Hangvezérlés ipari környezetben: kihívások és áttörések

Képzeld el, hogy egy gyárpadlón állsz: zúgnak a gépek, zúgnak a szállítószalagok, a targonca sípol, ahogy tolat, és valaki a folyosón át kiabál a rádióba. Most próbálja meg mondani a mesterséges intelligencia szemüvegének: 'Következő lépés' Spoiler: Ritkán ilyen egyszerű.

A hangvezérlésnek szabad kezet kell tartania – de valódi ipari környezetben gyakran úgy alakul, hogy nincs irányítás. A mikrofon minden gépzajt felvesz, kivéve az Önét, vagy összezavarja a 'stop' hangjelzést. Elég időt töltöttem a gyári emeleteken ahhoz, hogy tudjam, ez nem kis bosszúság; ez az oka annak, hogy sok dolgozó egy műszak után feladja a hangutasításokat, és visszatér a képernyő megérintéséhez.

De itt van a jó hír: a technológia hosszú utat tett meg. Nem tökéletes, de végre elég megbízható ahhoz, hogy ott működjön, ahol a legfontosabb. Soroljuk fel a valódi kihívásokat – és azt, hogyan oldottuk meg őket.

A három legnagyobb probléma (és miért nehéz megoldani)

1. Zaj – A nyilvánvaló gyilkos

Az ipari zaj nem csak hangos, hanem strukturált. Egy gép meghatározott frekvencián zúg, egy daráló sikít, a kompresszor dübörög. Ezek a hangok a spektrogramon feltűnnek, és könnyen elnyomják az emberi beszédet. A fogyasztói hangasszisztensek (a telefonon vagy az intelligens hangszórón lévők) nem erre készültek; csendes otthonokban tesztelik, nem sajtológépek mellett.

Az áttörés: A modern ipari mesterséges intelligencia szemüvegek sugárformázó mikrofontömböket (több mikrofon együtt dolgoznak) és neurális zajelnyomást alkalmaznak – az AI megtanulja megkülönböztetni a hangját a gépi ütőtől. Ahelyett, hogy lecsillapítanák a háttérzajt, nullázzák a száj irányát, és minden mást kiszűrnek.

Az egyik gyártónál teszteltük a hangpontosságot 95 dB-es környezetben – körülbelül olyan hangosan, mint egy fűnyíró a füle mellett. Jó zajelnyomással a pontosság 92% felett maradt; enélkül 40% alá esett.

2. Távolság és irány – Az alattomos probléma

Próbáltál már beszélni valakivel szemben? A hangja tompán cseng – és ugyanez vonatkozik a mikrofonokra is. A zajos padlón a dolgozók folyamatosan forgatják a fejüket: gépet ellenőriznek, szerszámot ragadnak, alkatrészt vizsgálnak. Ha a szemüveg mikrofonja csak akkor működik, ha egyenesen előre néz, a pontosság zuhan, amikor elfordítja a tekintetét.

Az áttörés: Az újabb ipari szemüvegek 360 fokos sugárformálást alkalmaznak , amely követi a fej helyzetét, és menet közben állítja be a mikrofon fókuszát. Néhányan még is használnak csontvezetési érzékelőket (például katonai fejhallgatókat), amelyek érzékelik a koponyájából származó rezgéseket – teljesen figyelmen kívül hagyva a környezeti zajokat.

Egy építkezésen teszteltünk egy pár csontvezetéssel: egy munkás egy parancsot suttogott egy működő generátor mellett, és a szemüveg mégis megkapta. Ez nem varázslat – ez csak okos fizika.

3. Beszédminták – Az emberi változó

Két ember nem beszél egyformán. Ékezetek, dialektusok, motyogás, túl gyors vagy lassú beszéd – az ipari csapatok még változatosabbak: multinacionális csapatok, különböző régiókból érkező műszakosok, zajon túl kiabáló emberek. A fogyasztói asszisztensek több millió felhasználótól tanulnak; az ipari szemüvegek nem rendelkeznek ezzel a luxussal – minden gyár a saját zárt környezete.

Az áttörés: az eszközön testreszabható nyelvi modellek. Ahelyett, hogy hangját a felhőbe küldené (ami az adatvédelmi vörös zászlókat emeli ki), a modern szemüvegeket a helyszínen be lehet tanítani . Tápláljon a rendszerbe néhány órát a csapat beszédéből – különböző ékezetek, gyakori parancsok –, és a pontosság drámai mértékben megugrik.

