Система интерактивного речевого самообслуживания с распределенными ресурсами тема диссертации и автореферата по ВАК РФ 05.13.15, кандидат технических наук Трощенко, Алексей Юрьевич

• Трощенко, Алексей Юрьевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Трощенко, Алексей Юрьевич

ВВЕДЕНИЕ,

1 ГЛАВА. АНАЛИЗ ТЕЛЕФОННЫХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ.

1.1 Классификация и история развития телефонных АСМО.

1.2 Call и контакт-центры.

1.2.1 Типовая архитектура.

1.2.2 Функциональные возможности.

1.2.3 Голосовой портал как часть контакт-центра.

1.3 Речевые технологии.

1.3.1 Дикторонезависимое распознавание речи.

1.3.2 Синтез слитной речи.

1.4 технологии использования данных в голосовых приложениях.

1.4.1 Стандартные технологии закрытых систем.

1.4.2 Технологии SOA, XML и web-сврвисы.

1.5 голосовые порталы.

1.5.1 Типовая архитектура.

1.5.2 Технологии построения голосовых приложений - VXML, CXML и другие стандарты.

1.5.3 Преимущества и ограничения современных голосовых порталов.

1.6 Выводы к Главе 1.

2 ГЛАВА. РАЗРАБОТКА СИСТЕМЫ ИНТЕРАКТИВНОГО РЕЧЕВОГО САМООБСЛУЖИВАНИЯ С РАСПРЕДЕЛЕННЫМИ РЕСУРСАМИ.

2.1 Функциональная модель системы.

2.2 Поиск технологических решений по реализации системы.

2.3 Типовая архитектура голосового портала на базе VXML.

2.4 Технологическая архитектура системы АСИРО.

2.4.1 Система IP телефонии.

2.4.2 Система интерактивного речевого взаимодействия — IVR.

2.4.3 Система голосового портала—Application Voice Portal.

2.4.4 Система распознавания речи.

2.4.5 Система синтеза речи.

2.5 Процедурные алгоритмы системы.

2.6 Использование распределенных ресурсов для работы системы.

2.7 Выводы к Главе 2.

3 ГЛАВА. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ ГОЛОСОВЫХ ПРИЛОЖЕНИЙ И ИХ ОПТИМИЗАЦИЯ.

3.1 Классификация голосовых приложений.

3.1.1 Направленный диалог.

3.1.2 Смешанный диалог.

3.1.3 Естественный диалог.

3.2 Этапы создания интеллектуальных голосовых приложений.

3.2.1 Постановка задачи.

3.2.2 Дизайн.

3.2.3 Реализация.

3.3 Создание интеллектуального голосового приложения на примере «Аэрофлот-Инфо».

3.3.1 Постановка задачи и дизайн.

3.3.2 Состав приложения.

3.3.3 Используемые web-сврвисы.

3.4 Описание применяемых инновационных методов, алгоритмов и технологий.

3.5 Методы оптимизации голосового приложения.

3.5.1 Системные методы оптимизации.

3.5.2 Алгоритмические методы оптимизации.

3.6 Дальнейшие шаги развития голосовых приложений.

3.7 Выводы к Главе 3.

4 ГЛАВА. МОДЕЛИРОВАНИЕ РЕЧЕВЫХ ДИАЛОГОВ.

4.1 подходы к моделированию.

4.2 Цель построения модели.ill

4.3 Аналитическая модель диалогов в голосовых приложениях.

4.3.1 Стратегия 1-е неограниченными повторами.

4.3.2 Стратегия 2-е ограниченными повторами.

4.3.3 Стратегия 3 — с установкой порога распознавания.

4.3.4 А нализ приведенных стратегий.

4.4 Сравнительный экономический анализ.

4.4.1 Предварительная информация.

4.4.2 Корпоративный call-центр.

4.4.3 Аутсорсинг услуг саП-центра.

4.4.4 Голосовая система самообслуживания.

4.4.5 Результаты экономического анализа.

4.5 Выводы к Главе 4.

