Głos tam, gdzie ręce są zajęte: rozmowa na hali i w terenie

Kompletujący w magazynie ma na dłoniach rękawice, na nadgarstku skaner, a przed sobą paletę na wózku ręcznym. Etykieta jest uszkodzona i nie daje się zeskanować. System chce ręcznego potwierdzenia na terminalu zamontowanym na słupie kilka metrów dalej. Kompletujący odstawia wózek, zdejmuje rękawicę, przeklikuje trzy ekrany, zakłada rękawicę i wraca.

Serwisant klęczy przy maszynie u klienta. Pytanie jest proste: kiedy to urządzenie było ostatnio serwisowane i jaką część wymieniono? Odpowiedź jest w systemie. Tablet został w samochodzie.

Żadna z tych sytuacji nie jest błędem oprogramowania. Interfejs zakłada biurko, a duża część pracy w firmie nie odbywa się przy biurku. Odbywa się na stojąco, w ruchu, z rzeczami w rękach. W takiej pracy głos nie jest ciekawostką. To jedyny wolny kanał.

Głos w magazynie też nie jest nowością: kompletacja sterowana głosem, ze stałymi komendami i cyframi kontrolnymi odczytywanymi przy każdej lokalizacji, działa od lat. Zmieniło się to, że rozpoznawanie mowy i modele językowe radzą sobie dziś z dowolnymi pytaniami, a nie tylko ze stałym zestawem komend. To czyni głos bardziej przydatnym i łatwiejszym do zepsucia.

Gdzie głos w pracy zawodzi

Hałas. Wózki widłowe, sprężarki, wentylacja, wiatr, radio. Rozpoznawanie, które działa w biurze, zawodzi na hali. Liczy się tylko test w prawdziwym miejscu i o prawdziwej porze dnia.

Swobodna mowa do stałych czynności. Potwierdzenie pobrania powinno być krótką, stałą frazą z wartością kontrolną, a nie rozmową. Swobodne zdanie łatwiej powiedzieć i łatwiej źle zrozumieć.

Brak odczytu zwrotnego. System usłyszał złą ilość, więc zaksięgował złą ilość. Każdy zapis w rekordzie wymaga potwierdzenia, które człowiek słyszy i może poprawić.

System, który nie zna kontekstu. Na pytanie „co to jest?” da się odpowiedzieć tylko wtedy, gdy system wie, gdzie człowiek stoi, przy jakim zadaniu pracuje i co przed chwilą zeskanował.

Mikrofony, które słyszą wszystkich. Stale włączony mikrofon nagrywa także współpracowników. Obowiązują przepisy o monitorowaniu pracowników i o ochronie danych osobowych. Co jest nagrywane, gdzie jest przetwarzane i jak długo przechowywane, trzeba ustalić i wyjaśnić ludziom, zanim pierwszy zestaw słuchawkowy trafi do rąk.

Założenie jednego języka. Wiele zespołów mówi kilkoma językami, z różnymi akcentami. Rozpoznawanie trzeba testować z ludźmi, którzy naprawdę będą z niego korzystać.

Co działa

Dwa tryby, trzymane osobno. Stałe, krótkie komendy do transakcji, takich jak potwierdzanie, księgowanie i liczenie, każda z wartością kontrolną. Swobodne pytania do informacji: kiedy to urządzenie było serwisowane, gdzie jest część zamienna, co znaczy ten kod błędu.

Najpierw kontekst. System zna zadanie, lokalizację i pozycję, i w tym kontekście interpretuje każde pytanie. „Ile zostało?” znaczy: tej pozycji, w tej lokalizacji.

Odczyt zwrotny przed zapisem. „Księguję dwanaście sztuk pozycji kończącej się na 4471 na lokalizację B7. Potwierdzasz?” Nic w rekordzie się nie zmienia, dopóki człowiek nie powie „tak”.

Propozycje w nietypowych sytuacjach. Uszkodzona etykieta opisana głosem staje się szkicem zgłoszenia niezgodności ze zdjęciem, który czeka na akceptację przełożonego, a nie notatką w polu tekstowym, której nikt nie przeczyta.

Przetwarzanie lokalne, gdzie się da. Rozpoznawanie mowy może działać na lokalnym sprzęcie, co zatrzymuje głosy pracowników w firmie i usuwa sieć z krytycznej ścieżki. Rozumowanie jest takie samo jak w tekście o tym, które dane nie mogą opuścić firmy.

Ten sam zapis, inne wejście. Głos powinien być interfejsem do tego samego modelu, tych samych uprawnień i tych samych akceptacji co ekran, a nie osobną aplikacją z własną kopią prawdy. Ogólny przypadek opisuje tekst okno czatu to jeszcze nie interfejs konwersacyjny.

Hurukan jest projektowany tak, żeby każdy sposób pracy z systemem, czy to ekran, rozmowa w narzędziach, których ludzie już używają, czy mowa, prowadził do tego samego zapisu i tych samych reguł akceptacji warstwy Logika agentowa. Praca, która skorzystałaby najbardziej, jest opisana na stronach Magazyn i logistyka (przyjęcia, wydania, inwentaryzacje) oraz Operacje i jakość (kontrole i niezgodności). System jest w budowie.

Test na dziś

Spędź godzinę obok osoby, która ma zajęte ręce: kompletującego, serwisanta, kogoś przy stanowisku pakowania. Rób kreskę za każdym razem, gdy przerywa pracę, odkłada coś albo idzie do ekranu, żeby coś odczytać lub wpisać. Przy każdej kresce zanotuj, czy odczytywała informację, czy rejestrowała transakcję.

Potem nagraj telefonem minutę zwykłego tła dźwiękowego na jej stanowisku i odtwórz. Przez to będzie musiało przebić się każde rozpoznawanie mowy.

Kreski powiedzą Ci, czy głos ma tam sens. Podział na odczyt i zapis powie, który z dwóch trybów budować najpierw. Nagranie powie, jak trudne to będzie.