Robot temu bual AI menggunakan keupayaan dialog suara mesin manusia Platform Semantik Pertuturan Pintar Lingxi untuk mensimulasikan pelbagai pusingan komunikasi suara antara perekrut dan pencari kerja untuk mencapai kesan dalam talian temuduga. Artikel ini menerangkan secara terperinci komposisi seni bina bahagian belakang, reka bentuk enjin dialog, strategi anggaran permintaan sumber dan kaedah pengoptimuman prestasi perkhidmatan robot temu bual AI. Robot temu duga AI telah berada dalam talian selama lebih setahun dan telah menerima berjuta-juta permintaan temu duga, meningkatkan kecekapan pengambilan perekrut dan pengalaman temu duga pencari kerja.
58 City Life Service Platform merangkumi empat perniagaan yang mantap: hartanah, kereta, pengambilan dan perkhidmatan tempatan (halaman kuning) Platform ini menghubungkan sejumlah besar C-end pengguna dan pedagang bahagian B boleh menerbitkan pelbagai jenis maklumat (kami memanggilnya "siaran") seperti rumah, kereta, pekerjaan dan perkhidmatan hayat di platform ini mengedarkan siaran ini kepada pengguna sisi C untuk mereka menyemak imbas, dengan itu membantu mereka mendapatkan apa yang mereka mahukan Maklumat yang diperlukan membantu peniaga bahagian B mengedar dan menyebarkan maklumat untuk memperoleh pelanggan sasaran Bagi meningkatkan kecekapan peniaga bahagian B dalam memperoleh pelanggan sasaran dan meningkatkan C-. pengalaman pengguna sampingan, platform ini terus melaksanakan inovasi produk dalam aspek seperti pengesyoran yang diperibadikan dan sambungan pintar.
Ambil pengambilan sebagai contoh Dijejaskan oleh wabak pada tahun 2020, kaedah temu duga pengambilan luar talian tradisional telah banyak memberi kesan Jumlah permintaan temu duga dalam talian daripada pencari kerja di platform melalui WeChat, video, dll meningkat secara mendadak. Memandangkan seorang perekrut hanya boleh mewujudkan saluran temu duga video dalam talian dengan seorang pencari kerja pada masa yang sama, kadar kejayaan pautan antara pencari kerja dan perekrut adalah rendah. Untuk meningkatkan pengalaman pengguna bagi pencari kerja dan meningkatkan kecekapan temu duga untuk perekrut, 58.com TEG AI Lab bekerjasama dengan pelbagai jabatan seperti barisan perniagaan pengambilan untuk mencipta alat temu duga pengambilan pintar: Bilik Temuduga Ajaib. Produk ini terutamanya terdiri daripada tiga bahagian: pelanggan, komunikasi audio dan video, dan robot temu bual AI (lihat: Orang | Li Zhong: Robot temuduga AI mencipta pengambilan pintar).
Artikel ini akan tertumpu terutamanya pada robot temu duga AI Robot temu duga AI mensimulasikan pelbagai pusingan komunikasi suara antara perekrut dan pencari kerja dengan menggunakan keupayaan dialog suara mesin manusia dari Pertuturan Pintar Lingxi. Platform Semantik untuk mencapai matlamat temu bual dalam talian. Di satu pihak, ia boleh menyelesaikan masalah bahawa seorang perekrut hanya boleh menjawab permintaan temu duga dalam talian seorang pencari kerja, meningkatkan kecekapan kerja perekrut di sisi lain, ia boleh memenuhi keperluan pencari kerja untuk menjalankan temu duga video tanpa mengira; masa dan lokasi, sambil menukar resume peribadi daripada tradisional Pengenalan perihalan teks ditukar kepada persembahan diri video yang lebih intuitif dan jelas. Artikel ini menerangkan secara terperinci seni bina bahagian belakang robot temu bual AI, reka bentuk enjin dialog suara mesin manusia, cara menganggar keperluan sumber untuk menghadapi pengembangan trafik, dan cara mengoptimumkan prestasi perkhidmatan untuk memastikan kestabilan dan ketersediaan keseluruhan perkhidmatan robot temu duga AI.
