കോൾ സംഗ്രഹവും യാന്ത്രിക-ടാഗിംഗും: റാപ്-അപ്പ് സെക്കൻഡിലേക്ക് കുറയ്ക്കുന്നു

നേട്ടങ്ങൾ:

• ഘടനാപരമായതും ഹ്രസ്വവുമായ കോൾ സംഗ്രഹങ്ങളുള്ള ഒരു അടഞ്ഞ ടാക്സോണമിയെ അടിസ്ഥാനമാക്കി ഓട്ടോമാറ്റിക് ടാഗിംഗ് നിർമ്മിക്കാനുള്ള കഴിവ്
• സംഗ്രഹവും ടാഗുകളും യാന്ത്രികമായി പ്രാതിനിധ്യ അംഗീകാരത്തിലൂടെ കൈമാറുകയും അവ ഉറവിട വാചകവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്തുകൊണ്ട് കെട്ടിച്ചമച്ച വിവരങ്ങൾ ഇല്ലാതാക്കാനുള്ള കഴിവ്
• വ്യക്തിഗത/കാർഡ് ഡാറ്റ സൂക്ഷിക്കാതെയും പ്രതിബദ്ധതകളെ വ്യാഖ്യാനിക്കാതെയും സംഗ്രഹങ്ങൾ കൈമാറിക്കൊണ്ട് റാപ്-അപ്പ് സമയം കുറയ്ക്കാനുള്ള കഴിവ്

ഒരു പ്രതിനിധിയുടെ ജോലി ഉപഭോക്താവിനോട് സംസാരിക്കുന്നതിൽ അവസാനിക്കുന്നില്ല. ഓരോ കോളിനും ശേഷം, "എന്താണ് സംസാരിച്ചത്, എന്താണ് ചെയ്തത്, എന്താണ് വിഷയം" എന്നതിൻ്റെ ഒരു റെക്കോർഡ് സൃഷ്ടിക്കണം. ഇതിനെ റാപ്-അപ്പ് അല്ലെങ്കിൽ ആഫ്റ്റർ-കോൾ വർക്ക് / ACW എന്ന് വിളിക്കുന്നു: പ്രതിനിധി സംഭാഷണം സംഗ്രഹിക്കുന്നു, സിസ്റ്റത്തിൽ ഒരു ടെർമിനേഷൻ കോഡ് തിരഞ്ഞെടുക്കുന്നു (ഡിസ്പോസിഷൻ കോഡ് - കോളിൻ്റെ വിഷയം/ഫലം സൂചിപ്പിക്കുന്ന വിഭാഗം, ഉദാ. "റിട്ടേൺ-അംഗീകാരം", "സാങ്കേതിക-പരാജയം") കൂടാതെ ആവശ്യമായ കുറിപ്പുകൾ എഴുതുന്നു. ഈ ടാസ്ക് ചെറുതാണെന്ന് തോന്നുന്നു, പക്ഷേ ഇത് വളരെ വലുതാണ്: ഒരു ദിവസം 60 കോളുകൾ ചെയ്യുന്ന ഒരു ഏജൻ്റ് ഓരോ കോളിനും 2 മിനിറ്റ് ചെലവഴിക്കുകയാണെങ്കിൽ, ദിവസത്തിൻ്റെ 2 മണിക്കൂർ കുറിപ്പുകൾ എഴുതാൻ ചെലവഴിക്കും. മാത്രമല്ല, ക്ഷീണിച്ച പ്രതിനിധി കുറിപ്പ് സ്ലോപ്പി എഴുതുന്നു; റെക്കോർഡുകൾ പൊരുത്തമില്ലാത്തതായിരിക്കും, അടുത്ത ഏജൻ്റിനോ മാനേജർക്കോ ചരിത്രം മനസ്സിലാക്കാൻ കഴിയില്ല.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ ടാസ്‌ക്കിൽ വിപ്ലവം സൃഷ്ടിക്കുന്നു: ഇത് സംഭാഷണത്തിൻ്റെ വാചകം (ട്രാൻസ്‌ക്രിപ്ഷൻ) വായിക്കുകയും കൃത്യമായ സംഗ്രഹവും കൃത്യമായ ടാഗുകളും അടുത്ത ഘട്ട നിർദ്ദേശങ്ങളും നിമിഷങ്ങൾക്കുള്ളിൽ നിർമ്മിക്കുകയും ചെയ്യുന്നു. എഴുതുന്നതിനുപകരം, ഏജൻ്റ് അവലോകനം ചെയ്യുകയും അംഗീകരിക്കുകയും ചെയ്യുന്നു. ഈ യൂണിറ്റിൽ, കോൾ സംഗ്രഹവും ഓട്ടോമാറ്റിക് ടാഗിംഗും എങ്ങനെ സജ്ജീകരിക്കാം, എന്തൊക്കെ ശ്രദ്ധിക്കണം, സ്ഥിരീകരണ അച്ചടക്കം എന്നിവ ഞങ്ങൾ കാണും.

