंग्रेजी से अलग होती है। प्रत्येक भाषा की अपनी "सामान्य" अभिवादन अवधि और संरचना होती है।

कैरियर वॉइसमेल सिस्टम। वॉयसमेल का कार्यान्वयन देश और सेवा प्रदाता के अनुसार अलग-अलग होता है। जीसीसी (यूरोपीय समुदाय) के सेवा प्रदाताओं (एतिसलात, एसटीसी, ओरेडू, डू, ज़ैन) के डिफ़ॉल्ट अभिवादन, टोन पैटर्न और व्यवहार अलग-अलग होते हैं। दक्षिण एशियाई सेवा प्रदाताओं (जियो, एयरटेल, पीटीसीएल, जैज़) में भी इसी तरह भिन्नता पाई जाती है। यूरोपीय सेवा प्रदाताओं (वोडाफोन, ऑरेंज, ड्यूश टेलीकॉम) के अपने-अपने पैटर्न हैं। एटी एंड टी और वेरिज़ोन के वॉयसमेल पर प्रशिक्षित सिस्टम डू और एतिसलात पर खराब प्रदर्शन करेगा।

कोड स्विचिंग। कई बाजारों में, वक्ता एक ही अभिवादन के दौरान अलग-अलग भाषाओं का इस्तेमाल करते हैं — जैसे कि चीनी और चीनी देशों में अंग्रेजी और अरबी, भारत में हिंदी और अंग्रेजी, और पाकिस्तान में उर्दू और अंग्रेजी। पारंपरिक AMD में मिश्रित भाषा के अभिवादनों को संभालने का कोई ढांचा नहीं है। बहुभाषी प्रतिलेखन से लैस AI-आधारित AMD भाषा परिवर्तन को स्वाभाविक रूप से संभाल सकता है क्योंकि यह सामग्री को उसकी मूल भाषा की परवाह किए बिना वर्गीकृत करता है।

DialerBee का AI AMD किस प्रकार अलग है?

टेलीकॉम क्षेत्र में 22 वर्षों के अनुभव वाली BroadNet द्वारा विकसित DialerBee , AMD बहुभाषी-केंद्रित समस्या के रूप में देखती है। व्यवहार में इसका अर्थ यह है:

9 भाषाओं में प्रतिलेखन और वर्गीकरण। DialerBee का AMD अंग्रेजी, अरबी, स्पेनिश, फ्रेंच, जर्मन, इतालवी, तुर्की, हिंदी, उर्दू, पुर्तगाली और इंडोनेशियाई भाषाओं को सपोर्ट करता है। प्रत्येक भाषा के लिए समर्पित ट्रांसक्रिप्शन क्षमता और भाषा-विशिष्ट वर्गीकरण पैटर्न उपलब्ध हैं। यह सभी कॉलों पर लागू होने वाला एक ही अंग्रेजी मॉडल नहीं है — प्रत्येक भाषा को उस भाषा के अभिवादन नियमों, वाहक पैटर्न और सांस्कृतिक मानदंडों से अवगत मॉडल द्वारा संभाला जाता है।

वर्गीकरण बीप-आधारित के बजाय ट्रांसक्रिप्ट-आधारित है। समर्थित भाषाओं में, DialerBee का एआई AMD आंतरिक पायलट परीक्षणों में 3% से कम गलत सकारात्मक दर प्राप्त करता है। परिणाम अभियान, सूची की गुणवत्ता, प्रदाता, क्षेत्र, गति और कार्यप्रवाह के आधार पर भिन्न होते हैं। यह पारंपरिक बीप-डिटेक्शन सिस्टम की 5-15% गलत सकारात्मक दरों की तुलना में एक महत्वपूर्ण सुधार दर्शाता है, विशेष रूप से गैर-अंग्रेजी कॉलों पर।

किरायेदार-आधारित ट्यूनिंग। मल्टी-टेनेंट वातावरण में (जैसे कि कई क्लाइंट्स के लिए कैंपेन चलाने वाले बीपीओ, कई अंतिम ग्राहकों को सेवा देने वाले रीसेलर), AMD व्यवहार को प्रत्येक टेनेंट के अनुसार समायोजित किया जा सकता है। एजेंट फीडबैक लूप एजेंटों को गलत तरीके से वर्गीकृत कॉलों को चिह्नित करने की अनुमति देते हैं, और यह फीडबैक विशिष्ट टेनेंट के ट्रैफिक पैटर्न के अनुसार मॉडल समायोजन में सहायक होता है। यह विशेष रूप से विशिष्ट कैरियर नेटवर्क या क्षेत्रीय बाजारों में कॉल करने वाले ऑपरेशनों के लिए उपयोगी है।