Seni bina robot temu bual AI ditunjukkan dalam rajah di atas, termasuk:
1. Lapisan akses : Terutamanya digunakan untuk mengendalikan interaksi dengan huluan dan hiliran, termasuk menyetujui protokol komunikasi dengan terminal audio dan video mengekstrak potret pengguna semasa temu bual dan mengekstrak maklumat garis masa interaksi pengguna robot dan menghantarnya ke jabatan pengambilan.
2. Lapisan logik: Digunakan terutamanya untuk mengendalikan interaksi dialog antara robot dan pengguna, termasuk mensintesis teks soalan robot ke dalam data suara dan menghantarnya kepada pengguna, bertanya soalan pengguna, supaya robot boleh "bercakap" ; Selepas pengguna membalas, data suara balasan pengguna dibahagikan melalui VAD (Pengesanan Aktiviti Suara), dan pengecaman pertuturan penstriman ditukar kepada teks, supaya robot boleh "mendengar"nya; kandungan berdasarkan teks balasan pengguna dan rajah perbualan dan kemudian mensintesisnya Suara dihantar kepada pengguna, dengan itu merealisasikan "komunikasi" antara robot dan pengguna.
3. Lapisan data: menyimpan data asas seperti gambar rajah pertuturan, rekod perbualan dan maklumat anotasi.
4. Sistem web: Konfigurasikan struktur wacana, strategi dialog dan labelkan data dialog temu bual secara visual.
Proses temu duga AI yang lengkap adalah seperti yang ditunjukkan dalam rajah di atas, yang boleh dibahagikan kepada pra-temu duga dan semasa temu duga , tiga peringkat selepas temu duga.
Sebelum temu duga: Tugas utama ialah mewujudkan pautan komunikasi dan memulakan sumber Isyarat suara antara robot temu bual AI dan terminal audio dan video dihantar melalui UDP dan port yang diperlukan untuk komunikasi audio dan video dengan robot temu bual AI perlu dikekalkan secara dinamik. Akhir audio dan video memulakan permintaan temu duga melalui antara muka SCF (SCF ialah rangka kerja RPC yang dibangunkan secara bebas oleh 58) Di satu pihak, permintaan itu memperoleh sumber IP dan port secara dinamik daripada robot temu bual AI dalam masa nyata untuk seterusnya. pengumpulan audio dan video proses temu duga Isyarat suara dihantar ke robot AI Sebaliknya, robot AI diberitahu IP dan port yang perlu dihantar sebagai tindak balas kepada isyarat suara pengguna. Memandangkan SCF menyokong pengimbangan beban, permintaan temu duga yang dimulakan oleh penghujung audio dan video akan dipukul secara rawak ke perkhidmatan robot temu duga AI Pada mesin tertentu dalam kluster, robot temu duga AI pada mesin ini memperoleh IP dan port terminal audio dan video melalui parameter penghantaran telus SCF Seterusnya, perkhidmatan robot temu bual AI mula-mula cuba memilih daripada baris gilir port yang tersedia (dibuat semasa pemulaan perkhidmatan ini mengundi pasangan port pertama yang tersedia (sepasang yang terdiri). port penghantaran dan port penerimaan) dalam struktur data baris gilir yang menyimpan pasangan port yang tersedia Jika pemerolehan berjaya, perkhidmatan akan melepasi IP dan port mesin ini melalui temu bual SCF dan tamat video, dan kedua-dua pihak kemudiannya boleh menjalankan komunikasi UDP Selepas temu duga selesai, perkhidmatan akan menolak pasangan port ke baris gilir port yang tersedia. Jika mendapatkan pasangan port gagal, perkhidmatan akan mengembalikan kod kegagalan komunikasi ke terminal audio dan video melalui antara muka SCF Terminal audio dan video boleh mencuba semula atau melepaskan permintaan temu duga.