ഒരു നല്ല കോൾ സംഗ്രഹത്തിൽ എന്താണ് ഉൾപ്പെടുന്നത്?

ആ സംഭാഷണം ഒരിക്കലും കേട്ടിട്ടില്ലാത്ത ഒരാൾക്ക് (അടുത്ത ഏജൻ്റ്, മാനേജർ, സൂപ്പർവൈസർ) 15 സെക്കൻഡിനുള്ളിൽ അത് മനസ്സിലാക്കാൻ കഴിയുന്ന തരത്തിൽ ഒരു കോൾ സംഗ്രഹം വ്യക്തമായിരിക്കണം. ഒരു നല്ല സംഗ്രഹത്തിൽ ഉൾപ്പെടുന്നു: ഉപഭോക്താവ് എന്തിനാണ് വിളിച്ചത് (എന്തുകൊണ്ടാണ് അവർ വിളിച്ചത്), എന്താണ് ചെയ്തത് (പ്രതിനിധി എന്താണ് ചെയ്തത്), ഫലം (അത് പരിഹരിച്ചോ, എന്താണ് വാഗ്ദാനം ചെയ്തത്), തുറന്ന ബിസിനസ്സ് (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ, എന്ത് ഫോളോ-അപ്പ് ആവശ്യമാണ്). ഒരു മോശം സംഗ്രഹം ഒന്നുകിൽ ദൈർഘ്യമേറിയതാണ് (സംഭാഷണത്തിൻ്റെ വരി വരിയായി തകരാർ) അല്ലെങ്കിൽ വളരെ ചെറുതാണ് ("ഉപഭോക്താവിനെ വിളിച്ചു, അത് കൈകാര്യം ചെയ്തു"). ഇടയിൽ വീഴുന്നതിൽ AI വളരെ മികച്ചതാണ്: ഘടനാപരമായതും സംക്ഷിപ്തവും പൂർണ്ണവും.

