تقرير جي سڃاڻپ لاءِ تربيتي ڊيٽا: B2B AI ٽيمن لاءِ هڪ عملي گائيڊ

جيڪڏهن توهان وائس انٽرفيس، ٽرانسڪرپشن، يا ملٽي ماڊل ايجنٽ ٺاهي رهيا آهيو، ته توهان جي ماڊل جي حد توهان جي ڊيٽا طرفان مقرر ڪئي وئي آهي. تقرير جي سڃاڻپ (ASR) ۾، ان جو مطلب آهي متنوع، سٺي ليبل ٿيل آڊيو گڏ ڪرڻ جيڪو حقيقي دنيا جي استعمال ڪندڙن، ڊوائيسز ۽ ماحول کي ظاهر ڪري ٿو - ۽ ان جو نظم و ضبط سان جائزو وٺڻ.

هي گائيڊ توهان کي ڏيکاري ٿو ته تقرير جي تربيتي ڊيٽا جي منصوبابندي، گڏ ڪرڻ، ترتيب ڏيڻ، ۽ جائزو ڪيئن ڪجي ته جيئن توهان قابل اعتماد پراڊڪٽس کي تيزيءَ سان موڪلي سگهو.

"تقرير جي سڃاڻپ ڊيٽا" ڇا کي ڳڻيو ويندو آهي؟

گهٽ ۾ گهٽ: آڊيو + ٽيڪسٽ. عملي طور تي، اعليٰ ڪارڪردگي وارن نظامن کي پڻ امير ميٽا ڊيٽا (اسپيڪر ڊيموگرافڪس، لوڪل، ڊيوائس، صوتي حالتون)، تشريح جا نمونا (ٽائم اسٽيمپ، ڊائرائيزيشن، غير لغوي واقعا جهڙوڪ کلڻ)، ۽ مضبوط ڪوريج سان تشخيصي تقسيم جي ضرورت هوندي آهي.

پرو ٽپ : جڏهن توهان چئو ٿا "ڊيٽا سيٽ"، ڪم جي وضاحت ڪريو (ڊڪٽيشن بمقابله ڪمانڊ بمقابله گفتگو وارو ASR)، ڊومين (سپورٽ ڪالز، هيلٿ ڪيئر نوٽس، ڪار ۾ ڪمانڊ)، ۽ رڪاوٽون (ليٽنسي، آن ڊيوائس بمقابله ڪلائوڊ). اهو نموني جي شرح کان وٺي تشريح اسڪيما تائين هر شيءِ کي تبديل ڪري ٿو.

تقرير ڊيٽا اسپيڪٽرم (اهو چونڊيو جيڪو توهان جي استعمال جي صورت سان ملندو آهي)

1. اسڪرپٽ ٿيل تقرير (اعليٰ ڪنٽرول)

ڳالهائيندڙ اشارا لفظ بہ لفظ پڙهن ٿا. حڪم ۽ ڪنٽرول، جاڳڻ وارن لفظن، يا صوتياتي ڪوريج لاءِ بهترين. پيماني تي تيز؛ گهٽ قدرتي تبديلي.

2. منظرنامي تي ٻڌل تقرير (نيم ڪنٽرول ٿيل)

ڳالهائيندڙ هڪ منظرنامي ۾ اشارن تي عمل ڪندا آهن ("ڪلينڪ کان گلوڪوما اپائنٽمينٽ لاءِ پڇو"). توهان کي ڪم تي رهڻ دوران مختلف جملا ملندا آهن - ڊومين ٻولي ڪوريج لاءِ مثالي.

3. قدرتي/غير لکت واري تقرير (گهٽ ڪنٽرول)

حقيقي گفتگو يا مفت مونولوگ. گھڻن اسپيڪر، ڊگھي شڪل، يا شور واري استعمال جي ڪيسن لاءِ ضروري. صاف ڪرڻ ڏکيو، پر مضبوطي لاءِ اهم. اصل مضمون هن اسپيڪٽرم کي متعارف ڪرايو؛ هتي اسان اسپيڪٽرم کي پراڊڪٽ سان ملائڻ تي زور ڏيون ٿا ته جيئن وڌيڪ يا گهٽ فٽ ٿيڻ کان بچي سگهجي.

پنهنجي ڊيٽا سيٽ کي هڪ پراڊڪٽ وانگر پلان ڪريو

ڪاميابي ۽ رڪاوٽن کي اڳواٽ بيان ڪريو

• پرائمري ميٽرڪ: گھڻن ٻولين لاءِ WER (لفظ جي غلطي جي شرح)؛ واضح لفظ جي حدن کان سواءِ ٻولين لاءِ CER (ڪردار جي غلطي جي شرح).
• دير ۽ فوٽ پرنٽ: ڇا توهان ڊوائيس تي هلندؤ؟ اهو نموني جي شرح، ماڊل، ۽ ڪمپريشن کي متاثر ڪري ٿو.
• رازداري ۽ تعميل: جيڪڏهن توهان PHI/PII (مثال طور، صحت جي سار سنڀال) کي ڇهيو ٿا، ته رضامندي، سڃاڻپ ختم ڪرڻ، ۽ آڊٽيبلٽي کي يقيني بڻايو.