Mewujudkan proses komunikasi:
Semasa proses penghantaran isyarat suara, kami menggunakan protokol RTP sebagai protokol media audio dalam sistem. Protokol RTP, Protokol Pengangkutan Masa Nyata, menyediakan perkhidmatan penghantaran masa nyata hujung ke hujung untuk pelbagai data multimedia seperti suara, imej, faks, dll. yang perlu dihantar dalam masa nyata melalui IP. Mesej RTP terdiri daripada dua bahagian: pengepala dan muatan.
Pengepala RTP:
Penjelasan atribut:
Atribut |
Penjelasan |
|
V |
Nombor versi versi protokol RTP, yang menduduki 2 digit Nombor versi protokol semasa ialah 2 | |
| P | Bendera padding, menduduki 1 bit, jika P=1, maka penghujung mesej diisi dengan satu atau lebih tatasusunan 8-bit tambahan, yang bukan sebahagian daripada muatan||
Bendera sambungan, menduduki 1 bit, jika 🎜> |
||
| M | ||
| PT | ||
| Nombor siri | ||
| Cop masa | ||
| SSRC | ||
| CSRC | Setiap pengecam CSRC menduduki 32 bit, dan boleh ada 0 hingga 15. Setiap CSRC mengenal pasti semua sumber istimewa yang terkandung dalam muatan mesej RTP. |
Semasa temu bual: Semasa proses ini, robot temu bual AI mula-mula menghantar pernyataan pembukaan teks disintesis ke dalam data suara melalui tts (Text To Speech, data suara dikodkan, dimampatkan). dan dihantar ke port IP dan video yang dipersetujui, pengguna membuat balasan yang berkaitan berdasarkan soalan yang mereka dengar; enjin menentukan balasan berdasarkan teks balasan pengguna dan rajah keadaan struktur pertuturan Kandungan, robot temu bual AI terus berinteraksi dengan pengguna sehingga perbualan tamat atau pengguna menutup temu duga.
Selepas temu duga: Setelah robot temu duga AI menerima permintaan audio dan video untuk penghujung temu duga, robot temu duga AI akan mengitar semula sumber yang dipohon dalam peringkat penyediaan temu duga seperti port , benang, dsb.; membina potret pengguna (melibatkan Maklumat terpantas pengguna seperti masa ketibaan, sama ada anda telah bekerja dalam kerja, umur, dsb.) disediakan kepada perekrut untuk memudahkan peniaga menyaring dan merekod dan simpan perbualan temuduga.
Penyelesaian rakaman:
Semasa keseluruhan proses temu duga, robot temu bual AI dan interaksi pengguna dikawal oleh enjin dialog Didorong oleh proses Hua Shu, Hua Shu ialah graf akiklik terarah Graf Hua Shu awal ialah dua cawangan Hua Shu (tepi semua nod
Oleh itu, untuk meningkatkan kesediaan pengguna untuk bercakap dan meningkatkan keupayaan dialog pintar robot, kami membina semula struktur pertuturan dan mereka bentuk pertuturan berbilang cawangan (tepi daripada nod >= 3), seperti yang ditunjukkan di bawah, pengguna boleh bertindak balas kepada pengguna dengan perkataan yang berbeza mengikut umur, pendidikan dan personaliti mereka Selepas struktur perkataan baharu dilancarkan, kadar penyelesaian temu duga melebihi 50%.
Pada masa yang sama, untuk mereka bentuk strategi dialog dengan cara yang lebih terperinci, kami telah mereka bentuk rantai strategi peringkat nod pada rantaian strategi, yang boleh menyesuaikan strategi dialog yang diperibadikan untuk satu nod untuk memenuhi keperluan keperluan perbualan yang diperibadikan.