बीप की कोई आवश्यकता नहीं है। DialerBee का AMD किसी भी चरण में बीप डिटेक्शन पर निर्भर नहीं करता है। वर्गीकरण पूरी तरह से प्रारंभिक भाषण की लिखित सामग्री पर आधारित है। यह इसे वाहक-विशिष्ट बीप भिन्नताओं से मुक्त बनाता है जो पारंपरिक प्रणालियों को प्रभावित करती हैं - बीप न बजना, गैर-मानक बीप, विलंबित बीप या कई बीप बजना, सभी एक ही सही वर्गीकरण में परिणत होते हैं क्योंकि सिस्टम को शुरू से ही बीप की आवश्यकता नहीं थी।

विन्यास योग्य निपटान क्रियाएँ। जब AMD किसी कॉल को मशीन कॉल के रूप में वर्गीकृत करता है, तो कैंपेन मैनेजर आगे की कार्रवाई को कॉन्फ़िगर कर सकते हैं: कॉल को चुपचाप काट देना, पहले से रिकॉर्ड किया गया वॉइसमेल संदेश भेजना (वॉइसमेल ड्रॉप), या किसी विशिष्ट IVR फ़्लो पर भेजना। ये कार्रवाइयां प्रत्येक कैंपेन और प्रत्येक टेनेंट के लिए कॉन्फ़िगर की जा सकती हैं, जिससे संचालन को मशीन द्वारा पहचानी गई कॉलों को संभालने पर पूरा नियंत्रण मिलता है।

प्रेडिक्टिव डायलिंग के साथ एकीकरण। AMD सटीकता सीधे तौर पर प्रभावशीलता को प्रभावित करती है। पूर्वानुमानित डायलिंगजब AMD वॉइसमेल कनेक्शनों को सही ढंग से फ़िल्टर करता है, तो प्रेडिक्टिव एल्गोरिदम को वास्तविक कनेक्ट दरों के बारे में स्पष्ट संकेत मिलते हैं और यह अधिक सटीक रूप से काम कर सकता है। खराब AMD प्रेडिक्टिव एल्गोरिदम को गलत डेटा देता है, जिससे दक्षता में लगातार गिरावट आती है। DialerBee के AI AMD और प्रेडिक्टिव डायलिंग इंजन के बीच मजबूत एकीकरण का मतलब है कि दोनों सिस्टम एक दूसरे को मजबूत करते हैं।

अक्सर पूछे जाने वाले प्रश्नों

कॉल सेंटर में AMD का क्या मतलब होता है?

AMD का मतलब है आंसरिंग मशीन डिटेक्शन। यह आउटबाउंड डायलर का वह घटक है जो यह निर्धारित करता है कि कनेक्टेड कॉल किसी व्यक्ति तक पहुंची है या वॉइसमेल सिस्टम तक। कॉल कनेक्ट होने के पहले 2-4 सेकंड के भीतर ही यह वर्गीकरण हो जाता है और निर्धारित करता है कि कॉल किसी एजेंट को भेजी जाएगी या स्वचालित रूप से संभाली जाएगी।

उत्तर देने वाली मशीन का पता लगाने की क्षमता कितनी सटीक है?

तकनीक और बाज़ार के अनुसार सटीकता में काफ़ी अंतर होता है। पारंपरिक बीप-डिटेक्शन AMD आमतौर पर मानक कैरियर वॉइसमेल के साथ अमेरिकी अंग्रेज़ी कॉल पर 85-95% सटीकता प्राप्त करता है, लेकिन गैर-अंग्रेज़ी कॉल, मोबाइल नंबर और VoIP लाइनों पर सटीकता 80-90% तक गिर जाती है। ट्रांसक्रिप्शन और वर्गीकरण का उपयोग करने वाला AI-आधारित AMD उच्च सटीकता प्राप्त करता है — DialerBee का AI AMD ट्रांसक्रिप्ट-आधारित वर्गीकरण करता है। परिणाम अभियान, सूची की गुणवत्ता, प्रदाता, क्षेत्र, गति और कार्यप्रवाह के अनुसार भिन्न होते हैं।

AMD और वॉइसमेल डिटेक्शन में क्या अंतर है?