കോളിൻ്റെ ടെർമിനേഷൻ കോഡും സബ്ജക്ട് ടാഗുകളും AI നിർദ്ദേശിക്കുന്നതാണ് ഓട്ടോ-ടാഗിംഗ് / ഡിസ്‌പോസിഷൻ. ഉദാഹരണത്തിന്, AI ഒരു സംഭാഷണത്തെ "വിഷയം: ബിൽ, ഉപവിഷയം: ഉയർന്ന ബിൽ എതിർപ്പ്, ഫലം: എതിർപ്പ്-റെക്കോർഡ്-തുറന്നു, വികാരം: ദേഷ്യം" എന്ന് ലേബൽ ചെയ്യുന്നു. ഈ ടാഗുകൾ ഭാവിയിൽ വലിയ മൂല്യം സൃഷ്ടിക്കും: "ഈ മാസം ഏറ്റവും കൂടുതൽ അഭ്യർത്ഥനകൾ ലഭിച്ചത് ഏത് വിഷയത്തിനാണ്", "ഏത് വിഷയത്തിന് ഏറ്റവും കുറഞ്ഞ പരിഹാര നിരക്ക്" എന്നീ ചോദ്യങ്ങൾക്ക് മാനേജർ നിമിഷങ്ങൾക്കുള്ളിൽ ഉത്തരം നൽകുന്നു. എന്നാൽ ടാഗുകൾ പ്രവർത്തിക്കുന്നതിന്, അവയ്ക്ക് യോജിച്ച ടാഗ് പദാവലി ആവശ്യമാണ് (ടാക്സോണമി - മുൻകൂട്ടി നിശ്ചയിച്ചതും പരിമിതവും വ്യക്തമായതുമായ വിഭാഗങ്ങളുടെ പട്ടിക); ബോട്ട് സൗജന്യ ലേബലുകൾ സൃഷ്ടിക്കുകയാണെങ്കിൽ, "ഇൻവോയ്സ്", "ബില്ലിംഗ്", "ഇൻവോയ്സ് പ്രശ്നം" എന്നിങ്ങനെ മൂന്ന് വ്യത്യസ്ത ലേബലുകൾ പ്രത്യക്ഷപ്പെടുകയും വിശകലനം തടസ്സപ്പെടുകയും ചെയ്യും.

ഇനിപ്പറയുന്ന പട്ടിക മാനുവൽ, AI- സഹായത്തോടെയുള്ള ഫിനിഷിംഗ് താരതമ്യം ചെയ്യുന്നു:

വലിപ്പം

മാനുവൽ (പ്രതിനിധി എഴുത്തുകാരൻ)

AI- പവർഡ് (ഏജൻറ് അംഗീകാരങ്ങൾ)

ദൈർഘ്യം (ഓരോ കോളിനും)

90-150 സെക്കൻഡ്

15-30 സെക്കൻഡ്

സ്ഥിരത

വ്യക്തിയെ ആശ്രയിച്ച് വ്യത്യാസപ്പെടുന്നു

നിഘണ്ടു അനുസരിച്ച് ഉയർന്നത്

പൂർണ്ണത

ക്ഷീണത്തിൽ വീഴുന്നു

സ്ഥിരതയുള്ള

ലേബൽ നിലവാരം

സ്വതന്ത്രമായ, കുഴപ്പമുള്ള

നിശ്ചിത ടാക്സോണമി

റിസ്ക്

സമയനഷ്ടം, പൊരുത്തക്കേട്

തെറ്റായ സംഗ്രഹം (പരിശോധിച്ചിരിക്കണം)

നുറുങ്ങ്: ഓട്ടോമാറ്റിക് ടാഗിംഗിലേക്ക് പോകുന്നതിന് മുമ്പ്, ഒരു ടാക്സോണമി (അടച്ച ടാഗ് ലിസ്റ്റ്) നിർവ്വചിക്കുന്നത് ഉറപ്പാക്കുക. "ഈ 20 ടാഗുകളിൽ നിന്ന് ഉചിതമായവ തിരഞ്ഞെടുക്കുക" എന്ന് AI-യോട് പറയുന്നത് "വിഷയം ടാഗ് ചെയ്യുക" എന്ന് പറയുന്നതിനേക്കാൾ കൂടുതൽ വിശ്വസനീയമാണ്.

