Aller au contenu
English

Ce qu'est un serveur vocal interactif, et pourquoi les entreprises en utilisent encore

  • Leçon 22
  • 30 min
  • Module 7 : Construire un petit serveur vocal interactif

Où nous en sommes

Jusqu'ici, nous écoutions les appels après leur fin. Maintenant, Larkfield veut que sa ligne réponde automatiquement hors des heures d'ouverture. Dans cette leçon, nous voyons le SVI comme une carte des états. Nous examinons aussi les mesures qui distinguent un bon menu téléphonique d'un mauvais.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 22 sur 36 · IA de la parole : transcrire, comprendre et parlerCe qu'est un serveur vocal interactif, et pourquoi les entreprises en utilisent encore
Aperçu du cours

Ce que vous saurez faire

Voyez un menu téléphonique comme une petite carte des états. Découvrez ensuite les quatre chiffres qui indiquent si la ligne de Larkfield aide les appelants hors des heures d’ouverture ou les irrite.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 30 minutes

Ce que vous devez savoir

Ce qu’il vous faut

  • Rien à installer. Cette leçon ne contient aucun code. Vous écoutez un appel et lisez un diagramme.

Vous appelez votre pharmacie à 21 h. Il n’y a personne. Une voix enregistrée répond : « Pour les heures d’ouverture, appuyez sur 1. Pour vérifier une ordonnance, appuyez sur 2. » Vous appuyez sur 2. La voix demande votre numéro d’ordonnance. Vous le saisissez. La voix dit : « Votre ordonnance est prête. Vous pouvez la récupérer demain après 8 h. » Vous raccrochez. Vous avez votre réponse, et personne n’a travaillé tard pour vous la donner.

Imaginez maintenant une mauvaise version du même appel. La voix énumère neuf options. Aucune ne correspond à votre question. Vous appuyez sur 0. La voix dit « Désolé, je n’ai pas compris » et répète les neuf options. Vous raccrochez, en colère, et vous rappelez le lendemain matin.

Les deux utilisent le même type de système. La différence tient à la façon de le construire et de le tester. Dans ce module, vous construisez la bonne version pour Larkfield.

Le problème : le téléphone de Larkfield sonne quand il n’y a personne

Section intitulée « Le problème : le téléphone de Larkfield sonne quand il n’y a personne »

Le centre d’assistance de Larkfield reçoit environ 4 000 appels par mois, en anglais et en français. Environ 900 arrivent hors des heures d’ouverture, quand aucun agent ne travaille. Aujourd’hui, ces appelants entendent un message et rappellent plus tard.

Beaucoup de ces questions sont simples. « Où est ma commande? » « Quelles sont vos heures d’ouverture? » « Je veux retourner quelque chose. » Un agent répond à chacune en quelques minutes. L’équipe de Larkfield estime le coût d’un appel traité par une personne à 4,00 $ US (6 minutes à 40 $ US l’heure). Ce chiffre est une hypothèse des données du cours, pas un prix mesuré.

Omar, le gestionnaire de produit, pose une bonne question : « La ligne peut-elle répondre automatiquement aux questions simples hors des heures d’ouverture? Et peut-elle diriger les autres appelants vers une personne le lendemain matin, avec leur question déjà notée? »

Une ligne téléphonique qui répond automatiquement s’appelle un serveur vocal interactif (SVI, IVR). « Interactif » signifie qu’il réagit aux actions de l’appelant. « Vocal » signifie qu’il répond par la parole. Vous en avez utilisé plusieurs : banques, compagnies aériennes, cabinets médicaux et entreprises de livraison en ont tous.

Pensez à un jeu de société. Votre pion se trouve toujours sur une case. Un lancer de dés le déplace vers une autre case, selon des règles fixes. Vous savez toujours où vous êtes et ce qui peut arriver ensuite.

Un SVI fonctionne de la même façon. À chaque moment de l’appel, il se trouve dans un état : « demander la langue », « demander le besoin », « demander le numéro de commande ». Dans chaque état, il diffuse un message (une phrase qu’il prononce), puis il écoute. Les paroles de l’appelant ou les touches utilisées font passer l’appel à l’état suivant. Les ingénieurs appellent cela une machine à états, car le programme comprend des états et des règles pour passer de l’un à l’autre.

