Vi får ofta frågan: “Men hur fungerar det egentligen”?
Och det är en helt rimlig fråga. Man ringer, en AI svarar, förstår vad man säger, ställer följdfrågor och skickar ordern till köket. Det låter nästan för enkelt för att vara sant.
I bakgrunden är det tre tekniker som jobbar ihop. Jag ska försöka förklara dem så enkelt som möjligt nedan.
- ASR (Automatic Speech Recognition ) - Från röst till text
ASR betyder att AI:n omvandlar det du säger till text, i realtid. Det är det första steget, utan det händer ingenting annat.
Problemet är att folk pratar olika. Dialekter, bakgrundsljud, "En capricciosa med extra skinka och starksås" allt det måste fungera. Vi lägger därför mycket tid på att träna systemet på restaurangspecifika ord och rätter, så att det faktiskt förstår vad kunden menar.
- LLM (LLarge Language Model) - Hjärnan bakom allt
Okej, nu har vi texten. Men text är bara ord, någon måste faktiskt fatta vad kunden vill.
Det är LLM:ens jobb. Det är den här delen som gör att Lisa kan hålla en hel konversation, komma ihåg vad som sagts tidigare i samtalet och ställa rätt följdfrågor. "Menade du totalt två stycken Vesuvio?" "Skulle båda ha starksås eller var det bara den första?" Det är inte ett förbestämt, det är en AI som resonerar i realtid.
- TTS (Text To Speech) Från text till röst
Sista steget. AI:n har bestämt vad den ska säga, och nu ska det bli ljud.
Modern TTS låter inte som den där rösten man hör när man ringer till Skatteverket. Våran AI, Lisa, pratar naturligt, tar pauser på rätt ställen och låter mer som en människa.
Och sen?
Samtalet är klart. Ordern är bekräftad. Och direkt efteråt skickas den till skrivaren & paddan i köket automatiskt, utan att någon i personalen behövt vara med i bilden.
Det är så en AI-telefonist fungerar rent tekniskt.
Tack för att ni läste detta inlägg! Har ni några frågor? Tveka inte att höra av er till info@call2order.se