ഘട്ടം ഘട്ടമായി: ഫീഡ് സജ്ജീകരിക്കുക

1. ഉറവിടം തയ്യാറാക്കുക: സംഭാഷണത്തിൻ്റെ വാചകം നേടുക (വോയ്‌സ് കോളിലെ ASR ട്രാൻസ്‌ക്രിപ്റ്റ്, ചാറ്റിൽ ടിന്നിലടച്ച വാചകം). വ്യക്തിഗത/കാർഡ് ഡാറ്റ ആദ്യം മാസ്ക് ചെയ്യുക (വിശദമായത് അടുത്ത യൂണിറ്റിൽ).
2. ടാക്സോണമി നൽകുക: മോഡലിന് സാധുവായ ടെർമിനേഷൻ കോഡുകളുടെയും വിഷയ ടാഗുകളുടെയും ഒരു ലിസ്റ്റ് നൽകുക; അവനെ പുറത്ത് പോകുന്നത് വിലക്കുക.
3. ഘടനാപരമായ ഔട്ട്‌പുട്ടിനായി ആവശ്യപ്പെടുക: സൗജന്യ ഖണ്ഡികകളേക്കാൾ ഫീൽഡ് ഔട്ട്‌പുട്ട് (കാരണം, പ്രവർത്തനങ്ങൾ, ഫലം, ഫോളോ-അപ്പ്, ടാഗുകൾ, വികാരങ്ങൾ) ആവശ്യപ്പെടുക; അതിനാൽ ഇത് യാന്ത്രികമായി സിസ്റ്റത്തിലേക്ക് എഴുതാം.
4. പ്രതിനിധിയുടെ അംഗീകാരം: സംഗ്രഹവും ലേബലുകളും പ്രതിനിധിയുടെ സ്ക്രീനിൽ ദൃശ്യമാകും; 10-20 സെക്കൻഡിനുള്ളിൽ അത് വായിക്കാനും ശരിയാക്കാനും അംഗീകരിക്കാനും പ്രതിനിധിയെ അനുവദിക്കുക. അംഗീകാരമില്ലാതെ രേഖപ്പെടുത്തരുത്.
5. ഫീഡ്ബാക്ക്: ഏജൻ്റ് വരുത്തിയ തിരുത്തലുകൾ ശേഖരിക്കുകയും ടാക്സോണമിയും പ്രോംപ്റ്റും മെച്ചപ്പെടുത്തുകയും ചെയ്യുക.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഘടനാപരമായ കോൾ സംഗ്രഹം:

ഇനിപ്പറയുന്ന അജ്ഞാത (പേര്/കാർഡ് ഇല്ല) കസ്റ്റമർ ഇൻ്റർവ്യൂ ട്രാൻസ്ക്രിപ്റ്റ് സംഗ്രഹിക്കുക. ട്രാൻസ്ക്രിപ്റ്റിൽ ഉള്ളത് മാത്രം ഉപയോഗിക്കുക; ഊഹങ്ങൾ കൂട്ടിച്ചേർക്കുന്നു/നിർമ്മാണം ചെയ്യുന്നു.ഔട്ട്‌പുട്ട് ഫോർമാറ്റ്:- തിരയലിനുള്ള കാരണം (1 വാചകം):- എന്താണ് ചെയ്തത് (ഇനം പ്രകാരം ഇനം):- ഫലം (പരിഹരിച്ചത് / ഭാഗികമായി / പരിഹരിച്ചിട്ടില്ല):- വാഗ്ദാനം / പ്രതിബദ്ധത (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ, പദാനുപദം):- പിന്തുടരേണ്ട ജോലി (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ): അഭിമുഖം: << decipherment>>

2) ടാക്സോണമി അടിസ്ഥാനമാക്കിയുള്ള ടാഗിംഗ്:

ഇനിപ്പറയുന്ന സംഭാഷണം ഈ ലിസ്റ്റുകളിൽ നിന്ന് തിരഞ്ഞെടുത്ത് മാത്രം ടാഗ് ചെയ്യുക: വിഷയം: [ഇൻവോയ്സ്, കാർഗോ, റിട്ടേൺ, ടെക്നിക്കൽ, അംഗത്വം, പേയ്മെൻ്റ്, പരാതി, മറ്റുള്ളവ] ഫലം: [പരിഹരിച്ച, ആക്ഷേപം_തുറന്ന, കൈമാറ്റം ചെയ്യപ്പെട്ട, പിന്തുടരൽ_നിയമനം, പരിഹരിക്കപ്പെടാത്ത] വികാരം: [ശാന്തം, സംതൃപ്തി, ദേഷ്യം, ഉത്കണ്ഠ] ലിസ്‌റ്റിൽ "അത് യോജിച്ചതല്ലെങ്കിൽ" പുതിയ ടാഗുകൾ സൃഷ്ടിക്കുന്നു.ഔട്ട്‌പുട്ട് JSON: {"topic":"","result":"","emotion":""}സംഭാഷണം: <<transcription>>

