Call Analytics Platform — автоматизована транскрипція та AI-оцінювання якості для кол-центру (Go)

Огляд

Клієнт керує кол-центром продажів і підтримки та фактично «тонув» у необробленому аудіо. Записи розмов потрапляли на FTP-сервер, але керівники не мали способу — окрім прослуховування сотень MP3 щодня — зрозуміти, які дзвінки були якісними, які порушили скрипт, а які залишили клієнта незадоволеним.

Потрібен був єдиний внутрішній веб-застосунок, який автоматично приймає кожен дзвінок від телефонного провайдера, транскрибує його, оцінює за конфігурованим списком питань якості та представляє результати у швидкому дашборді з фільтрами, з яким реально можна працювати.

Мій внесок

Я спроєктував і реалізував усю систему від початку до кінця на Go.

Бекенд і пайплайн

Webhook-ендпоінт (POST /call) приймає метадані дзвінків, які надсилає телефонний провайдер, і ставить фонові задачі в чергу. П’ять незалежних фонових воркерів, кожен спирається на чергу в БД зі статусами pending → done / failed, лічильниками спроб, логікою повторів та збереженням помилок по кожному завданню:

• Duration worker — підключається до FTP клієнта, потоково читає MP3 і визначає реальну тривалість аудіо.
• Transcription worker — надсилає аудіо до AssemblyAI і зберігає транскрипт, з захистом від «надто коротких» записів.
• AI evaluation worker — формує промпт із транскрипту та динамічного списку питань якості, керованих через UI, викликає OpenAI, валідує структуровану JSON-відповідь і зберігає її з хешем для детекту змін (повторна оцінка запускається лише тоді, коли реально змінилися вхідні дані).
• Webhook log cleanup worker — застосовує гнучку політику зберігання логів вебхуків.
• Error log cleanup worker — те саме для історії помилок.

Веб-застосунок

• HTTP-шар на Echo v4 з чітким поділом handler → service → repository.
• Серверний рендеринг UI на Templ (компільовані типобезпечні Go-шаблони) — без накладних витрат SPA, швидкий перший рендер.
• DataTables з повноцінним server-side processing (пагінація, фільтрація, сортування виконуються в PostgreSQL, а не в браузері) для таблиць дзвінків та логів вебхуків.
• Налаштування видимості колонок зберігаються окремо для кожного користувача в БД — кожен менеджер бачить свій звичний вид.
• Рольовий доступ (адміністратор / звичайний користувач), сесії в Redis через scs, безпечний флоу зміни пароля.
• Налаштування у самому застосунку для ключів AssemblyAI, моделі та параметрів OpenAI, питань AI та зберігання логів — тонке налаштування пайплайну без жодних редеплоїв.
• Вбудоване відтворення MP3, що проксується з FTP, — менеджер слухає дзвінок поряд із транскриптом та AI-оцінкою.

Інфраструктура

• PostgreSQL (sqlx) з 25+ версіонованими міграціями, що застосовуються автоматично при старті через golang-migrate.
• Redis для сесій.
• Docker Compose для локальної розробки; один бінарник для продакшну.
• Робота з часовою зоною (Europe/Kyiv), структурне логування через logrus.

Налаштування з UI

Кожну частину пайплайна можна підлаштувати з інтерфейсу — без редеплоїв. Керівники задають ключі AssemblyAI, параметри моделі OpenAI, мінімальну тривалість аудіо, типи маршрутів транскрибування та політику зберігання логів прямо в екрані налаштувань.

Список AI-питань якості — це окрема CRUD-сутність. Додати новий критерій («чи привітався оператор?», «чи був конфлікт?», «чи запропонували TG-бот?») — питання секунд: вводимо у відповідний екран — і наступна партія дзвінків уже оцінюється за ним.

Технологічний стек

Результат

Замість годин ручного прослуховування клієнт отримав автоматизований пайплайн, який обробляє кожен записаний дзвінок упродовж кількох хвилин після появи файлу на FTP.

• Керівники відкривають єдиний дашборд, фільтрують за датою, оператором або вердиктом AI — і відразу провалюються до транскрипту з оцінками по кожному питанню.
• Додати новий критерій якості — секунди: ввели питання в UI налаштувань, і наступний пакет дзвінків уже оцінюється з його урахуванням.
• Платформа стабільно працює в продакшні та є основним інструментом команди для контролю якості розмов.