Voici la carte du SVI de Larkfield que vous construisez dans ce module :

Un diagramme de six cases. Accueil et langue, puis Menu, puis Numéro de commande, puis Confirmation, puis Réponse. Depuis Menu, les heures d'ouverture mènent directement à Réponse. Depuis Confirmation, non ramène à Numéro de commande. Des flèches pointillées relient Accueil, Menu, Numéro de commande et Confirmation à Une personne prend le relais, après deux échecs ou quand l'appelant appuie sur 0.
Le SVI de Larkfield comme carte des états. Flèches pleines : parcours habituel d'un appelant. Flèches pointillées : chemin vers une personne.
Description textuelle du diagramme

L’appel commence dans Accueil et langue : l’appelant dit « English » ou « Français », ou appuie sur 1 ou 2. Ensuite, Menu : l’appelant dit ce qu’il veut, ou appuie sur 1 pour les commandes, 2 pour les heures d’ouverture, 3 pour les retours. Le SVI donne immédiatement les heures d’ouverture. Pour le statut d’une commande ou un retour, le SVI a besoin du Numéro de commande. Il le relit ensuite dans Confirmation. Un « oui » mène à la Réponse. Un « non » ramène au numéro de commande. Depuis chaque état, une flèche pointillée mène à Une personne : après deux échecs, ou quand l’appelant appuie sur 0.

Deux types de problèmes ont leur propre nom, car chaque SVI doit les gérer :

  • Aucune entrée (no-input) : l’appelant ne dit rien. Il n’a peut-être pas entendu la question, ou il réfléchit. Le SVI de Larkfield attend 5 secondes.
  • Aucune correspondance (no-match) : les paroles de l’appelant ou la touche utilisée ne correspondent à aucune option. Par exemple, il appuie sur 7 dans un menu qui propose seulement 1, 2 et 3.

Chaque cas compte comme un échec. Après le premier échec, le SVI repose la question autrement. Après le deuxième échec dans le même état, il arrête d’essayer et transfère l’appel à une personne. Un appelant ne devrait jamais rester pris dans une boucle.

Avant de construire quoi que ce soit, écoutez un appel dans le SVI terminé. L’appel I-009 fait partie des appels de test enregistrés du cours. L’appelant veut savoir où se trouve sa commande.

Appel de test I-009 dans le SVI de Larkfield, 52 secondes, sur une ligne téléphonique (8 000 échantillons par seconde). Les deux voix sont synthétiques. L’appelant est Kokoro (voix bm_george). Le SVI est Piper, entraîné sur le corpus LJ Speech. Nous avons placé les tours enregistrés de l’appelant et les messages du SVI aux moments de l’exécution de test enregistrée.

Écoutez la phrase en français dans l’accueil : le SVI la dit avec sa voix anglaise, et un appelant francophone entend du français avec un accent américain. C’est un vrai défaut, et nous le gardons exprès. Vous verrez pourquoi il se produit, et comment un meilleur accueil l’évite, dans La synthèse vocale pour les messages.

Transcription (secondes depuis le début de l’appel) :

  • 0 s, SVI : « Welcome to Larkfield. You are talking to an automated assistant. For English, say English or press 1. Pour le français, dites français ou appuyez sur 2. »
  • 10,98 s, appelant : « English. »
  • 14,2 s, SVI : « How can I help? Say order status, opening hours, or start a return. You can also press 1 for orders, 2 for opening hours, 3 for returns, or 0 for a person. »
  • 25,05 s, appelant : « Where is my order? »
  • 28,1 s, SVI : « Please say or type your six-digit order number. »
  • 30,88 s, appelant : « four seven nine nine zero seven »
  • 34,9 s, SVI : « Order 4 7 9, 9 0 7. Is that right? Say yes or no, or press 1 for yes and 2 for no. »
  • 43,56 s, appelant : « Yes. »
  • 46 s, SVI : « Your Cedar raised bed was delivered on May 11. Thank you for calling Larkfield. Goodbye. »

Le même appel en image. Le temps avance de gauche à droite :

