صدا از میکروفن درایو دریافت می‌شود، پیامی با عنوان «سفارش صوتی» در اتوبوس منتشر می‌شود.
ASR پیام “سفارش صوتی” را دریافت می کند و صدا را پردازش می کند.
ASR پیام “ترتیب ساختاریافته” حاوی لیستی از موارد سفارش را منتشر می کند
گیرنده سفارش به «سفارش ساختاریافته» گوش می‌دهد و در صورت نیاز، پردازش پستی را انجام می‌دهد («فری کردن رایگان با سفارش نوشیدنی»)
گیرنده سفارش پیام “نمایش سفارش” را منتشر می کند
Display Composer پیام «نمایش سفارش» را دریافت می‌کند و در صورت نیاز، پردازش پست را انجام می‌دهد
Display Composer پیام‌های «نمایش مشتری» و «نمایش کارکنان» را منتشر می‌کند.
نمایش سفارش مشتری و کارمند به پیام ها و نمایش خروجی مربوطه گوش می دهد.
برای هر گونه درخواست توسعه کسب و کار مشخص، لطفا با کریستن تماس تماس بگیرید [link to email]، مشاور ارشد صنعت ما برای خرده فروشی، بانکداری و مهمان نوازی. اگر فقط می خواهید با هر یک از نویسندگان این مقاله بحث کنید، در اینجا نحوه تماس با شما آمده است:
شکل 2: تعادل بار کاری فرضی در Kubernetes
معماری مبتنی بر Kubernetes یک راه عالی برای حل طیف وسیعی از چالش‌های زیرساختی و نرم‌افزاری است که تکنولوژیست‌های QSR امروزی با آن روبرو هستند. Kubernetes به سرعت در حال تبدیل شدن به یک استاندارد گسترده برای ارکستراسیون کانتینر است. این مجموعه ابزارهای زیادی را برای مشاهده و مدیریت ارائه می دهد که به متخصصان فناوری اطلاعات اجازه می دهد تا به سرعت شبکه و زیرساخت محاسباتی خود را درک کرده و حفظ کنند. یک امتیاز اضافی این است که اکوسیستم Kubernetes بیشتر خدمات لازم را به عنوان پیشنهادات منبع باز ارائه می دهد. این مثال از توزیع K3s استفاده می کند، اما هر توزیع مطابق با استانداردها باید به همان اندازه خوب کار کند. K3s این مزیت را دارد که برای سربار کمتر طراحی شده است و به راحتی در سایت های لبه قابل استقرار است.
کیمبرلی دیویس
در اینجا نموداری وجود دارد که یک معماری اثبات مفهوم را برای سفارش خودکار درایو یا کیوسک با استفاده از تشخیص خودکار گفتار نشان می‌دهد.
این مثال از خدمات زیر استفاده می کند. نحوه تعامل آنها در بخش بعدی بیشتر توضیح داده شده است. به راحتی این بخش را مرور کنید و در صورت لزوم برای درک جزئیات بازگردید.
هدف این مقاله ترسیم رویکردی است که می‌تواند به QSRها، در کنار ادغام‌کننده‌های راه‌حل و فروشندگان نرم‌افزاری که با آنها کار می‌کنند، اجازه دهد تا راه‌حل‌هایی به‌راحتی قابل تغییر و تعامل ایجاد کنند که می‌توانند به راحتی در لبه یا در فضای ابری اجرا شوند. رویکرد معماری در اینجا عمدتاً از میکروسرویس‌های منبع باز استفاده می‌کند که روی خوشه‌های Kubernetes اجرا می‌شوند، که سپس توسط مدل انتشار-اشتراک گذرگاه پیام MQ Telemetry Transport (MQTT) متحد می‌شوند. این گذرگاه پیام را می‌توان پیرامون انواع رویدادهای مختلف یا موارد استفاده در رستوران، مانند سفارش مشتری، اتمام موجودی، ذخیره مجدد، مدیریت لابی و غیره توسعه داد.
