智能质检作为提升客户管理的重要手段和方式，在客服行业的应用越来越广泛。大家都知道智能质检是用机器代替人工进行质检，那么这个智能机器是如何运转的？其背后运用了什么技术？
通俗来讲，智能质检就是通过机器来进行语音识别（也就是听的过程），再通过关键词+正则、语义理解等检测（也就是理解的过程），来整体判断客服工作情况。其中最主要的两大技术就是语音识别和语义理解，语音识别相当于人的耳朵，负责听，语义理解就相当于大脑，负责思考和分析。
语音识别
语音识别是智能质检的第一步，主要是将语音转化为文本。识别过程通常又可以分为“前端”和“后端”两大模块：“前端”模块主要的作用是进行端点检测(去除多余的静音和非说话声)、降噪、特征提取等；“后端”模块的作用是利用训练好的“声学模型”和“语言模型”对用户说话的特征向量进行统计模式识别(又称“解码”)，得到其包含的文字信息，此外，后端模块还存在一个“自适应”的反馈模块，可以对用户的语音进行自学习，从而对“声学模型”和“语音模型”进行必要的“校正”，进一步提高识别的准确率。通过语音识别，智能质检在功能上可以实现语速检测、静音检测、抢话检测、情绪检测等等。
关键词+正则
在识别同样的语音后，不同的机器检测的结果是不一样的，这就取决于检测规则或模型。常见的智能质检产品主要应用关键词+正则进行检测，就是从文字信息中提取事先设置好的质检项相关的关键词进行检测，关键词的维度越多，知识库越丰富，质检的准确率越高，这种方法部署简单上手快，被广大厂商所接受，但是由于关键词是没有穷尽的，很容易出现漏检。
语义理解
从实际应用来看，“关键词+正则”能够处理一部分质检问题，但是因为语言的表达方式千变万化，必须通过整个句子的上下文语义才能做出更准确的判断。语义理解依赖于强大的训练模型，目前市场常见的有XLNET、BERT 、ALBERT等，数据显示，ALBERT模型无论是在内存消耗、参数设置，还是在检测结果方面都处于领先地位，可以用更简单的模型，用更少量的数据，得到更好的结果。
知识图谱
知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。在智能质检的过程中，知识图谱发挥了重要作用，为系统分析语义提供了强大的信息支撑，基于知识图谱的语义理解能够对内容做深度结构化的分析和推理，不同于传统的文本语义理解，知识图谱可以从实体、概念、关系的知识维度去做全方位的分析，协助提供所需的语义知识，让质检更加精细化和精准化。
