Cortex AI automatise le tri d'appels à partir d'audio AAC
Le brief IA que les pros lisent chaque soir
Les 7 actus IA du jour, décryptées en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Un pipeline fondé sur les fonctions d’IA intégrées transcrit des appels, les classe et les résume sans saisie manuelle. Trois scénarios types — facturation, bug technique et accès au compte — servent de banc d’essai et aboutissent à une table d’analyse prête à être requêtée.
Les résultats : une table d’analyse et des catégories correctes
La sortie opérationnelle regroupe transcript, catégorie et résumé dans la table call_analysis, avec une requête directe pour inspection des colonnes file_name, category et call_summary. Les résultats montrent que le pipeline fonctionne de bout en bout : les trois appels traités sont correctement classés et résumés à partir d’audio brut. Dans l’échantillon, support_call_1.aac est rangé en « Facturation », avec un transcript centré sur un double prélèvement et une correction émise par Maya. Le classificateur a préféré « facturation » à une demande générale. support_call_2.aac est classé en « Support technique » pour un crash lors d’un envoi de photos, le modèle l’ayant choisi plutôt que « accès au compte » ou « facturation ». Les trois cas couvrent facturation, bug technique et accès au compte, et la liste de catégories comprend quatre étiquettes exercées dans la démonstration.
Transformer l’audio en texte interrogeable avec AI_TRANSCRIBE
La conversion débute avec AI_TRANSCRIBE, qui produit un objet structuré plutôt qu’une chaîne simple. Le texte se trouve sous une clé dédiée et s’accompagne de métadonnées, dont la durée de l’audio. Une requête aplatit texte et durée dans des colonnes spécifiques, ce qui facilite les traitements ultérieurs. Les résultats intermédiaires sont visibles via la table CALL_TRANSCRIPTS_FLAT. À partir de cette étape, l’intégralité du flux travaille sur le texte, l’audio ayant rempli son rôle.
Catégoriser et résumer en un seul passage
Les transcripts aplatis servent à générer deux colonnes par appel : une catégorie et un résumé, calculés en une seule passe. AI_CLASSIFY accepte directement une liste d’étiquettes en argument, sans modèle ni table de correspondance séparés, un fonctionnement qui convient à une équipe dépourvue de classificateur sur mesure. Le classificateur lit le transcript et retient l’étiquette la plus proche. Sa sortie est un objet structuré, et l’expression :labels[0]::STRING permet de stocker l’étiquette choisie. En parallèle, AI_SUMMARIZE_AGG(transcript_text) produit un résumé court en langage naturel pour chaque appel, remplaçant la note habituellement rédigée à la main.
Mise en place, formats audio et usage en production
La démonstration s’appuie sur trois fichiers AAC, un format compressé répandu dans le streaming et les enregistrements téléphoniques, pour une taille réduite et une qualité proche du MP3. Les fichiers sont téléversés via Snowsight après la création d’une base, d’un schéma et d’une étape de stockage, puis importés avec succès. Les trois appels ont été scénarisés et enregistrés pour simuler une file réelle : litige de facturation avec remboursement, crash applicatif consigné comme bug avec solution de contournement, et accès bloqué lié à un filtre anti‑spam. L’enjeu visé est de supprimer la saisie post‑appel — notes, choix de catégorie et résumé — identifiée comme source principale de retards et d’incohérences. En environnement de production, l’upload manuel est évité : la plateforme de centre de contact écrit d’ordinaire les enregistrements vers un stockage cloud dès la fin de l’appel, puis une étape externe ou un déclencheur Snowpipe les ingère automatiquement.
Brief IA — L'actualité IA en français
L'essentiel de l'actualité de l'intelligence artificielle, décrypté et expliqué chaque jour.