این مقاله کوتاه توضیح می‌دهد که چگونه یک رویکرد مهندسی نرم‌افزار مبتنی بر کانتینر برای ساخت زیرساخت‌های QSR می‌تواند فرصت‌هایی را برای برندها، یکپارچه‌کننده‌های سیستم (SI) و فروشندگان نرم‌افزار مستقل (ISV) ایجاد کند تا این حجم‌های کاری برنامه‌های کاربردی جدید را بیشتر یکپارچه کنند، مدیریت کنند و هماهنگ کنند. به سرعت و ارزان، منجر به تجربیات بهتر برای اپراتورهای رستوران، کارمندان و مشتریان می شود.
ویکی میلهون
این مثال فرضی استفاده از سفارش صوتی مبتنی بر تشخیص خودکار گفتار در drive-thru یا یک کیوسک لابی را برای نشان دادن اصول کلی‌تر پشت این مدل انتشار-اشتراک نشان می‌دهد. در این مثال، مراحل مختلف در رسیدگی به سفارش مشتری قابل تشخیص است، پیام‌های استانداردی که می‌توانند به گره‌های مختلف در گذرگاه MQTT منتقل شوند، و راه‌اندازی یک معماری QSR یکپارچه اما ماژولار را ساده‌تر می‌کنند و حل آن را آسان‌تر می‌کنند. مشکلات مشتری و کسب و کار با راه حل های هوش مصنوعی
ایان لوری
دانیل ویلانووا
شکل 1 رویکرد سطح بالا به معماری میکروسرویس کانتینری را برای استفاده در QSR ها با این لایه های سرویس نشان می دهد:
زیر ساخت: خدمات کانتینری و زمان اجرا
هسته: عملکرد گفتار به متن، هماهنگی نمایش، و مدیریت ظرف کاربر پسند
اتوبوس پیام: اتوبوس پیام انتشار-اشتراک برای فرستندگان و گیرندگان
شکل دو یک مثال «کتاب درسی» از نحوه سازماندهی این بارهای کاری توسط Kubernetes ارائه می دهد، فقط برای کمی زمینه بیشتر.
انعطاف پذیری Kubernetes بستر ایده آل برای این رویکرد را ایجاد می کند. Kubernetes سخت‌افزار محاسباتی واقعی را انتزاع می‌کند و به میکروسرویس‌ها یا بارهای کاری در سطح برنامه اجازه می‌دهد تا به طور انعطاف‌پذیر از منابع هر یک از سیستم‌های موجود در توپولوژی شبکه استفاده کنند.
رویکرد ما به یکپارچه‌سازی برنامه‌های کاربردی مدرن و مدیریت زیرساخت بر ایده اتوبوس پیام انتشار-اشتراک متمرکز است. برای رستوران‌های Quick Serve، این رویکرد اجازه می‌دهد تا کارهای واقعی مانند سفارش‌دهی یا تکمیل موجودی به سرعت توسط برنامه‌های مدولار مختلف، مانند «دریافت‌کننده سفارش» یا «نمایش سفارش کارمند» ثبت شوند. سپس این برنامه ها اقدامات مناسب را انجام می دهند و نتایج خود را در آن گذرگاه پیام منتشر می کنند. با استفاده از یک راه حل اتوماسیون اینترنت اشیا مانند Intel® Edge Conductor، این رویکرد ممکن است در نهایت امکان اتوماسیون طیف وسیعی از کارهای معمول آشپزخانه را فراهم کند.
برای مثال، رستوران‌های امروزی ممکن است از برنامه‌های کاربردی نقطه فروش مدرن (POS) استفاده کنند، اما ادغام آن برنامه POS با یک راه‌حل تأیید سفارش یا تجزیه و تحلیل مشتری می‌تواند چالش برانگیز باشد. در حالی که این رویکرد تکه‌کاری به برندها و SIها انعطاف‌پذیری قابل‌توجهی برای انتخاب نرم‌افزار مناسب برای نیازهایشان می‌دهد، ممکن است سخت و پرهزینه باشد که این برنامه‌ها به خوبی با هم بازی کنند. این مجموعه‌های از هم گسیخته از برنامه‌ها، چالش‌های تجربه کاربر را هم برای کارگران و هم برای مشتریان در هر مرحله از سفر تحول دیجیتال ایجاد می‌کنند. علاوه بر این، داده‌های سیلو شده برنامه همچنین مانع از دستیابی رهبران فناوری و عملیات QSR به بینش‌هایی می‌شود که می‌تواند از دیدگاه کل‌نگر اطلاعات آنها در دسترس باشد.