Введение диссертации (часть автореферата) на тему «Система интерактивного речевого самообслуживания с распределенными ресурсами»

Одним из классов автоматизированных систем массового обслуживания (АСМО) являются системы обслуживания по телефону, такие как контакт-центры и системы интерактивного речевого самообслуживания, или голосовые порталы. Эти системы эффективно используются в самых разных отраслях, таких как финансовый сектор и страхование, телекоммуникации, розничные сети, государственные организации, туризм и транспорт, здравоохранение и другие [1]. В то время, как контакт-центры уже получили широкое распространение в нашей стране, использование речевых порталов еще только набирает обороты.

Основной задачей обозначенных систем является предоставление услуг, или сервисов через телефонный канал связи. На сегодняшний день существует множество информационных сервисов, доступных массовому пользователю через различные интерфейсы. Под интерфейсом при этом мы понимаем правила взаимодействия информационной (операционной) системы с пользователем [2]. Примерами таких интерфейсов могут служить компьютерные программы, такие как \уеЬ-браузер, интерфейс командной строки, либо специализированные интерфейсы, такие как терминал банкомата или информационный киоск. В голосовых порталах, интерфейсом взаимодействия человека с информационной системой является речь или в более частном случае - телефонный диалог. Таким образом, автоматизированные системы массового обслуживания по телефону предназначены для предоставления аналогичных компьютерным системам услуг, но через телефонный канал взаимодействия.

Если говорить о предоставлении услуг по телефону, то их можно разделить на два основных класса [3] - автоматизированные услуги и услуги с помощью операторских центров, или са11-центров. В случае са11-центров, абонент общается с живым оператором, который в свою очередь взаимодействует с необходимыми информационными системами посредством ПК и прикладных программ.

В случае автоматизированных услуг, абонент общается с системой напрямую. При этом, до недавнего времени, в качестве интерфейса взаимодействия использовался только тоновый набор, т.е. абонент выслушивал предлагаемые варианты выбора, и при помощи DTMF набора осуществлял ввод информации со своей стороны. Очевидно, такая схема не оставляла возможности реализовать целый класс приложений, таких как справка о расписании поездов или поиск ближайшего магазина. Действительно, представляется невозможным осуществить выбор города отправления и города назначения, пользуясь исключительно тоновым набором. Поэтому, появление технологий дикторонезависимого распознавания речи дало возможность решению нового пласта задач и появлению первых таких систем в России [4].

С другой стороны, постепенный процесс стандартизации во всей ИТ индустрии стал приводить к появлению унифицированных механизмов взаимодействия между информационными системами, независимо от того, какие операционные системы, серверы приложений и языки программирования они используют. Так возникла методология, которая теперь называется Сервисно-Ориентированная Архитектура [5], и базируется на стандартах web-сервисов и XML. Границей раздела в этом случае служат уже не протоколы взаимодействия, а бизнес-функции, выполняемые тем или иным web-сервисом, запрос и ответ формируются в формате XML, а протоколом, регулирующим взаимодействие является SOAP.

Необходимо также отметить и экономический эффект от использования данного класса систем. По статистике, средняя стоимость разговора, обрабатываемого в call-центре США, составляет порядка 5$, в то время как обработка разговора в системе речевого самообслуживания обходится в 0,50$, т.е. в 10 раз меньше [6, 7]. В эти оценки включаются такие расходы как зарплата персонала, аренда помещений, расходы на телекоммуникации, программно-аппаратные комплексы. Для российского рынка наши оценки показали, что стоимость звонка для системы самообслуживания в 3,5 - 5,5 раз ниже, чем в cali-центре [8]. Таким образом, данные системы позволяют существенно сократить издержки по сравнению с традиционным подходом, оставляя при этом качество обслуживания абонентов на должном уровне.

Прогресс в области компьютеро-телефонной интеграции, распознавания речи и появление стандартизированных технологий web сервисов с одной стороны, и требования рынка по оптимизации затрат на обработку вызовов с другой, представляют собой главные причины возникшего интереса к построению систем интерактивного речевого самообслуживания, в частности голосовых порталов с распределенными ресурсами.

Всё вышесказанное свидетельствует об актуальности и новизне вопросов, связанных с усовершенствованием голосовых порталов, или систем интерактивного речевого обслуживания по телефону с распознаванием речи.