Une ligne du temps de l'appel I-009, de 0 à 52 secondes, en quatre rangées. État : langue, menu, numéro, confirmation, terminé. Le SVI dit : accueil, menu, numéro, confirmation, statut. Appelant : quatre courtes formes d'onde après chaque message. Le SVI a entendu : English, Where is my order?, 479907, Yes. Yes.
L'appel I-009 à travers les états. La première rangée montre l'état. La deuxième montre chaque message diffusé par le SVI. La troisième montre la voix de l'appelant. La dernière montre ce que le SVI a entendu (Whisper base), au moment de décider.
Description textuelle du diagramme

L’appel traverse cinq états : langue, menu, numéro, confirmation et terminé. Dans chaque état, le SVI diffuse un message, puis l’appelant répond. Le SVI a entendu « English. », puis « Where is my order? », puis « 479907. », puis « Yes. Yes. ». Chaque réponse a fait avancer l’appel d’un état. Les messages d’accueil et du menu sont longs : ensemble, ils prennent plus de 20 secondes de l’appel.

Regardez la fiche d’appel que le SVI a écrite à la fin. C’est le même type de fiche que les analyses du module 6 utilisent :

{"language": "en", "intent": "order_status", "order": "479907",
"outcome": "status_given", "handoff_reason": null,
"heard": ["English.", "Where is my order?", "479907.", "Yes. Yes."],
"prompts": ["welcome", "menu", "number", "confirm", "status"], "misses": 0}

L’intention est ce que l’appelant veut (order_status, statut de la commande). Le résultat indique comment l’appel s’est terminé (status_given, statut fourni). Quand une personne prend le relais, handoff_reason (motif du transfert) indique pourquoi. Dans cet appel, rien n’a mal fonctionné, donc ce champ est vide.

Tomás, l’ingénieur en IA, n’aime pas les menus. « Pourquoi construire un menu téléphonique? Un modèle de langage peut parler de tout. » C’est une bonne question, et le module 8 y répond avec des mesures. Voici les trois forces du menu que toute solution de remplacement doit conserver.

La carte des états représente tout le programme. Vous pouvez la lire, la dessiner et tester chaque parcours. Le SVI n’invente jamais de promesse, car chaque phrase qu’il prononce est écrite à l’avance.

Un menu fonctionne sur un petit serveur. Un petit modèle Whisper sur processeur assure la reconnaissance de la parole. Piper produit la voix sur le même processeur. Le tableau des coûts de Larkfield estime le calcul du SVI à environ 0,002 $ US par appel (une hypothèse). Une personne coûte 4,00 $ US par appel.

Un menu ne peut faire que les quelques actions prévues : lire le statut d’une commande, lire les heures d’ouverture, commencer un retour. En cas de doute, il transfère l’appel à une personne. On ne peut pas le convaincre de rembourser une commande.

Les appelants ne détestent pas les menus. Ils détestent les mauvais menus. Quatre erreurs causent la plupart des frustrations :

  1. Des messages longs. L’appelant doit écouter toutes les options avant de choisir. Notre propre accueil prend environ 11 secondes, et notre menu environ 11 de plus. C’est déjà long. La prochaine leçon mesure cette durée et la réduit.
  2. Aucune sortie. L’appelant veut parler à une personne, et le menu ne le propose jamais. Chaque état de Larkfield accepte 0 pour joindre une personne.
  3. Redemander la même chose. L’appelant saisit son numéro de commande, puis la personne qui répond le demande encore. Le SVI de Larkfield transmet ce qu’il a entendu à la personne.
  4. Ne pas comprendre. L’appelant dit « mon colis n’est jamais arrivé », et le menu dit « Désolé, je n’ai pas compris ». La reconnaissance de la parole et de bonnes règles d’intention réduisent ce problème. La solution de repli au clavier gère le reste.

Comment distinguer un bon SVI d’un mauvais : quatre mesures

Section intitulée « Comment distinguer un bon SVI d’un mauvais : quatre mesures »

« Les appelants l’aiment-ils? » est difficile à mesurer à chaque appel. Ces quatre chiffres sont faciles à mesurer, et ensemble ils disent l’essentiel.

Le taux de rétention (containment) est la proportion d’appels que le SVI termine seul, sans l’aide d’une personne. Le nom vient des centres de contact : l’appel reste « retenu » dans le système libre-service. Un taux élevé est préférable, mais seulement si les réponses sont justes.