Tahap data: Untuk merealisasikan wacana berbilang cawangan, kami mereka bentuk semula struktur data yang berkaitan dengan wacana dan mengabstraksikan beberapa entiti data termasuk: jadual wacana, nod wacana, kemahiran bercakap dan seterusnya. Nod Hua Shu terikat kepada Hua Shu melalui nombor Hua Shu, dan pada masa yang sama mengekalkan teks Hua Shu dan atribut lain Hua Shu mengekalkan hubungan topologi antara nod, termasuk nod permulaan dan nod akhir terikat dengan ini melalui nombor tepi Keteraturan, korpus dan peraturan lain, dan anda boleh menggunakan ID tepi untuk menyesuaikan peraturan anda sendiri untuk kelebihan ini. Rantaian dasar mengikat dasar yang berbeza melalui nombor rantaian dasar, dan perkataan dan nod mengikat rantaian dasar yang berbeza melalui nombor rantaian dasar.
Tahap kod: Abstrak konsep tepi, nod, kelas pertuturan dan kelas status pertuturan Tepi dan nod ialah pemetaan lapisan data, dan biasa, Korpus dan logik hit lain, kelas pertuturan mengekalkan maklumat penting seperti nod pembukaan, graf pertuturan, dsb. Graf pertuturan ialah pemetaan keseluruhan topologi pertuturan dan mengekalkan pemetaan antara nod dan set nod dan tepi bermula dari nod, keadaan pertuturan Kelas mengekalkan status semasa Hua Shu, termasuk kelas Hua Shu dan nod semasa Sistem boleh mendapatkan semua tepi bermula dari nod daripada graf Hua Shu berdasarkan nod semasa Hua Shu (serupa dengan senarai bersebelahan Mengikut semasa pengguna Balasan sepadan dengan peraturan pada tepi yang berbeza Jika terdapat pukulan, graf pertuturan akan mengalir ke nod akhir tepi pukulan kandungan balasan robot akan diperoleh daripada nod ini, dan struktur pertuturan akan mengalir.
Struktur data graf cakap:
Melalui struktur data di atas, platform sistem boleh bertindak balas dengan cepat kepada keperluan penyesuaian pihak perniagaan untuk pertuturan Sebagai contoh, perekrut boleh menyesuaikan soalan untuk setiap kedudukan pengambilan Kami mengabstrak soalan ini ke dalam nod maya dalam pertuturan gunakan tepi maya ke Nod maya disambungkan untuk menyediakan soalan temu duga yang diperibadikan untuk jawatan yang berbeza, mencapai kesan ribuan orang.
Bilik temu duga ajaib telah mencapai keputusan yang baik selepas ia pergi ke dalam talian, oleh itu, pihak perniagaan berharap untuk berkembang dengan cepat, dan robot temu bual AI perlu menyokong serentak tertinggi Terdapat lebih daripada seribu orang dalam talian, jadi kami bermula dari empat aspek: pengurusan sumber, anggaran sumber, ujian prestasi, dan pemantauan untuk meningkatkan prestasi temu bual AI dengan berkesan perkhidmatan robot. Dalam penggunaan dalam talian sebenar, perkhidmatan yang dioptimumkan boleh mengendalikan permintaan temu duga pada masa yang sama 20 kali sebelum pengoptimuman.
Penyelesaian pengurusan sumber: Untuk mengurus sumber yang digunakan dalam perkhidmatan dengan lebih baik dan mengelakkan keletihan sumber, kami telah mereka bentuk yang berikut. skim pengurusan sumber ditunjukkan. Pertama sekali, robot temu bual AI dan audio dan video bersetuju dengan protokol komunikasi melalui SCF Memandangkan SCF seimbang, permintaan pemanggil akan dipukul secara rawak ke mesin tertentu dalam kelompok permintaan mencecah contoh perkhidmatan 1. Protokol komunikasi boleh Interaksi temu bual ini terikat kepada contoh Seterusnya, konsep sesi diabstraksikan (tahap kod ialah kelas sesi, dan setiap sesi adalah satu utas). kerana dalam temu bual ini, seperti menghantar dan menerima port, pengaturcaraan Kelas penyahkodan dan pelbagai sumber benang didaftarkan ke sesi, dan kod memastikan bahawa sumber yang didaftarkan pada sesi akan dikeluarkan apabila sesi dikeluarkan Dengan cara ini, temu bual video yang berbeza mencapai pengasingan sumber melalui pengasingan benang, sekali gus memudahkan pengurusan sumber.