بیایید نحوه تعامل این اجزا با یکدیگر را در یک پشته QSR فرضی بررسی کنیم. نمودار زیر و فهرست مرتبط، سفارش مشتری و مسیری را که پیام‌های مرتبط از طریق مدل انتشار-اشتراک در معماری طی می‌کنند، نشان می‌دهد. توجه داشته باشید که این رویکرد انعطاف پذیری را برای گنجاندن انواع روش های پاسخ در اینجا فراهم می کند: می توانید یک ماژول تبدیل متن به گفتار را بگنجانید که به صورت شفاهی به مشتری سفارش دهنده پاسخ می دهد، پاسخ ها را روی کیوسک نمایش می دهد، یا در یک انسان واقعی حلقه می کند. پاسخ.
تحقیقات ما در این زمینه ادامه دارد، و آنچه در اینجا صحبت کردیم، تنها یک کاربرد بالقوه از معماری مدرن و مدل انتشار-اشتراک است. فراتر از این مدل انتشار-اشتراک، یک رویکرد مبتنی بر Kubernetes به زیرساخت‌های مدرن استاندارد شده، کاربردهای فراوانی دارد نه تنها در رستوران‌های سرویس سریع، بلکه تقریباً در هر سازمانی که به دنبال کاهش بازگشت سرمایه بیشتر از زیرساخت خود و استفاده از قدرت هوش مصنوعی برای ارائه خدمات بیشتر است. تجربیات تاثیرگذار مشتری
شکل 1: لایه های میکروسرویس
این مقاله طرحی را ترسیم می کند که راهی را برای حرکت فراتر از این مشکلات برای مارک ها، SI ها و ISV هایی که به آنها خدمت می کنند، پیشنهاد می کند.
QSR ها برای مدیریت زیرساخت خود، اغلب ترکیبی از سرویس های ابری عمومی یا خصوصی، محاسبات لبه مانند ایستگاه های کاری یا سرورها، و دستگاه های محاسباتی هدفمند مانند کیوسک ها، تابلوهای منوی دیجیتال یا دستگاه های POS، با مشکل مواجه هستند. این محیط محاسباتی ناهمگن می‌تواند پرهزینه و شکننده باشد و از دید و ادغام نرم‌افزار جلوگیری کند.[2]
طراحی دارای سه جزء اصلی است:
معماری به سبک بلوک ساختمانی از اجزای زیرساختی قابل تنظیم و منبع باز
مدل‌های تشخیص خودکار گفتار از پیش آموزش‌دیده، مانند مدل‌های ارائه‌شده توسط Intel® Distribution of OpenVINO™ Toolkit
برنامه های کاربردی کاربر QSR فرضی (“دریافت کننده سفارش”، “نمایش سفارش سفارشی” و “نمایش سفارش کارمند”) برای کمک به پیش بینی نحوه عملکرد این معماری در عمل.
به نظر می رسد تا حد زیادی به این دلیل است که بسیاری از راه حل های نرم افزاری QSR معاصر به عنوان برنامه های کاربردی تک به تک، مستقل و معمولاً یکپارچه ارائه می شوند تا راه حل های کلی جامع برای QSR ها.[1]
ما زمان زیادی را صرف صحبت با برندهای QSR در مورد تحولات دیجیتالی آنها و چند چالش اصلی کرده ایم. برای برندهایی که به تازگی سفر تحول خود را آغاز کرده‌اند، دشوار است که بدانند کدام راه‌حل‌ها ارزش واقعی را ارائه می‌دهند، از کجا و چگونه می‌توان فناوری‌های جدید را ادغام کرد، و چگونه می‌توان هزینه زیرساخت را برای حداکثر بازگشت سرمایه مدیریت کرد. برای برندهای کمی دورتر، تخصص و تلاش مورد نیاز برای ادغام چندین برنامه مستقل و مدیریت زیرساخت پیچیده مورد نیاز می تواند به سرعت بسیار زیاد شود.