3) അടുത്ത ഘട്ടം / ഫോളോ-അപ്പ് നിർദ്ദേശം:

ഇനിപ്പറയുന്ന സംഭാഷണത്തെ അടിസ്ഥാനമാക്കി ഏജൻ്റിന് ഒരു "അടുത്ത ഘട്ടം" നിർദ്ദേശം സൃഷ്ടിക്കുക. വാചകത്തിലെ പ്രതിബദ്ധതയെയും തുറന്ന പ്രവർത്തനത്തെയും മാത്രം അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഔട്ട്‌പുട്ട്: (1) ചെയ്യേണ്ട ജോലി, (2) ഡെഡ്‌ലൈൻ (ടെക്‌സ്റ്റിൽ ലഭ്യമാണെങ്കിൽ), (3) ഉത്തരവാദിത്ത യൂണിറ്റ് ശുപാർശ. പ്രതിബദ്ധത ഇല്ലെങ്കിൽ, "ഫോളോ-അപ്പ് ആവശ്യമില്ല" എന്ന് എഴുതുക. അഭിമുഖം: << ട്രാൻസ്ക്രിപ്ഷൻ>>

4) ഗുണനിലവാരം/പൊരുത്തക്കേട് നിയന്ത്രണം:

അഭിമുഖത്തിൻ്റെ ട്രാൻസ്ക്രിപ്റ്റുമായി ചുവടെയുള്ള പ്രതിനിധി സംഗ്രഹം താരതമ്യം ചെയ്യുക. ഇൻ്റർവ്യൂവിൽ ഇല്ലാത്ത (നിർമ്മിത) എന്തെങ്കിലും വിവരം സംഗ്രഹത്തിൽ ഉണ്ടോ? അഭിമുഖത്തിൽ ഉള്ളതും എന്നാൽ സംഗ്രഹത്തിൽ നിന്ന് വിട്ടുപോയതുമായ എന്തെങ്കിലും പ്രധാനപ്പെട്ട വിവരങ്ങൾ ഉണ്ടോ? രണ്ട് ബുള്ളറ്റ് പോയിൻ്റുകളും ടിക്ക് ചെയ്യുക. അഭിപ്രായങ്ങൾ ചേർക്കരുത്, താരതമ്യം ചെയ്യുക. സംഗ്രഹം: << സംഗ്രഹം>> അഭിമുഖം: << ട്രാൻസ്ക്രിപ്ഷൻ>>

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ സംഭാഷണം സംഗ്രഹിച്ച് ലേബൽ ചെയ്യുക.

അവ്യക്തം: ഫോർമാറ്റിംഗ് ഇല്ല, ടാക്സോണമി ഇല്ല, ഫാബ്രിക്കേഷൻ നിരോധനമില്ല, അജ്ഞാതതയില്ല. ഔട്ട്‌പുട്ട് അയഞ്ഞതും കുഴപ്പമുള്ളതുമാണ്, കൂടാതെ ലേബലുകൾ സ്ഥിരതയില്ലാതെ ദൃശ്യമാകുന്നു.