La durée de traitement est le temps que prend un appel. Pour un SVI, la version utile est le délai avant la réponse. C’est le nombre de secondes qu’un appelant retenu attend avant d’entendre la réponse à sa question. Les longs messages et les questions répétées l’allongent.

Un abandon (raccrochage) survient quand un appelant met fin à l’appel avant la réponse du SVI ou le transfert à une personne. Chacun représente un appelant qui rappellera probablement, en colère. Larkfield attribue un coût de 8 $ US à un abandon (une hypothèse).

Une mauvaise intention survient quand le SVI comprend le mauvais besoin. Par exemple, l’appelant demande le statut d’une commande, et le SVI commence un retour. Dans un grand centre de contact, la même erreur dirige l’appelant vers la mauvaise équipe : un mauvais transfert. Larkfield a une seule équipe, donc elle mesure les mauvaises intentions. Une mauvaise action coûte 15 $ US (une hypothèse), plus qu’un appel à une personne.

Voici dix appels imaginés pour voir comment calculer les quatre chiffres. Ils sont construits, pas mesurés.

Appel Ce que l’appelant voulait Ce que le SVI a fait Secondes avant la réponse
1 Statut de la commande A donné le statut 46
2 Heures d’ouverture A donné les heures 27
3 Statut de la commande A donné le statut 52
4 Retour A transféré à une personne (commande non admissible au retour) –
5 Statut de la commande A transféré à une personne (numéro non compris) –
6 Une personne A transféré à une personne –
7 Heures d’ouverture A donné les heures 39
8 Statut de la commande A commencé un retour (mauvaise intention) –
9 Quelque chose de peu clair A transféré à une personne –
10 Statut de la commande L’appelant a raccroché –

Calculez chaque mesure :

  • Rétention : le SVI a terminé les appels 1, 2, 3 et 7 avec la bonne réponse. Cela fait 4 sur 10, ou 40 %. L’appel 8 ne compte pas : une mauvaise réponse n’est pas de la rétention.
  • Délai avant la réponse : (46 + 27 + 52 + 39) ÷ 4 = 41 secondes.
  • Abandons : l’appel 10, donc 1 sur 10.
  • Mauvaises intentions : l’appel 8, donc 1 sur 10.
  • Vers une personne : les appels 4, 5, 6 et 9, donc 4 sur 10.

Passons au coût, selon les hypothèses de Larkfield. Les quatre appels à une personne coûtent 4 × 4 $ US = 16 $ US. L’abandon coûte 8 $ US. Le mauvais retour coûte 15 $ US. Cette seule mauvaise intention coûte donc presque autant que quatre appels à une personne. Quand le SVI doute, une personne est le choix le moins coûteux. Cette règle façonne chaque état de la carte.

Vous ne pouvez pas tester une ligne téléphonique en l’appelant vous-même cent fois. Le cours contient donc 100 appels de test enregistrés pour le SVI. Il y en a 60 publics pour votre travail, 20 cachés pour une vérification finale et 20 pour le travail final. Chaque appel de test contient seulement le côté de l’appelant : un court enregistrement par tour de parole (parole, fréquences vocales ou silence). Il contient aussi le résultat attendu : la langue, l’intention, le résultat et le numéro de commande.

Les appels sont synthétiques : des voix de synthèse vocale ouvertes lisent les tours des appelants, et notre code ajoute la ligne téléphonique. Il y a 13 types d’appels de test. Par exemple : une demande de statut au clavier ou à voix haute, un numéro de commande avec une longue pause. Il y a aussi un appelant qui change d’idée, un appelant silencieux et un appelant qui demande une personne. Chaque chiffre de ce module est mesuré sur ces appels, donc « sur les appels synthétiques de Larkfield ». Les vrais appelants sont plus difficiles.

Construisez-en un quand beaucoup d’appels portent sur les mêmes questions simples et peu nombreuses. Les réponses doivent venir d’un système fiable (le système de commandes). Il faut aussi pouvoir éviter facilement une mauvaise réponse. La ligne de Larkfield en dehors des heures d’ouverture convient.