Az egyik logisztikai cég 20 percet rögzített raktári alkalmazottairól az alapvető parancsok segítségével ('next',' 'confirm',' 'stop'). Edzés után a hibaarány 60%-kal csökkent.

Mi működik ma (és mi még mindig nem)

Legyünk őszinték: a hangvezérlés nem áll készen minden ipari környezetben.

Akkor működik jól, ha:

• A háttérzaj 85 dB alatt van (hangos, de nem fülsüketítő)

• A parancsok rövidek és világosak ('következő lépés',' 'diagram megjelenítése,' 'szakértő hívása')

• A dolgozók beszéd közben nagyjából a szemüveg mikrofonja felé nézhetnek

• Van ideje egy gyors hangképzésre

Még mindig küzd, amikor:

• A közelben többen beszélnek (a mikrofonok nem mindig tudják megkülönböztetni őket)

• Egy dolgozónak erős akcentusa vagy beszédhibája van egyéni képzés nélkül

• A tér visszhangzik (a nagy fémraktárak brutálisak a hangra)

• Folyamatos diktálásra van szükség (a teljes mondatok nehezebbek, mint a rövid parancsok)

A felfelé? A legtöbb ipari feladathoz – javítás irányítása, kiválasztás megerősítése, ellenőrzés naplózása – csak rövid parancsokra van szüksége. És ezekre a feladatokra a mai technológia több mint elég jó.

Valós példa (anonim)

Egy raktárkezelő, akivel az eredetileg telepített mesterséges intelligencia szemüveggel dolgozunk, kézmozdulatvezérléssel: a dolgozók a halántékot koppintva megerősítették a választást. Utálták – a kezük mindig tele volt, és a felnyúlás lelassította őket.

Áttértek a hangra: minden választás után mondják, hogy 'kész'. A pontosság rendben volt csendes helyeken, de szörnyű a rakodó dokk közelében, ahol a teherautók megállás nélkül sípoltak. A javítás? Nyalábformázó mikrofonok és 10 perces hangképzés . dolgozónként Ezt követően a pontosság 72%-ról 94%-ra ugrott a dokk közelében. A munkások abbahagyták a panaszkodást; az egyik válogató azt mondta nekünk: 'Most csak kimondom, és továbbmegyek – már nem is gondolok rá.'

Ez a cél: a hangnak bele kell olvadnia a munkafolyamatba. Nem kell a technológiára gondolnia – csak mondja ki, amire szüksége van, és megtörténik.

Mit kell keresni vásárláskor

Ha a hangvezérlés fontos a csapata számára (és zajos padlón valószínűleg igen), a következőket kell ellenőriznie:

1. Mikrofonok száma: Célozzon 3 vagy több mikrofonra. Az egymikrofonos rendszerek nem fogják megszakítani.

2. Zajcsökkentés: Keressen mesterséges intelligencia-alapú neurális szűrést, ne csak az alapvető visszhangszűrést.

3. Sugárformálás: Fókuszálhat-e a viselőjének a hangja, még akkor is, ha elfordítja a fejét?

4. Eszközön történő feldolgozás: Kerülje el azokat a rendszereket, amelyek az összes hangot a felhőbe küldik (késleltetési és adatvédelmi problémák).

5. Egyedi tréning: Megtaníthatja-e a csapata speciális parancsait és ékezeteit?

6. Offline mód: Működik a hang, ha a Wi-Fi megszakad? (Spoiler: lesz.)

A lényeg

A hangvezérlés az ipari környezetben korábban ütőképes volt. Ha beszélsz a szemüvegeddel, akkor hallanak egy gépet, egy rádiót vagy semmit.

Ez megváltozott. A sugárformálás, az idegi zajelnyomás és a csontvezetés elég megbízhatóvá tették a hangot a valódi munkához. Nem tökéletes, de munkások ezrei használják most minden műszakban.

Minden gyárra készen áll? Nem. De a legtöbb komissiózási, ellenőrzési és irányított javítási feladathoz igen. És évről évre jobb lesz.

A SOTECH-nél megtanultuk, hogy a hang nem helyettesíti az érintést, hanem kiegészítés. Egyes munkások megkopogtatják a templomot, vannak, akik gesztikulálnak, vannak, akik beszélni fognak. A legjobb ipari szemüvegek támogatják mindhárom – így a dolgozók választhatják ki, mi működik az adott pillanatban.

Mert egy zajos gyári padlón az a legjobb felület, amelyik kimarad az útból.

Készen áll a hang tesztelésére a környezetében? Hívjon minket. Demópárt küldünk a legzajosabb munkaterületére. Ha ott működik, akkor bárhol működni fog.