ശക്തമായ നിർദ്ദേശം:

അജ്ഞാത സംഭാഷണം ചുവടെ സംഗ്രഹിക്കുക. ഫോർമാറ്റ്: കാരണം / പ്രവർത്തനങ്ങൾ / ഫലം / പ്രതിബദ്ധത / ഫോളോ-അപ്പ്. ഇനിപ്പറയുന്ന ലിസ്റ്റിൽ നിന്ന് മാത്രം ടാഗ് തിരഞ്ഞെടുക്കുക: വിഷയം=[ഇൻവോയ്സ്, ഷിപ്പിംഗ്, റിട്ടേൺ, ടെക്നിക്കൽ, പരാതി, മറ്റുള്ളവ], ഫലം=[പരിഹരിച്ചു, കൈമാറ്റം ചെയ്തു, പരിഹരിക്കപ്പെടാത്തത്]. വാചകത്തിൽ ഇല്ലാത്ത ഒരു വിവരവും ചേർക്കരുത്; പ്രതിബദ്ധത പദാനുപദമായി കൈമാറുക. അഭിമുഖം: << ട്രാൻസ്ക്രിപ്ഷൻ>>

വ്യത്യാസം: ഫോർമാറ്റ്, ടാക്സോണമി, ഫാബ്രിക്കേഷൻ നിരോധനം, അജ്ഞാതത്വം എന്നിവ വ്യക്തമാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - സമയം ലാഭിക്കൽ. ഒരു കാർഗോ കമ്പനിയുടെ 120 പേരുടെ കോൾ ടീം ഓരോ കോളിനും ശരാശരി 110 സെക്കൻഡ് റാപ്-അപ്പ് ചെലവഴിച്ചു. AI സംഗ്രഹം + ലേബൽ ഡ്രാഫ്റ്റ് സജീവമാക്കിയപ്പോൾ, ഈ സമയം 25 സെക്കൻഡായി കുറച്ചു. പ്രതിദിനം 120 കോൺടാക്റ്റുകൾ × 60 കോളുകൾ × 85 സെക്കൻഡ് ലാഭിച്ചു ≈ പ്രതിദിനം ~170 മണിക്കൂർ, അതായത് ~21 മുഴുവൻ ഷിഫ്റ്റുകൾ. കാത്തിരിപ്പ് സമയം കുറയ്ക്കുന്നതിനും കൂടുതൽ ബുദ്ധിമുട്ടുള്ള ജോലികൾക്കുമായി ഈ ശേഷി മാറ്റി.

കേസ് 2 - ആസൂത്രിതമായ സംഗ്രഹ ട്രാപ്പ്. ഒരു ഇൻഷുറൻസ് സെൻ്ററിൽ, സംഭാഷണത്തിൽ ഒരിക്കലും പരാമർശിച്ചിട്ടില്ലെങ്കിലും, "ഉപഭോക്താവിന് 3 പ്രവൃത്തി ദിവസത്തിനുള്ളിൽ മടങ്ങിവരുമെന്ന് വാഗ്ദാനം ചെയ്തു" എന്ന് AI ഒരു വാഗ്ദാനമെഴുതി (മാതൃക സമാന സംഭാഷണങ്ങളിൽ നിന്ന് "പ്രവചിച്ചത്"). പ്രതിനിധി അംഗീകാരമില്ലാതെ അയച്ചപ്പോൾ, ഉപഭോക്താവ് ഈ വാഗ്ദാനം അവനെ ഓർമ്മിപ്പിച്ചു. പരിഹാരം: "4) ഗുണമേന്മ/പൊരുത്തക്കേട്" ഘട്ടം നിർബന്ധമാക്കുകയും ഡെലിഗേറ്റ് അംഗീകാരം ആവശ്യപ്പെടുകയും ചെയ്യുക. പിന്നീട്, കെട്ടിച്ചമച്ച പ്രതിബദ്ധതകളുടെ നിരക്ക് പൂജ്യത്തിനടുത്തായി കുറഞ്ഞു.