N’en construisez pas quand la plupart des appelants ont des problèmes différents et complexes, comme un article endommagé ou une facture contestée. N’en construisez pas non plus quand les appelants sont contrariés et ont besoin d’une personne. Un menu retarde alors seulement l’accès à cette personne.

Ce que ça coûte : le serveur et ses modèles coûtent peu. Le vrai coût, c’est le travail : écrire des messages courts, gérer chaque échec et tester chaque parcours avec des appels enregistrés. Le reste de ce module porte sur ce travail.

Erreur courante

Une rétention qui cache des appelants en colère

Symptôme : après un mois, une équipe annonce « rétention de 80 %! ». Les plaintes augmentent en même temps.

Cause : l’équipe a compté comme retenu chaque appel qui n’a pas atteint une personne. Cela incluait les appelants qui avaient raccroché après le troisième « Désolé, je n’ai pas compris ». Cela incluait aussi ceux qui avaient reçu une mauvaise réponse.

Correction : comptez un appel comme retenu seulement quand le SVI a donné la bonne réponse. Présentez toujours les abandons et les mauvaises intentions avec la rétention. Des données de test avec le résultat attendu de chaque appel rendent cela possible.

Conséquence pour le travail en IA : on peut toujours manipuler un chiffre unique. Présentez-le avec les chiffres qui montrent son coût, comme on présente le rappel avec la précision.

Vérifiez votre compréhension

Vingt appels : 7 ont reçu la bonne réponse du SVI, 2 une mauvaise réponse, 3 ont raccroché et 8 ont été transférés à une personne. Quelle est la rétention?

Afficher la réponse

35 % : seuls les 7 appels avec la bonne réponse comptent, donc 7 ÷ 20 = 0,35. Les 2 mauvaises réponses sont des mauvaises intentions (10 %), et les 3 abandons représentent 15 %. Ils ne comptent pas comme retenus, même si aucune personne ne les a traités.

Vérifiez votre compréhension

Le SVI est dans l'état Confirmation et relit le numéro de commande. L'appelant dit « non ». Vers quel état l'appel passe-t-il ensuite, et pourquoi pas directement à une personne?

Afficher la réponse

Il revient à Numéro de commande, pour redemander autrement (« Tapez-le sur votre clavier »). Un « non » est un échec. Après le premier échec, le SVI essaie encore une fois, car il a peut-être mal entendu l’appelant. Après un deuxième échec, une personne prend le relais.

Vérifiez votre compréhension

Avec les coûts de Larkfield (une personne : 4 $ US, une mauvaise action : 15 $ US), pourquoi un SVI incertain devrait-il transférer l'appel à une personne plutôt que deviner?

Afficher la réponse

Une mauvaise supposition coûte 15 $ US, presque quatre fois les 4 $ US d’un appel traité par une personne. Une bonne supposition économise seulement 4 $ US. Le SVI devrait donc agir seulement quand il est sûr, par exemple après la confirmation du numéro de commande par l’appelant. Il devrait transférer chaque appel incertain à une personne.

Récapitulatif

  • Un SVI est une ligne téléphonique qui réagit à ce que l’appelant dit ou aux touches sur lesquelles il appuie. C’est une machine à états : dans chaque état, il diffuse un message et écoute.
  • Un cas d’aucune entrée (no-input, le silence) et un cas d’aucune correspondance (no-match, une réponse qui ne convient pas) sont des échecs. Redemandez une fois autrement, puis transférez l’appel à une personne.
  • Un menu est prévisible, peu coûteux et sûr. Les appelants détestent les longs messages, l’absence de sortie, les questions répétées et « Désolé, je n’ai pas compris ».
  • Mesurez toujours ensemble la rétention (bonnes réponses seulement), le délai avant la réponse, les abandons et les mauvaises intentions.
  • Avec les coûts de Larkfield, une mauvaise action (15 $ US) coûte plus qu’une personne (4 $ US) : un SVI incertain transfère l’appel.

Vous pouvez maintenant dessiner un SVI comme une carte des états et expliquer comment l’évaluer. Mais un SVI parle, et notre message d’accueil prend déjà environ 11 secondes. Ensuite, vous donnerez sa voix au SVI et rendrez ses messages courts et clairs sur une ligne téléphonique.

Leçon suivante : La synthèse vocale pour les messages