Профессиональное распознавание речи в рабочее время связано с отраслью и должностью сотрудников, которые решают повседневные задачи - от общения друг с другом до общения с клиентами с использованием средств аудиосвязи. Качество распознавания лексики, специфичной для профессии и должности, серьезно связано с понятием основной словесной базы общения. Данная база не является общим продуктом и как правило не входит в состав поставки текущих продуктов компаний, представленных на рынке. Среди профессий и отраслей с наибольшим потоком сложной аудиоинформации особо выделяется финансовая отрасль. В ней исторически уже более 100 лет часть операций происходит по строго установленному регламенту и включает в себя использование голосового интерфейса.

Историческим примером высокоэффективного кейса применения распознавания речи является, например, система голосовых заявок брокерских операций на бирже. Этой системе скоро исполнится более 100 лет. В настоящее время наблюдается быстро растущий тренд на аналитику аудио данных, которые формируются в финансовой индустрии и фиксируют общение в рамках рабочих часов сотрудников внутри компании и сотрудников с клиентами компании. Эта речь содержит специфические для отрасли термины и требует существенной адаптации автоматической системы распознавания речи (ASR) под отраслевое применение. Адаптация лингвистической модели системы распознавания позволяет увеличить общее качество аудио аналитики и текстовой аналитики, повысить качество производных NLU инструментов и скорость одобрения к внедрению, а также уровень доверия к технологиям.
Применение общих моделей распознавания речи, доступных на рынке у конкурентов не приводит к желаемому по качеству эффекту для финансовых организаций, так как не содержит специфичного для отрасли домена распознавания лексики. Для нашего клиента, являющегося одним из крупнейших представителей банковского бизнеса в России, был разработан проект по дополнительному обучению системы распознавания речи с учётом особенностей работы в финансовом секторе.
Достигнутый эффект заключается в повышении качества автоматического сопоставления слов и фраз в речи клиентов и сотрудников из финансовой индустрии и как следствие возросшим качеством аналитики, протоколирования и последующей работы с готовыми текстами, что создает улучшенное бизнес-восприятие технологии и формирует более качественный аналитический контроль диалогов сотрудников и их клиентов. Следствием данного эффекта является создание внутри платформы аудиоаналитики автоматических систем оценки качества диалогов, которые с большей точностью позволяют автоматизировать расчет эффективности работы сотрудников, что, в свою очередь, повышает качество согласованности и реализации процессов внутри компании, имидж компании, качество общения сотрудников с клиентами и друг с другом и улучшает их общее взаимное мнение.