കേസ് 3 - ലേബൽ കുഴപ്പം. ടാഗുകൾ ഒരു ബാങ്കിൽ റിലീസ് ചെയ്തതിനാൽ, 6 മാസത്തിനുള്ളിൽ 340 വ്യത്യസ്ത വിഷയ ടാഗുകൾ സൃഷ്ടിച്ചു ("കാർഡ്", "ക്രെഡിറ്റ് കാർഡ്", "കെകെ", "കാർഡ് പ്രശ്നം"...). മാനേജ്മെൻ്റ് റിപ്പോർട്ട് അർത്ഥശൂന്യമായിരുന്നു. അടച്ച 22 ഇനങ്ങളുടെ ടാക്സോണമി നിർവചിക്കുകയും അത് ഉപയോഗിക്കാൻ AI നിർബന്ധിതരാവുകയും ചെയ്തുകഴിഞ്ഞാൽ, റിപ്പോർട്ടുകൾ അർത്ഥവത്താകുകയും "മികച്ച 5 വിഷയങ്ങൾ" ആദ്യമായി വിശ്വസനീയമായി മാറുകയും ചെയ്തു.

സാധാരണ തെറ്റുകൾ

• ടാക്സോണമി ഇല്ലാതെ ടാഗിംഗ്. സ്വതന്ത്ര ലേബലിംഗ് വിശകലനത്തെ മാലിന്യമാക്കി മാറ്റുന്നു; എല്ലായ്പ്പോഴും അടച്ച പട്ടിക ഉപയോഗിക്കുക.
• പ്രതിനിധി അംഗീകാരം മറികടക്കുന്നു. സംഗ്രഹവും ലേബലും നേരിട്ട് സിസ്റ്റത്തിലേക്ക് പ്രിൻ്റ് ചെയ്യുന്നത് കെട്ടിച്ചമച്ച വിവരങ്ങളെ സ്ഥിരമായ റെക്കോർഡാക്കി മാറ്റുന്നു.
• വ്യക്തിഗത ഡാറ്റ സംഗ്രഹത്തിലേക്ക് നീക്കുന്നു. പേര്, ഐഡി, കാർഡ്, വിലാസം എന്നിവ സംഗ്രഹങ്ങളിൽ സൂക്ഷിക്കരുത്; അമൂർത്തമായത് അജ്ഞാതമായിരിക്കണം.
• വളരെ നീണ്ട സംഗ്രഹം. സംഭാഷണം ട്രാൻസ്ക്രൈബ് ചെയ്യുന്നത് റാപ്-അപ്പ് വേഗത്തിലാക്കുന്നില്ല; സംക്ഷിപ്തവും പോയിൻ്റ് സംഗ്രഹവും ലക്ഷ്യമിടുന്നു.
• പ്രതിബദ്ധതയെ വ്യാഖ്യാനിക്കുന്നു. വാഗ്‌ദാനം/പ്രതിബദ്ധത ഭാഗം അഭിപ്രായം പറയാതെ തന്നെ AI അറിയിക്കണം; "ഒരുപക്ഷേ വാഗ്ദത്തം" പോലെയുള്ള അനുമാനങ്ങൾ അപകടകരമാണ്.

മുന്നറിയിപ്പ്: സ്വയമേവയുള്ള സംഗ്രഹം ഏജൻ്റിനെ ബാധ്യതയിൽ നിന്ന് ഒഴിവാക്കുന്നില്ല; അത് വേഗത്തിലാക്കുന്നു. സിസ്റ്റത്തിലേക്ക് പോകുന്ന ഓരോ റെക്കോർഡും അത് അംഗീകരിക്കുന്ന പ്രതിനിധിയുടെ ഉത്തരവാദിത്തമാണ്. അംഗീകാരമില്ലാതെ യാന്ത്രിക റെക്കോർഡിംഗ് = ഒപ്പിടാത്ത മിനിറ്റ്.

