Serviços de consultoria baseados em AI para o ensino superior

O problema

Os call centers são uma ferramenta essencial de suporte ao estudante no ensino superior. Orientadores de ajuda financeira, admissões e matrículas costumam ser o primeiro ponto de contato do estudante, mas monitorar e manter a qualidade das conversas em escala é caro e difícil.

A maioria das instituições conta com call centers próprios e utiliza ferramentas de orquestração de atendimento ao cliente como Genesys ou Five9. O ponto de dor não são as chamadas em si. É o que acontece depois.

Exemplo 1: Melhorar a qualidade do atendimento sem escalar os custos. Uma abordagem típica de QA extrai as transcrições do software de orquestração e revisa manualmente uma amostra aleatória. Devido ao volume de chamadas, as equipes de QA geralmente avaliam apenas cerca de 5% das chamadas por ano. Dobrar essa cobertura significa dobrar a equipe. A US$ 50 mil por pessoa para uma equipe de 10 pessoas, isso representa um custo adicional de US$ 500 mil por ano para ganhos marginais. Além do custo, as transcrições nativas frequentemente identificam incorretamente os nomes dos estudantes, quebrando os dashboards downstream que precisam associar o histórico de chamadas aos perfis dos estudantes.

Exemplo 2: Entender com o que os estudantes estão tendo dificuldades. Algumas instituições não têm uma abordagem sistemática. Outras mantêm pipelines complexos de NLP para segmentar transcrições, extrair tópicos e pontuar o sentimento. Esses pipelines são frágeis em escala, exigem curadoria manual de listas de frases entre as execuções semanais em lote e raramente geram insights com rapidez suficiente para que os administradores ajam sobre problemas emergentes antes do fim do semestre.

Por que a transcrição baseada em LLM é importante

Modelos tradicionais de ASR treinados em conjuntos de dados limpos e restritos têm dificuldades com sotaques, dialetos, áudio de telefone comprimido e ambientes ruidosos, todos comuns em chamadas de suporte ao estudante, especialmente em instituições com grandes populações internacionais. Modelos de fundação como o OpenAI Whisper, treinados em mais de 680.000 horas de áudio multilíngue diversificado, generalizam muito melhor nessas condições. O ASR mais antigo não está obsoleto, mas para este caso de uso, é a ferramenta errada.

A abordagem de IA na Databricks

Vimos várias instituições de ensino superior resolverem ambos os problemas em parceria com a Databricks. A Baylor University é um exemplo: o fluxo de trabalho apresentado aqui é uma versão refinada daquele que a Baylor usou para enfrentar esses mesmos desafios. O padrão principal começa com a implantação do OpenAI Whisper no Databricks Model Serving para transcrições de maior fidelidade, e depois a aplicação de AI Functions em camadas para enriquecimento e pontuação.

Para o Exemplo 1 (Qualidade do atendimento):

• Hospede o WhisperAI como um endpoint de serviço gerenciado; aplique transcrições em escala via ai_query() em lotes diários ou semanais.
• Use LLM-as-a-judge para pontuar cada transcrição em relação à rubrica de QA institucional. O modelo avalia cada critério da rubrica, retornando uma pontuação geral ponderada de 1 a 5, pontuações por critério e uma avaliação narrativa. Os critérios da rubrica são extraídos de uma tabela de referência e codificados no prompt, garantindo que o mesmo padrão seja aplicado de forma consistente em todas as chamadas.
• Encaminhe as chamadas sinalizadas para melhoria para a equipe de QA, substituindo a amostragem aleatória por uma revisão direcionada.

Para o Exemplo 2 (Insights sobre os estudantes):

• O mesmo pipeline de transcrição do Whisper, aplicado trimestralmente a horas de áudio.
• Enriqueça cada chamada com ai_analyze_sentiment() e ai_extract() para sentimento, tópicos e intenção.
• Exponha os resultados por meio de duas superfícies complementares: um Agent Bricks Knowledge Assistant para raciocínio não estruturado sobre transcrições brutas ("Com o que os estudantes costumam ter dificuldades em relação à ajuda financeira?") com citações fundamentadas, e um Genie Space para consultas estruturadas de tendências ("Qual a média de sentimento por categoria neste trimestre?").