ڊيٽا جي وضاحتن ۾ حقيقي استعمال جو نقشو ٺاھيو

• مقامي ٻوليون ۽ تلفظ: مثال طور، en-US، en-IN، en-GB؛ شهري/ڳوٺاڻي ۽ گهڻ لساني ڪوڊ سوئچنگ کي متوازن ڪريو.
• ماحول: آفيس، گهٽي، ڪار، باورچی خانه؛ ايس اين آر ٽارگيٽ؛ ريورب بمقابله ويجهو ڳالهيون ڪندڙ مائڪ.
• ڊوائيسز: سمارٽ اسپيڪر، موبائيل (اينڊرائيڊ/آئي او ايس)، هيڊ سيٽ، ڪار ڪِٽ، لينڊ لائنون.
• مواد جون پاليسيون: بي ادبي، حساس موضوع، رسائي جا اشارا (هڪٻڻ، ڊيسارٿريا) جتي مناسب ۽ اجازت هجي.

توهان کي ڪيتري ڊيٽا جي ضرورت آهي؟

ڪو به هڪ انگ ناهي، پر ڪوريج خام ڪلاڪن کان وڌيڪ آهي. اسپيڪر، ڊوائيسز، ۽ صوتيات جي ويڪرائي کي ترجيح ڏيو ڪجھ حصو وٺندڙن کان الٽرا ڊگھي وٺندڙن تي. ڪمانڊ اينڊ ڪنٽرول لاءِ، سوين اسپيڪرن ۾ هزارين تقريرون اڪثر گهٽ، ڊگهي رڪارڊنگ کي مات ڏين ٿيون. گفتگو جي ASR لاءِ، ڪلاڪن ۾ سيڙپڪاري ڪريو × تنوع ۽ احتياط سان تشريح.

موجوده منظرنامو: اوپن سورس ماڊل (مثال طور، ويسپر) جيڪي لکين ڪلاڪن تي تربيت يافته آهن، هڪ مضبوط بنياد قائم ڪن ٿا؛ ڊومين، تلفظ، ۽ توهان جي ڊيٽا سان شور جي موافقت اڃا تائين پيداوار جي ميٽرڪس کي منتقل ڪري ٿي.

مجموعو: قدم بہ قدم ڪم جو وهڪرو

1. حقيقي استعمال ڪندڙ جي ارادي کان شروع ڪريو

مائن سرچ لاگز، سپورٽ ٽڪيٽون، IVR ٽرانسڪرپٽس، چيٽ لاگز، ۽ پراڊڪٽ اينالائيٽڪس کي ڊرافٽ پرامپٽس ۽ منظرنامي لاءِ. توهان ڊگهي دم واري ارادن کي ڍڪيندا جيڪي ٻي صورت ۾ توهان کي ياد هوندا.

2. مختلف قسمن کي ذهن ۾ رکندي مسودو اشارا ۽ اسڪرپٽ

• گهٽ ۾ گهٽ جوڙا لکو ("رهائش واري ڪمري جي روشني آن ڪريو" بمقابله "سوئچ آن ڪريو...").
• ٻج جي ڦڦڙن ("او، ڇا توهان ڪري سگهو ٿا...") ۽ جيڪڏهن لاڳاپيل هجي ته ڪوڊ سوئچنگ.
• ٿڪاوٽ کان بچڻ لاءِ پڙهڻ جي سيشن کي ~ 15 منٽن تائين محدود ڪريو؛ صاف سيگمينٽيشن لاءِ لائينن جي وچ ۾ 2-3 سيڪنڊن جو وقفو داخل ڪريو (توهان جي اصل هدايتن سان مطابقت رکي ٿو).

3. صحيح ڳالهائيندڙن کي ڀرتي ڪريو

مارڪيٽ ۽ انصاف جي مقصدن سان مطابقت رکندڙ آبادي جي تنوع کي نشانو بڻايو. قابليت، ڪوٽا، ۽ رضامندي کي دستاويز ڪريو. منصفانه طور تي معاوضو ڏيو.

4. حقيقي حالتن ۾ رڪارڊ ڪريو

ميٽرڪس گڏ ڪريو: اسپيڪر × ڊوائيسز × ماحول.

مثال طور:

• سامان آئي فون مڊ-ٽيئر، اينڊرائيڊ لو-ٽيئر، سمارٽ اسپيڪر فار-فيلڊ مائڪروفون.
• ماحول خاموش ڪمرو (ويجھو ميدان)، باورچی خانه (اوزار)، ڪار (هاءِ وي)، گهٽي (ٽريفڪ).
• شڪل ASR لاءِ 16 kHz / 16-bit PCM عام آهي؛ جيڪڏهن توهان نموني کي گهٽ ڪندا ته وڌيڪ شرحن تي غور ڪريو.