Актуальность темы диссертации. Автоматизированные телефонные системы интерактивного речевого самообслуживания существенно снижают стоимость предоставления информации телефонным абонентам. Традиционным способом предоставления информации по телефону в настоящее время является центр обработки вызовов, или контакт-центр, где работают живые операторы. Такая модель работы не является эффективной при решении однотипных задач предоставления информации. Альтернативой традиционному способу является создание полностью или частично автоматических интеллектуальных речевых приложений, которые заменят всех или часть живых операторов.

Современные методы построения систем интерактивного речевого взаимодействия ограничены использованием тонового набора и работой с локальными данными, посредством доступа к базам данных. Для создания же систем, которые смогут заменить живого оператора, необходимо, во-первых, использовать дикторонезависимое распознавание речи и синтез речи, вовторых, научиться работать с удаленными данными, такими как \¥еЬ-сервисы, доступные в сети Интернет. Использование распознавания русской речи успешно апробировано российскими исследователями, в том числе и в лаборатории систем массового обслуживания ИПУ РАН, однако вопросы интеграции речевого взаимодействия с \¥еЬ-сервисами оставались открытыми. В частности, отсутствовали системы и методы, необходимые для построения таких речевых приложений, которые бы могли использовать шеЬ-сервнсы для ведения диалогов с абонентом в режиме реального времени.

Автоматизированная система интерактивного речевого обслуживания создана для решения важной народнохозяйственной задачи автоматизации процесса предоставления информации, полученной при помощи \уеЬ-сервисов по телефону.

Цель работы. Целью работы является исследование и разработка системы интерактивного речевого. самообслуживания с дикторонезависимым распознаванием речи и доступом к удаленным ресурсам посредством \veb-сервисов, для повышения эффективности обслуживания по телефону. Особое внимание в работе уделено следующим проблемам: анализу проблем и ограничений современных телефонных систем речевого самообслуживания; разработке интерфейсов работы системы интерактивного речевого взаимодействия с шеЬ-сервисами; аналитическому расчету длительности и вероятности успешного завершения диалога для различных сценариев их построения; методам повышения вероятности успешного завершения диалогов; созданию действующей системы интерактивного речевого самообслуживания с распределенной структурой.

Методы исследования. В диссертационной работе применены методы теории массового обслуживания, теории вероятностей.

Научная новизна. В результате проведенных исследований, анализа и обобщения опыта создания интеллектуальных речевых приложений получены следующие новые научные результаты:

- разработана и исследована архитектура автоматизированной системы интерактивного речевого взаимодействия с распознаванием речи на основе стандартов СОА (сервисно-ориентированная архитектура), позволяющая работать с web-сервисами сети Интернет;

- разработана действующая система и исследованы возможности её работы с географически распределенными компонентами;

- созданы первые в России образцы интеллектуальных речевых приложений с дикторонезависимым распознаванием речи и доступом к удаленным данным посредством web-сервисов - «Аэрофлот-Инфо» и «Голосовой Портал Центробанк»;

- проведены аналитические расчеты длительности и вероятности успешного завершения диалогов для различных сценариев их построения, позволяющие принимать решение об использовании той или иной стратегии в различных ситуациях.

Практическая ценность и реализация результатов работы. Разработанная Автоматизированная Система Интерактивного Речевого Обслуживания позволяет создавать голосовые приложения, использующие удаленные информационные ресурсы, доступные через web-сервисы по открытому протоколу SOAP (Service Oriented Architecture Protocol), удаленные ресурсы распознавания и синтеза речи, доступные по открытому протоколу MRCP (Media Resource Control Protocol), и удаленную управляющую информацию, выполненную в открытом стандарте VXML (Voice Extensible Markup Language). Данный подход позволяет разделить написание логики приложения (на языке VXML) от сервисов получения удаленных данных (web-сервисы), что дает возможность создавать голосовые сервисы, аналогичные сервисам Интернет.

Разработанная система может быть использована для создания таких голосовых приложений как расписание и бронирование транспортных услуг, службы информационных каталогов, отслеживание статуса заказа в розничных сетях, управление счетом в финансовых структурах, службы напоминаний, различные развлекательные приложения и др.

Разработанные математические модели могут использоваться для анализа и предварительного расчета характеристик речевых диалогов, таких как вероятность успешного завершения и средняя длительность.