ये दोनों शब्द आम तौर पर एक दूसरे के स्थान पर प्रयोग किए जा सकते हैं। "आंसरिंग मशीन डिटेक्शन" डायलर विक्रेताओं, दूरसंचार इंजीनियरों और अनुपालन नियमों द्वारा इस्तेमाल किया जाने वाला उद्योग-मानक शब्द है। "वॉइसमेल डिटेक्शन" एक अधिक बोलचाल का शब्द है जिसका अर्थ वही है। कुछ प्रणालियाँ "आंसरिंग मशीन" (एक भौतिक उपकरण) और "वॉइसमेल" (एक कैरियर-होस्टेड सेवा) के बीच अंतर करती हैं, लेकिन आधुनिक उपयोग में, AMD दोनों को शामिल करता है।

क्या AMD के कारण कॉलर को एजेंट की आवाज सुनने में देरी होती है?

जी हां। AMD को कॉल को वर्गीकृत करने से पहले ऑडियो विश्लेषण के लिए थोड़े समय की आवश्यकता होती है। पारंपरिक AMD में आमतौर पर 1-3 सेकंड लगते हैं। AI-आधारित AMD में आमतौर पर 2-4 सेकंड लगते हैं। इस दौरान, कॉल का जवाब देने वाले व्यक्ति को एजेंट से कनेक्ट होने से पहले थोड़ी देर की चुप्पी सुनाई दे सकती है। यह "AMD विलंब" एक ज्ञात समझौता है: कम समय में पहचान करने की क्षमता से एजेंट जल्दी कनेक्ट हो जाता है लेकिन सटीकता कम हो जाती है, जबकि अधिक समय में सटीकता बढ़ती है लेकिन कॉलर को अधिक देर तक चुप्पी का सामना करना पड़ता है। आधुनिक प्रणालियाँ स्तरीय विश्वास सीमा का उपयोग करके इस संतुलन को अनुकूलित करती हैं - उच्च-विश्वास वर्गीकरण जल्दी लागू किए जाते हैं, जबकि अस्पष्ट मामलों को अतिरिक्त विश्लेषण समय मिलता है।

क्या AMD बंद किया जा सकता है?

जी हां। DialerBee समेत ज़्यादातर डायलर, हर कैंपेन के लिए AMD बंद करने की सुविधा देते हैं। AMD बंद होने पर, हर कनेक्टेड कॉल सीधे एजेंट के पास जाती है, चाहे जवाब किसी इंसान ने दिया हो या मशीन ने। इससे गलत कॉल की संभावना पूरी तरह खत्म हो जाती है, लेकिन इसका मतलब है कि एजेंट को वॉइसमेल कॉल को मैन्युअल रूप से हैंडल करना होगा - यानी ग्रीटिंग सुनना, मशीन की कॉल पहचानना और कॉल काट देना। कम कॉल वाले कैंपेन, प्रीव्यू डायलिंग कैंपेन या ऐसे कैंपेन जहां हर संपर्क प्रयास महत्वपूर्ण हो, उनके लिए AMD को बंद करना सही विकल्प हो सकता है।

एआई AMD उन कॉलों को कैसे हैंडल करता है जिनमें कोई बोलता नहीं है?

जब कोई कॉल कनेक्ट हो जाती है लेकिन निर्धारित समय सीमा (आमतौर पर 3-5 सेकंड) के भीतर कोई आवाज़ सुनाई नहीं देती, तो सिस्टम वैकल्पिक वर्गीकरण लागू करता है। यह स्थिति तब उत्पन्न हो सकती है जब कोई व्यक्ति कॉल का जवाब देता है और चुपचाप प्रतीक्षा करता है, जब कोई फ़ैक्स मशीन कनेक्ट हो जाती है, या जब कोई कैरियर सिस्टम संदेश से पहले मौन रखता है। अधिकांश ऑपरेशन वैकल्पिक वर्गीकरण को एजेंट के पास रूट करने के लिए कॉन्फ़िगर करते हैं (यह मानते हुए कि किसी चुप रहने वाले व्यक्ति की संभावना किसी चुप रहने वाली मशीन की तुलना में अधिक है), लेकिन यह ऑपरेशन की प्राथमिकताओं और डायल की जा रही कॉल सूची की विशेषताओं के आधार पर प्रत्येक अभियान के लिए कॉन्फ़िगर किया जा सकता है।