Una volta era IVR, oggi Voicebot. Lavoro da almeno 25 anni con queste tecnologie che si prefiggono l’obiettivo di consentire all’utente telefonico operazioni self service e ho visto tanti progetti fallimentari e pochi buoni progetti di successo. Perché tanta frustrazione? Da parte di tanti, se non tutti. I committenti, i responsabili del customer care e, soprattutto, i Clienti.
Beh, l’IVR aveva (e ha) un limite nella capacità di interazione, permessa solo con la pressione delle 10 cifre e dei caratteri * e # del tastierino telefonico. Il limite principale risiede quindi nell’impossibilità di esprimere la propria esigenza in modalità libera, con una frase per intenderci. Il Voicebot supera questo limite, ammettendo una interazione in linguaggio naturale (NLU) ma non sempre basta. Perché? E che cos’è poi un Voicebot?

Chiamiamo con Voicebot un’applicazione telefonica che utilizza tecnologie di Speech-to-Text (STT), spesso tecnologie di Text-to-Speech (TTS) , alcune tecnologie di AI ed una logica di servizio per rispondere ad una esigenza del cliente, alternativamente e idealmente soddisfatta da un operatore umano.
Diciamo subito che le tecnologie disponibili, quando il ventunesimo secolo è prossimo a completare il primo quarto, sono decisamente eccellenti e, prese singolarmente, hanno oramai raggiunto se non sorpassato le performance dell’essere umano.

E allora, perché si vedono in giro servizi di Voicebot con prestazioni scadenti che fanno accapponare la pelle?
La risposta è in linea di principio complessa ma gli elementi principali sono i seguenti:
1. Sottovalutazione della necessaria e profonda conoscenza di tutte le componenti tecnologiche;
2. Dare per scontato che le tecnologie dei grandi produttori da sole possano risolvere tutti i problemi;
3. Sviluppo dell’applicazione assegnato a sviluppatori software che non sanno quello che fanno (i.e. non hanno esperienza specifica).

In questo post non è mia intenzione scrivere un trattato che affronti in dettaglio tutte le suddette tematiche. Chi vorrà approfondire altri temi e invitato a scrivermi direttamente. Mi limiterò a fare un esempio di errore clamoroso che viene commesso nella maggior parte dei progetti.

Alla base dell’errore c’è l’errato convincimento che i prodotti di STT trascrivano correttamente tutto ciò che viene detto dall’utente. Questa assunzione è particolarmente errata quando abbiamo a che fare con trascrizione di stringhe alfanumeriche (targhe, codici fiscali ecc.) o di dati personali (nomi, cognomi). Facciamo un esempio pratico. Un’applicazione di prestiti bancari chiede tramite il Voicebot di autenticare l’utente mediante riconoscimento del codice fiscale (Task 1), e poi chiede un numero di telefono (Task 2) e in ultimo l’importo per il quale richiede il prestito (Task 3).
L’applicazione deve effettuare correttamente i tre riconoscimenti in sequenza per potersi concludere con un successo. Ora ipotizziamo  e che il riconoscimento dei 3 task abbia singolarmente le seguenti percentuali di successo:

Task 1 -> 54%
Task 2 -> 80%
Task 3 -> 60%

La percentuale di successo sarà data dal prodotto delle percentuali dei singoli task e cioè, nel caso specifico (54%*80%*60%), sarà di circa il 25%. Ciò significa che il povero Cliente, dopo aver penato un po’ con il Voicebot, verrà trasferito all’operatore nel 75% dei casi!
In un caso del genere cosa fanno gli stakeholders del progetto? Poco o niente. Decidono che c’è un limite tecnologico che rende impossibili performance migliori oppure stravolgono il flusso applicativo rendendolo poco efficace e, in molti casi, non sicuro.
In realtà bisognerebbe agire per migliorare la percentuale dei singoli task. Solo migliorare il Task 1 dal 54% all’85% porterebbe ad un risultato finale del 40%. La differenza è importante, parliamo di 15.000 chiamate salvate ogni 100.000.

La società per cui lavoro e che ho contribuito a fondare molti anni fa si chiama Interactive Media e, negli anni, abbiamo affrontato tutti i possibili problemi relativi a questi sistemi di risposta automatica.
Nel caso specifico, per risolvere il problema delle scarse prestazioni di task di questo tipo, abbiamo pensato di sviluppare degli appositi prodotti di STT, addestrati esclusivamente sui dati per i quali è poi richiesta la trascrizione. Questo approccio ci sta dando grosse soddisfazioni. Per esempio per il codice fiscale italiano e brasiliano (CPF) vantiamo una performance di corretta trascrizione del 98%. Questa semplice attenzione ci permette di avere prestazioni finali molto alte.
Esempi di Voicebot, in cui è presente la tecnologia di Interactive media sono INPS, ACI, Trenitalia, Findomestic e molti altri.
Se avete voglia di provare queste strabilianti performance, scrivetemi pure che organizzerò per voi una sessione di test pratico.

L’autore fa parte del team che ha fondato Interactive Media nel 1996 ed è l’amministratore delegato dell’azienda. Interactive Media è uno sviluppatore e fornitore globale di applicazioni vocali. 

Interactive Media ha una lunga storia nello sviluppo di applicazioni vocali sempre più all’avanguardia, con oltre 25 anni di esperienza nella gestione della sintesi vocale. Ma personalmente ho iniziato a lavorare in questo campo prima ancora di fondare l’azienda e posso dire di essermi occupato di CTI (computer telephony integration) sin dal suo inizio. In questo articolo voglio dare una breve prospettiva della mia esperienza con la sintesi vocale. 

Nel 1993 e negli anni a seguire ho avuto il privilegio di collaborare con lo CSELT di Torino, che stava lavorando da decenni sulle tecnologie di Text-to-Speech (TTS).

Negli anni ’70 lo CSELT era, insieme ad AT&T, l’unica società a sviluppare sistemi industriali di TTS. Il primo sistema sviluppato si chiamava MUSA (https://www.youtube.com/watch?v=TvKChDE-Lnk)

Nel 1993 è stata la volta di Eloquens, anch’esso realizzato con la concatenazioni di difoni (i suoni prodotti dalla metà di un fonema in una parola alla metà di quello successivo). La qualità di Eloquens era decisamente migliore di MUSA ed ancora oggi può essere considerato un prodotto di buona qualità (https://www.youtube.com/watch?v=sZuV1L7cqro).