Полученные в диссертационной работе результаты внедрены в ЗАО ТАИС, в ООО Регионтранк и в работах ИПУ РАН.

Апробация работы. Основное содержание работы докладывалось и обсуждалось на Международной конференции «Высокие технологии XXI века. VIII Международный форум», 23-26 апреля 2007г., Москва; Первой международной конференции «Управление развитием крупномасштабных систем», MLSD'2007, Москва 1-3 октября, 2007г.; Конференции «Интеллектуальные услуги в телефонных сетях. Рынок VAS. Технологии и бизнес», 24 - 25 апреля 2007, Виноградове; Международной конференции XII International Conference Speech and Computer (SPECOM'2007), 15-18 Октября, 2007г., Москва.

Основные положения, представляемые к защите:

1. Схемы построения речевых порталов с дикторонезависимым распознаванием речи и доступом к данным посредством web-сервисов;

2. Методы решения задач семантического анализа для речевых сервисов, на примере Аэрофлот-Инфо и Голосовой Портал Центробанк;

3. Методы увеличения вероятности успешного завершения речевых диалогов и уменьшения средней длительности диалога;

4. Схема повышения надежности успешного завершения речевого диалога.

Публикации По основным результатам диссертационной работы опубликовано 8 работ, из которых 3 статьи опубликованы в ведущих рецензируемых журналах.

Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами, заключения, списка литературы и приложений. Основная часть работы изложена на 159 страницах и содержит 57 иллюстраций и 18 таблиц с данными.

Заключение диссертации по теме «Вычислительные машины и системы», Трощенко, Алексей Юрьевич

4.5 Выводы к Главе 4

1. Моделирование систем является необходимым для сокращения издержек на тестирование системы. Для моделирования различных аспектов поведения системы используется как аналитическое, так и компьютерное моделирование, каждое из которых решает ряд своих задач.

2. Аналитическое моделирование диалоговых структур по трем различным стратегиям: a. Стратегия 1-е неограниченными повторами; b. Стратегия 2-е ограниченными повторами; c. Стратегия 3-е установкой порога распознавания.

Позволяет определить область применимости этих стратегий, а также плюсы и минусы их использования.

3. Экономический эффект от внедрения систем речевого самообслуживания с распознаванием речи позволяет с уверенностью говорить о целесообразности их внедрения. Средняя стоимость минуты разговора с системой речевого самообслуживания в 3,5 - 5,5 раз ниже по сравнению со стоимостью минуты разговора в са11-центре. В США где стоимость рабочей силы выше, этот показатель доходит до 10, т.к. зарплата операторам является основной статьей расходов в са11-центре. Дальнейшее развитие российской экономики приведет к росту зарплат, что сделает внедрение таких систем еще более привлекательным.

5 ЗАКЛЮЧЕНИЕ

1. Проведен анализ возможностей современных контакт-центров и предложена новая архитектура построения систем речевого самообслуживания, позволяющая решить проблему использования web-сервисов Интернет в речевых приложениях.

2. Разработана и проверена на практике схема построения речевых порталов, позволяющая разделять доступ к дорогостоящим ресурсам, таким как система распознавания речи, и таким образом сокращать расходы на аппаратную часть.

3. Впервые в России реализована система интерактивного речевого самообслуживания на базе стандарта Voice XML с использованием системы распознавания русской речи и созданы экспериментальные голосовые приложения Аэрофлот-Инфо и Голосовой Портал Центробанк, использующие web-сервисы для получения данных в режиме реального времени.

4. Предложена методология и разработана методика аналитического расчета длительности и вероятности успешного завершения диалога для различных стратегий диалогов.

5. Разработаны новые методы управления речевыми диалогами, позволяющие увеличивать вероятность успешного завершения диалогов и сокращать их длительность. Методы основаны на написании пользовательских фонетических транскрипций и динамическому управлению диалогом, в частности решены задачи «проблемных» слов и похожих слов.

6. Показана эффективность применения разработанных технологий на реальных примерах.

Список литературы диссертационного исследования кандидат технических наук Трощенко, Алексей Юрьевич, 2008 год

1. Росляков A.B., Центры обслуживания вызовов (Call centre). 2002, Москва: Эко-Трендз.

