趋势5：采用神经电机翻译和基于转录的系统来挖掘对话洞察力

历史上，翻译系统已经使用主要使用基于计数的模型来实现使用统计机器翻译。它们最适合带有标准名词和短语的短句，重要的是它们是轻量级模型。神经电机翻译和转录的系统的精度和速度显着提高。改进是由于使用深度学习，多头自我关注机制与编码器解码器变压器架构样式的使用深度学习，从训练的传输学习语料库中获取了。它们的模型大小通常很大，参数大小为数十亿，需要多个GPU。他们还可以使零射击学习成为可能。例如，在没有葡萄牙语翻译的基础语言数据的情况下，通过将西班牙语翻译成葡萄牙语来从西班牙语到英语然后英语到葡萄牙语来实现从西班牙语到葡萄牙语的翻译。

For a large railroad company in the U.S., Infosys assisted in transcribing call center conversations using speech-based custom models to identify which product lines had maximum issues being reported, which agents were driving customer satisfaction versus which ones needed training, and the correlation of the rise or the drop in calls with events such as line failures, new product launches and faults reported.

Infosys与一家大型全球飞机制造商合作，在飞行员和地面工作人员之间进行交易。讨论驾驶舱噪音，强大的区域性口音，不同语言和沉重的环境噪声的谈话。我们成功培训了对重点的变化，以提供高转录准确性，冉语言洞察力推断出飞行着陆和空中事故的延迟原因，以及使用转录和见解来改善地面工作人员和试点培训。

For a large retailer in the U.S., Infosys transcribed call center conversations to derive information about intentions, conversation sentiments and key topics, and we also clustered subject-specific intentions, such as all order delivery-related, payment-related and product return-related intentions in order to understand and improve gaps in supply chain operations.