O que torna isso poderoso na Databricks é que cada etapa (ingestão, transcrição, análise de IA e descoberta) é executada em uma única plataforma governada. O Unity Catalog mantém os dados confidenciais dos estudantes seguros com controles de acesso refinados. AI Functions como ai_query() chamam modelos de fundação diretamente do SQL, sem uma infraestrutura de inferência separada. Sem a necessidade de conectar ferramentas diferentes, sem dados saindo do limite de governança e sem uma camada de orquestração separada.

Arquitetura

Esta solução converte áudio não estruturado de armazenamento de objetos em nuvem em dados estruturados de alta fidelidade por meio de um pipeline governado:

O áudio bruto chega aos Volumes do Databricks no Unity Catalog. O Whisper realiza a conversão de fala em texto distribuída, capturando nuances como nomes de estudantes e terminologia do ensino superior que as transcrições nativas não detectam. Em seguida, as AI Functions enriquecem cada registro com sentimento, tópicos e pontuações de rubrica. Esses dados são sintetizados com registros institucionais (como dados de estudantes do Salesforce), fornecendo uma visão de 360 graus de cada interação.

Primeiros passos

Para executar a solução, atualize os valores do widget de catálogo/esquema e certifique-se de que um SQL warehouse esteja disponível (as AI Functions usam ai_query(), que é executado em computação SQL sem servidor). Conecte a computação a um cluster de usuário único (DBR 15.4 LTS+) ou ambiente sem servidor.

Para o Whisper, o caminho mais fácil é o Databricks Marketplace: instale um modelo Whisper (por exemplo, whisper-large-v3) do marketplace em seu catálogo e implante-o como um endpoint de serviço com um nível de GPU adequado às suas necessidades de taxa de transferência. Os endpoints de LLM do agente (Claude, Llama) são endpoints da Foundation Model API disponíveis por padrão; todos os nomes de endpoints são configuráveis por meio de parâmetros de widget.

A etapa de configuração cria o esquema, as tabelas Delta, a rubrica do orientador e registra todas as 12 funções SQL. A implantação ingere metadados de áudio por meio do Auto Loader, empacota o agente LangGraph com o MLflow e o implanta como um endpoint de serviço de modelo (~15 minutos). Uma suíte de testes com mais de 40 testes de ponta a ponta valida tudo, desde esquemas de tabela até a invocação de ferramentas de endpoint ativas.

Depois de implantado, interaja com o agente no AI Playground: selecione o endpoint e faça perguntas em linguagem natural. O Playground também oferece suporte a um caminho focado em protótipos: anexe funções SQL do UC como ferramentas a qualquer Foundation Model, faça iterações no prompt do sistema e exporte a configuração funcional como um notebook Python/MLflow.

Duas superfícies de linguagem natural estão disponíveis na camada superior: um Genie Space para perguntas estruturadas ("Qual é a pontuação média da rubrica por categoria de chamada?") e um Agent Bricks Knowledge Assistant para raciocínio sobre transcrições não estruturadas ("Com o que os estudantes costumam ter dificuldades em relação à ajuda financeira?") com citações fundamentadas. Juntos, eles permitem que orientadores, mentores e gerentes de QA não técnicos façam perguntas sobre seus estudantes sem precisar recorrer a um SME de dados. Para saber mais: Genie Spaces (AWS | Azure | GCP) e Agent Bricks Knowledge Assistant (AWS | Azure | GCP).

Pronto para explorar isso em seu próprio ambiente? Baixe a solução no GitHub para ver como as gravações de chamadas de orientadores podem ser ingeridas, transcritas, analisadas e exploradas de ponta a ponta. Para ir além, saiba mais sobre o Databricks AI para fluxos de trabalho de IA generativa, o Unity Catalog para governança segura e o Genie para análise conversacional. Para obter orientações adicionais, explore os Solution Accelerators, a documentação do produto ou entre em contato com a Databricks para discutir como esses recursos podem apoiar as operações de atendimento ao estudante em sua instituição.

Para se manter atualizado sobre como a Databricks apoia a educação, o governo e as organizações sem fins lucrativos, siga o Databricks for Public Sector no LinkedIn.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original