5. تبديلي کي جنم ڏيو (مقصد تي)

قدرتي رفتار، پاڻمرادو اصلاح، ۽ رڪاوٽن جي حوصلا افزائي ڪريو. منظرنامي تي ٻڌل ۽ قدرتي ڊيٽا لاءِ، اوور ڪوچ نه ڪريو؛ توهان چاهيو ٿا ته توهان جا گراهڪ جيڪو گندگي پيدا ڪن.

6. هائبرڊ پائپ لائن سان ٽرانسڪرائيب ڪريو

• هڪ مضبوط بيس لائين ماڊل سان خودڪار ٽرانسڪرپشن ڪريو (مثال طور، ويسپر يا توهان جو گهر ۾).
• انساني QA اصلاح، ڊائرائيزيشن، ۽ واقعن لاءِ (کلڻ، فلر لفظ).
• مطابقت جي چڪاس: اسپيلنگ ڊڪشنريون، ڊومين لغتون، رموز جي پاليسي.

7. چڱي طرح ورهايو؛ ايمانداري سان جانچ ڪريو

• اسپيڪر ۽ منظرنامي جي بي ترتيبي سان ٽرين/ڊيو/ٽيسٽ ڪريو (ليڪيج کان بچو).
• هڪ حقيقي دنيا جو بلائنڊ سيٽ رکو جيڪو پيداوار جي شور ۽ ڊوائيسز کي آئيني ۾ رکي؛ ورهاڱي دوران ان کي نه ڇهو.

تشريح: ليبلز کي پنهنجو خندق بڻايو

هڪ واضح اسڪيم بيان ڪريو

•  لغوي قاعدا: انگ ("پچيس" بمقابله "25")، مخففات، رموز.
•  واقعا: [کلڻ]، [ڪراس ٽاڪ]، [ٻڌڻ ۾ نه ايندڙ: 00:03.2–00:03.7].
• ڊائرائيزيشن: اسپيڪر اي/بي ليبل يا ٽريڪ ٿيل آئي ڊي جتي اجازت هجي.
• ٽائم اسٽيمپ: لفظ يا جملي جي سطح جيڪڏهن توهان ڳولا، سب ٽائيٽل، يا الائنمينٽ کي سپورٽ ڪريو ٿا.

تشريح ڪندڙن کي تربيت ڏيو؛ انهن جي ماپ ڪريو

گولڊ ٽاسڪ ۽ انٽر اينوٽيٽر ايگريمينٽ (IAA) استعمال ڪريو. نازڪ ٽوڪن (پراڊڪٽ جا نالا، دوائون) ۽ ٽرن اراؤنڊ ٽائمز تي درستگي/ياد ڪرڻ کي ٽريڪ ڪريو. ملٽي پاس QA (پيئر جائزو → ليڊ جائزو) ماڊل ايول استحڪام ۾ بعد ۾ ادا ڪري ٿو.

معيار جو انتظام: پنهنجو ڊيٽا ڍنڍ نه موڪليو

• خودڪار اسڪرينون: ڪلپنگ، ڪلپنگ تناسب، SNR حدون، ڊگهيون خاموشيون، ڪوڊيڪ بي ميل.
• انساني آڊٽ: ماحول ۽ ڊوائيس جي لحاظ کان بي ترتيب نمونا؛ اسپاٽ چيڪ ڊائرائيزيشن ۽ اوقاف.
• ورجننگ: ڊيٽاسيٽس کي ڪوڊ وانگر علاج ڪريو - سيمور، چينج لاگ، ۽ غير تبديل ٿيندڙ ٽيسٽ سيٽ.

توهان جي ASR جو جائزو وٺڻ: هڪ واحد WER کان ٻاهر

مجموعي طور تي ۽ ٽڪرن جي لحاظ کان WER کي ماپ ڪريو:

• ماحول جي لحاظ کان: خاموشي بمقابله ڪار بمقابله گهٽي
• ڊوائيس ذريعي: گهٽ درجي جو اينڊرائيڊ بمقابله آئي فون
• لهجي/مقامي جي لحاظ کان: اين-آءِ اين بمقابله اين-آءِ ايس
• ڊومين جي اصطلاحن جي لحاظ کان: پراڊڪٽ جا نالا، دوائون، پتا

جيڪڏهن توهان ريئل ٽائيم UX کي طاقت ڏيو ٿا ته دير، جزوي رويي، ۽ اينڊ پوائنٽنگ کي ٽريڪ ڪريو. ماڊل مانيٽرنگ لاءِ، WER جي تخميني ۽ غلطي جي ڳولا تي تحقيق هر شيءِ کي نقل ڪرڻ کان سواءِ انساني جائزي کي ترجيح ڏيڻ ۾ مدد ڪري سگهي ٿي.