AI-оцінювання якості дзвінків

Супервайзери могли прослухати лише невелику частку дзвінків, тож оператори отримували мало послідовного зворотного зв’язку, а старе оцінювання за 4 критеріями було надто грубим, щоб на ньому навчати. Мета полягала в тому, щоб оцінювати кожен дзвінок однаково й пояснювати кожному операторові причини оцінки.

Рубрику на 8 критеріїв і 100 балів (обслуговування, чіткість, емпатія, активне слухання, точність, розв’язання проблем, ефективність, робота в стресі) з правилами зняття балів і промптом QA-аудитора грузинською мовою розроблено мною. Потім Gemini 2.5 Pro і Flash порівняли на тих самих дзвінках і прорахували вартість. Flash оцінював реалістичніше (81 проти 93 за той самий дзвінок) приблизно за шосту частину вартості.

Робочий процес n8n брав із таблиці дзвінків телефонії по одному неоціненому дзвінку й завантажував запис; Gemini повертав розшифровку, категорію дзвінка й оцінки, які процес розбирав, рахував їхню вартість і зберігав. Відповіді, які не вдавалося розібрати, записувалися в журнал разом із вартістю, а дзвінок повертався в чергу; коли вузол LangChain Gemini почав давати збої на аудіо, цей крок перебудували як прямий HTTP-запит із вбудованим аудіо. Кожен оператор отримував у Mattermost повідомлення зі своєю оцінкою та її причинами, а кастомний візуал Power BI на TypeScript додав до таблиці оцінок підказки з коментарями для кожної клітинки, чого стандартна таблиця не вміє.