ചുരുക്കത്തിൽ

കോൾ സംഗ്രഹവും ഓട്ടോമാറ്റിക് ടാഗിംഗും ഏറ്റവും കൂടുതൽ വരുമാനം നൽകുന്ന AI ആപ്ലിക്കേഷനുകളിലൊന്നാണ്, ഇത് ഏജൻ്റിൻ്റെ ഏറ്റവും കൂടുതൽ സമയം ചെലവഴിക്കുന്ന അഡ്മിനിസ്ട്രേറ്റീവ് ജോലികൾ (റാപ്പ്-അപ്പ്) സെക്കൻഡുകളായി കുറയ്ക്കുന്നു. വിജയം മൂന്ന് കാര്യങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു: ഘടനാപരമായതും സംക്ഷിപ്തവുമായ ഒരു സംഗ്രഹ ഫോർമാറ്റ്, ഒരു അടഞ്ഞ ടാഗ് ടാക്സോണമി, നിർബന്ധിത ഡെലിഗേറ്റ് അംഗീകാരം. കെട്ടിച്ചമച്ച വിവരങ്ങൾ ഇല്ലാതാക്കുന്നതിനും വ്യക്തിഗത ഡാറ്റ സംഗ്രഹങ്ങളിൽ ഉൾപ്പെടുത്താതിരിക്കുന്നതിനും അഭിപ്രായമില്ലാതെ പ്രതിബദ്ധതകൾ കൈമാറുന്നതിനും AI നിർമ്മിച്ച സംഗ്രഹം ഉറവിട വാചകവുമായി താരതമ്യം ചെയ്യുക. ശരിയായി സജ്ജീകരിക്കുമ്പോൾ, ഇത് വളരെയധികം സമയം ലാഭിക്കുകയും റെക്കോർഡിംഗ് ഗുണനിലവാരവും റിപ്പോർട്ടബിലിറ്റിയും വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ വ്യവസായത്തിനായി അടച്ച 15-20 ഇനങ്ങളുടെ ക്ലോസിംഗ് ടാക്സോണമി (വിഷയം + ഫലം + വികാരം) രൂപകൽപ്പന ചെയ്യുക. തുടർന്ന് സാങ്കൽപ്പികമോ അജ്ഞാതമോ ആയ ഉപഭോക്തൃ അഭിമുഖ ട്രാൻസ്‌ക്രിപ്റ്റ് എടുക്കുക, “1) ഘടനാപരമായ സംഗ്രഹം”, “2) ടാക്‌സോണമി അടിസ്ഥാനമാക്കിയുള്ള ടാഗിംഗ്” ടെംപ്ലേറ്റുകൾ പ്രയോഗിക്കുക. അവസാനമായി, "4) ഗുണനിലവാരം/പൊരുത്തക്കേട്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് സംഗ്രഹം പരിശോധിച്ച് കെട്ടിച്ചമച്ച/കാണാതായ വിവരങ്ങൾക്കായി റിപ്പോർട്ട് ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഒരു ക്ലോസ്ഡ് ടെർമിനേഷൻ/ടോപ്പിക് ടാക്സോണമി നിർവചിക്കുകയും അതിനായി AI-യെ നിർബന്ധിക്കുകയും ചെയ്യുന്നു.
• [ ] എൻ്റെ സംഗ്രഹങ്ങൾ ഹ്രസ്വവും പോയിൻ്റുമായി (കാരണം/പ്രവർത്തനങ്ങൾ/ഫലം/പ്രതിബദ്ധത/തുടർച്ച) യോജിച്ചവയുമാണ്.
• [ ] ഓരോ സംഗ്രഹവും ടാഗും സിസ്റ്റത്തിലേക്ക് എഴുതുന്നതിന് മുമ്പ് പ്രതിനിധി അംഗീകാരത്തിന് വിധേയമാകുന്നു.
• [ ] സംഗ്രഹത്തിലും ലേബലുകളിലും (അജ്ഞാതർ) വ്യക്തിഗത/കാർഡ് ഡാറ്റയൊന്നും സൂക്ഷിച്ചിട്ടില്ല.
• [ ] ഞാൻ AI സംഗ്രഹം സോഴ്സ് ടെക്സ്റ്റുമായി താരതമ്യം ചെയ്യുകയും വ്യാജ വിവരങ്ങൾ പുറത്തെടുക്കുകയും ചെയ്യുന്നു.
• [ ] പ്രതിബദ്ധതകൾ വ്യാഖ്യാനമില്ലാതെ പദാനുപദമായി ഉദ്ധരിക്കുന്നു.