2. Ронжин A.JL, Карпов A.A., Ли И.В., Речевой и многомодальный интерфейсы. 2006, Москва: Наука.

3. Гольдштейн Б.С., Фрейнкман В.А., Call-центры и компьютерная телефония. 2002, Санкт-Петербург: БХВ Санкт-Петербург.

4. Zhozhikashvili V.A., Farkhadov М.Р., Petukhova N.V., Zhozhikashvili A.V., The first voice recognition applications in Russian language for use in the interactive information systems, in SP EC О M 2004. 2004: Санкт-Петербург.

5. Долотин И., Web-cepeucbi миф или реальность? ubs.ru. 2005.

6. An Introductory Guide То Speech Recognition Solutions, Report. Datamonitor, 2006.

7. The Business Case for Speech Recognition. 2000: Nuance Communications.

8. Петухова H.B., Фархадов М.П., Трощенко А.Ю. Анализ эффективности голосовой системы. Автоматизация и современные технологии.2008. №10

9. Росляков A.B., Современное состояние и прогнозы развития центров обслуживания вызовов. Инфосфера, 2001.11.

10. Самолюбова А.Б., Call Center на 100%. 2004, Москва: Альпина Бизнес Букс.

11. Солонин В., Call-центры в современном бизнесе России, 2005 // http://www.cnews.ru/reviews/free/call-center/.

12. Жожикашвили В.А., Трощенко А.Ю., Петухова Н.В., Фархадов М.П., Автоматизация контакт-центров на основе речевых технологий и web-сервисов. Восьмой международный форум «Высокие технологии XXI века», 2007.

13. Жожикашвили В.А., Трощенко А.Ю., Петухова Н.В., Фархадов М.П., Архитектура и тенденции развития контакт-центров. Автоматизация исовременные технологии, 2007. 4.

14. Elliot В., Contact Center Architecture Layers Are Key, , Gartner Research.

15. Зарубин A.A., Call- и контакт-центры Решения российских разработчиков, 2003 // http://niits.ru/public/2003/081 .pdf.

16. Спиряев О., Эволюция операторских центров. Сети и телекоммуникации, 2007. 5.

17. Dahl D.A., 10 Innovative Speech Applications, in Spring SpeechTEK. 2007.

18. Вартанян И.А., Звук-слух-мозг. 1981: Наука.

19. OpenSpeech™ Recognizer, An Intelligent, Scalable, and Comprehensive Speech Recognition Solution from Speech Works, Whitepaper. ScanSoft (Nuance), 2005.

20. Рабинер Д., Гоулд Б., Цифровая обработка речевых сигналов.

21. Rabiner L., Juang В.-Н., Fundamentals of Speech Recognition. 1992, New Jersey: Prentice Hall.

22. ESPRIT E., SA MP A Speech Assessment Methods Phonetic Alphabet, 1980 // http://www.phon.ucl.ac.uk/home/sampa/index.html.

23. Ronzhin A.L., Yusupov R.M., Li I.V., Leontieva А.В., Survey of Russian Speech Recognition Systems, in SPECOM. 2006.

24. Сорокин B.H., Синтез речи. 1992: Наука.

25. W3C, SSML 1.0 Speech Synthesis Markup Language, 2004 // http://www.w3.org/TR/speech-synthesis/.

26. Долотин И., Циюг статей "Технологии web-cepeucoe", 2005 // http://www.ubs.ru/ws/ws basics 1 .html.

27. Ньюкомер Э., Web-сервисы. XML, WSDL, SOAP и UDDI. Для профессионалов. 2003, Санкт-Петербург: Издательский дом «Питер».

28. W3C, Web Services Architecture, 2004 // http://www.w3.org/TR/ws-arch/.

29. Miller D., Analytics and Reporting for Phone-Based Self-Service. Opus Research, 2007.

30. W3C, VXML 2.0 Voice Extensible Markup Language Version, 2004 // http://www.w3.org/TR7voicexml20/.

31. W3C, VXML 2.1 Voice Extensible Markup Language Version, 2007 // http://www.w3 .org/TR/voicexml20/.

32. Уланов Д., Язык голосовой разметки VoiceXML, 2000 // http://www.pcweek.rii/Year2000/N26/CP1251/Strategv/chaptl.htm.