Pada masa yang sama, tika sesi terikat pada bekas sesi melalui id sesi (dipersetujui oleh pemanggil melalui protokol komunikasi, yang unik secara global). Apabila pengguna menutup telefon, SCF dipanggil untuk mengeluarkan sumber Disebabkan oleh kerawakan SCF, permintaan mungkin mencecah contoh perkhidmatan 3. Tiada sesi temu bual sedemikian pada contoh 3. Untuk mengeluarkan sumber, kami menggunakan WMB (Wuba Tongcheng. baris gilir mesej dibangunkan sendiri) ) Siarkan mesej keluaran sumber ini, badan mesej mengandungi id sesi, semua kejadian perkhidmatan akan menggunakan mesej ini, contoh perkhidmatan 1 mengandungi id sesi, cari sesi terikat kepada id sesi, hubungi keluaran sumber fungsi sesi, akan menggunakan Sumber dikeluarkan (kejadian yang selebihnya akan membuang mesej).
Jika permintaan keluaran tidak dilaksanakan atas sebab tertentu, bekas sesi mempunyai urutan pemantauan sesi yang boleh mengimbas kitaran hayat semua sesi dalam bekas sesi dan menetapkan kitaran hayat maksimum untuk sesi (seperti 10 minit). Jika sesi tamat tempoh, aktifkan kitar semula sumber sesi dan keluarkan sumber sesi. Pada masa yang sama, untuk sumber terhad seperti benang dan port yang digunakan dalam sesi, kami menggunakan pengurusan berpusat, menggunakan kumpulan benang untuk mengurus benang secara berpusat, meletakkan semua port yang tersedia ke dalam baris gilir dan memantau baki port dalam baris gilir untuk memastikan kestabilan perkhidmatan dan ketersediaan.
Anggaran sumber mesin:
Had sumber |
Kebimbangan bottleneck |
Sumber sementara diminta mengikut sesi |
Sama ada sumber sementara boleh dikitar semula dalam masa, seperti port, benang, codec dan sumber lain. |
Jalur lebar rangkaian mesin |
1000MB/s >> 2500 * 32 KB/s |
Sumber cakera keras mesin |
Strategi penghapusan LRU isu tersuai pedagang |
Benang |
Petunjuk seperti saiz tugasan, masa pelaksanaan tugasan dan bilangan utas yang dicipta dalam baris gilir kumpulan benang |
Percubaan prestasi:
Kami mereka bentuk rancangan percubaan seperti yang ditunjukkan dalam rajah di atas: 1. Untuk menyusun seni bina sistem, temui sumber yang terhad dan menyusunnya pada masa yang sama Pelan ujian tekanan, 2. menggunakan multi-threading untuk mensimulasikan persekitaran dalam talian, 3. ialah ujian kekuatan pelbagai kekuatan, analisis sumber kesesakan, dan analisis perkhidmatan. 4. Cari titik kesesakan, tambah penggera ambang dan uji semula 5. Kestabilan perkhidmatan dalam senario sebenar.
Ujian tekanan: Seterusnya, kami menjalankan ujian tekanan dan mencuba pelbagai ujian volum permintaan kekuatan Apabila menggunakan 2500 permintaan/min untuk menguji antara muka, kami mendapati bahawa kesesakan utama perkhidmatan ialah timbunan. ingatan perkhidmatan. Seperti yang anda lihat dari gambar di bawah, memori timbunan perkhidmatan dengan cepat mencapai 100% dan antara muka menjadi tidak responsif. Selepas kami membuang memori timbunan, kami mendapati terdapat ratusan objek DialingInfo dalam memori timbunan Setiap objek menempati 18.75MB Melihat kod tersebut, kami dapat melihat bahawa objek ini digunakan untuk menyimpan kandungan perbualan antara AI robot temu bual dan pengguna. Kedua-dua objek allRobotVoiceBuffer dan allUserVoiceBuffer masing-masing menduduki separuh daripadanya Saiz memori allRobotVoiceBuffer adalah untuk menyimpan maklumat suara robot (format storan: tatasusunan bait), dan semuaUserVoiceBuffer adalah untuk menyimpan maklumat suara pengguna.