33. SALTFORUM, SALT Speech Application Language Tags, 2002 // http ://www. saltforum. org/.

34. Кейтон M., Новые перспективы построения речевых приложений, 2004 // http://kis.pcweek.ru/Year2004/N36/CP125 l/Strategy/chapt4.htm.

35. Dawson К., Customers Find Speech Recognition Satisfying, www.callcentermagazine.com 2003.

36. Griol D., Torres F., Hurtado L., Grau S., Garcia F., Sanchis E., Segarra E., A dialog system for the DIHANA project, in SPECOM. 2006.

37. Edlund J., Hjalmarsson A., Applications of Distributed Dialogue Systems: the KTH Connector, in ASIDE 2005.

38. Гуриев В., Свобода слова интернет-телефония. Издательский Дом Коммерсантъ, 2006.

39. Башилов Г., IP-телефония для малых и средних. CONNECT! Мир связи, 2004. 9.

40. W3C, SRGS 1.0 Speech Recognition Grammar Specification Version, 2004 // http://www.w3.org/TR/speech-grammar/.

41. W3C, SISR 1.0 Semantic Interpretation for Speech Recognition, 2007 // http://www.w3.org/TR/semantic-interpretation/.

42. W3C, CCXML 1.0-Call Control XML, 2007 // http://www.w3.org/TR/ccxml/.

43. IETF, SIP: Session Initiation Protocol, 2002 // http://www.ietf.org/rfc/rfc3261 .txt.

44. IETF, MRCP: Media Resource Control Protocol, 2006 // http://tools.ietf.org/html/rfc4463.

45. Якубинский JT.П., О диалогической речи. Русская речь, 1923. 1.

46. Chotimongkol A., Dialog Structure for Task-Oriented Conversations. Technical Communications for Engineers, 2003. 76-379.

47. Cohen M.H., Giangola J.P., Balogh J., Voice User Interface Design 2004: Addison Wesley.

48. Beasley R., Farley K.M., O'Reilly J., Squire L.H., Voice Application Development with VoiceXML. 2001: Sams Publishing.

49. Shukla C., Dass A., Gupta V., VoiceXML 2.0 Developer's Guide : Building Professional Voice-enabled Applications with JSP, ASP & Coldfusion. 2002: Osborne.

50. Жожикашвили В.А., Петухова H.В., Фархадов M.П., Компьютерные системы массового обслуживания и речевые технологии. Проблемы Управления, 2006. 2.

51. Трощенко А.Ю., Web-Service enabled Voice Applications and Dialogue optimization techniques. SPECOM, 2007.

52. Жожикашвили B.A., Андрейчук А.Ю., Петухова H.B., Фархадов М.П., Методы повышения устойчивости систем с распознаванием речи и оценка временных параметров речевого интерфейса. Автоматизация и современные технологии, 2005. 10.

53. Jelinek F., Statistical Methods for Speech Recognition (Language, Speech, and Communication). 1998: The MIT Press.

54. Советов Б.Я., Яковлев С.А., Моделирование систем. 3-е изд. 2001 : Высш.шк.

55. Mehrotra V., Fama J., Call Center Simulation Modelling: Methods, Challenges, and opportunities, in Winter Simulation Conference. 2003.

56. Stolletz R., Performance Analysis and Optimization of Inbound Call Centers. 2003: Springer. 7

57. Гнеденко Б.В., Коваленко И.Н., Введение в теорию массовогообслуживания. 2005, Москва: КомКнига.

58. Хинчин А .Я., Работы по математической теории массовогообслуживания. 2004, Москва: Едиториал УРСС.

59. Росляков А.В., Ваняшин С.В., Решодько А.А., Сравнительный анализ математических моделей центров обслуживания вызовов. Электросвязь, 2004. 9.

60. Вавилов А.А., Имитационное моделирование производственных систем. 1983, Берлин: М.: Машиностроение.

61. Louloudis D., Georgila К., Efficient Strategy and Language Modelling in Human-Machine Dialogue, in SPECOM. 2005.

62. Niimi Y., Nishimoto Т., Mathematical analysis of dialogue control strategies, in Eurospeech. 1999.

63. Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б., Современный экономический словарь. 2-е изд. 1999: ИНФРА-М.