Melihat kod, anda boleh mendapati bahawa kedua-dua objek allRobotVoiceBuffer dan allUserVoiceBuffer bersama-sama menduduki 18.75MB apabila perkhidmatan dimulakan (ini nilai adalah kerana Untuk menyimpan 5 minit data audio), kita perlu mempertimbangkan sama ada saiz permulaan ini munasabah Menganalisis data panggilan sejarah Bilik Temu Bual Ajaib, kita dapat melihat bahawa 63% pengguna tidak menjawab soalan pertama. robot dan terus menutup temu bual, jadi kami cuba mengurangkan kedua-dua ini Mulakan saiz memori objek, ubah suai semuaRobotVoiceBuffer kepada 0.47MB (nilai ini ialah saiz audio soalan pertama robot), dan semuaUserVoiceBuffer kepada 0MB masa, memandangkan dua objek allRobotVoiceBuffer dan allUserVoiceBuffer boleh berkembang pada tahap ms, jika kandungan perbualan melebihi saiz objek Pengembangan kapasiti boleh dicapai tanpa menjejaskan perkhidmatan Selepas pengubahsuaian, kami masih menggunakan 2500min/permintaan untuk ujian tekanan, dan perkhidmatan boleh mencapai kutipan sampah yang stabil.
Pemantauan terperinci:
Jenis Metrik |
Ikhtisar |
Metrik Kritikal Perkhidmatan |
Jumlah Permintaan , volum kejayaan, volum kegagalan, tiada port tersedia, dsb. 13 penunjuk |
Penunjuk sumber |
Baris gilir port yang tersedia panjang kurang daripada ambang, isu pemperibadian cache melebihi ambang, dsb. 5 penunjuk |
Penunjuk proses |
52 petunjuk seperti kegagalan untuk membina naratif, kegagalan untuk menyampaikan maklumat penting, kegagalan untuk menyampaikan garis masa, dsb. . . , dan purata masa tugas 6 Petunjuk |
Petunjuk sesi soal jawab kedudukan |
9 petunjuk seperti keabnormalan dalam mendapatkan jawapan suara, purata masa untuk memanaskan badan, dsb. Penunjuk |
Penunjuk ASR |
18 penunjuk termasuk tempoh purata pengecaman pertuturan yang dibangunkan sendiri, kegagalan pengecaman yang dibangunkan sendiri, dsb. |
Penunjuk Vad |
4 penunjuk seperti bilangan panggilan dan penggunaan masa maksimum |
| 07 RingkasanArtikel ini terutamanya memperkenalkan seni bina bahagian belakang robot temu bual AI, keseluruhan proses interaksi antara robot temu bual AI dan pengguna, dan fungsi teras enjin dialog dan amalan pengoptimuman prestasi perkhidmatan. Pada masa hadapan, kami akan terus menyokong lelaran fungsi dan pengoptimuman prestasi projek Bilik Temu Bual Ajaib, dan seterusnya melaksanakan robot temu bual AI ke dalam perniagaan yang berbeza. |
Mengenai pengarang
Atas ialah kandungan terperinci Amalan seni bina bahagian belakang robot wawancara AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Perbezaan antara python dan pycharm
Bagaimana untuk menggunakan split dalam python
Bagaimana untuk melaksanakan fungsi karusel CSS
Bagaimana untuk menggunakan arahan mencari untuk mencari fail dalam linux
Bagaimana untuk menyambungkan fail html dan fail css
Tutorial Mendapatkan Ikon Komputer Saya Win10
Bagaimana untuk mengkonfigurasi persekitaran pycharm
Bagaimana untuk menukar susun atur cad daripada putih kepada hitam
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