این فقط یک مثال گویا است: جداسازی پیاده‌سازی و داده‌ها در این رویکرد، اضافه کردن سایر خدمات یا ویژگی‌ها را نیز آسان می‌کند. به عنوان مثال، اکنون می‌توانید به راحتی سرویس دیگری را اضافه کنید که پیام‌های «ترتیب ساختاریافته» را می‌شنود و محبوب‌ترین موارد را در یک بازه زمانی مشخص تعیین می‌کند – بدون نیاز به تغییر در کد و سرویس‌های موجود. اگر نیاز به افزودن یک نمایشگر مشتری یا نمایش کارمند دارید، می‌توانید آن را به اتوبوس اضافه کنید و نمایشگرها به‌طور خودکار بدون هیچ تغییری در سرویس Display Composer یا کد گیرنده نمایشگر به‌روزرسانی دریافت می‌کنند. به طور مشابه، گذرگاه پیام MQTT ایجاد «پیام‌های» جدید را برای موارد استفاده اضافی، مانند مدیریت موجودی یا تأیید سفارش، و ادغام سریع برنامه‌های کاربردی جدید در یک پلت فرم مدیریت رستوران جامع را آسان می‌کند.
در آزمایش این رویکرد، ما عمدتاً از سیستم‌های Intel® 11 i7 NUC در توپولوژی شبکه خود استفاده کرده‌ایم، که ما را قادر می‌سازد تا از یک ماژول ASR استفاده کنیم که مدل‌های بهینه‌شده موجود از Intel® Distribution of OpenVINO™ Toolkit را در خود جای داده است. با این حال، زیرساخت Kubernetes و رویکرد گذرگاه پیام MQTT سخت‌افزاری است و به راحتی می‌تواند محاسبات ابری و لبه‌ای را برای تناسب با نیازهای خاص طیفی از بارهای کاری QSR و موارد استفاده تجاری ترکیب کند.
ما Kubernetes و Containerization را آینده‌ی محاسباتی می‌دانیم و دوست داریم با شما کار کنیم تا ببینیم چگونه می‌توانیم به حل مشکلات کسب‌وکار شما قبل از منحنی کمک کنیم، چه از طرف برند، چه به‌عنوان یکپارچه‌کننده راه‌حل، یا به عنوان یک فروشنده مستقل نرم افزار. هر کسی که هستید، اگر مایلید با ما در مورد نحوه همکاری ما صحبت کنید، لطفاً در تماس با ما دریغ نکنید!
ما این رویکرد را با استفاده از یک توپولوژی شبکه از چندین سیستم مبتنی بر اینتل متصل به یک روتر شبکه بررسی کرده‌ایم، اگرچه سایر زیرساخت‌های سخت‌افزاری یا ترکیبی نیز می‌توانند کار کنند. در هر صورت، این رویکرد زیرساختی به برندها و فروشندگان QSR اجازه می‌دهد تا محاسباتی را انتخاب کنند که بهترین کار را برای آنها دارد – از پردازنده‌های بسیار سبک وزن در تریبون‌های درایو، از سرورهای ناهموار که عملیات آشپزخانه را مدیریت می‌کنند تا راه‌حل‌های کاملاً مبتنی بر ابر. (لطفاً توجه داشته باشید که استفاده از یک توپولوژی و پیکربندی شبکه ساده سریعترین راه برای راه اندازی جعبه شنی برای کشف این رویکرد جدید خواهد بود.)
مدیریت رستوران سرویس سریع (QSR) به طور فزاینده ای به معنای مدیریت فناوری محاسباتی پیچیده است. از یک طرف، برندها برای صرفه جویی در هزینه های نیروی کار، جلوگیری از اشتباهات سفارش و کاهش ضایعات مواد غذایی، آشپزخانه را خودکار می کنند و فرآیندها را سفارش می دهند. از سوی دیگر، مشتریان آنها به طور فزاینده‌ای انتظار تجربه‌های آسان، لذت‌بخش و پیشرفته را در مسیر رانندگی و ناهارخوری دارند. خواه این یک رانندگی خودکار با هوش مصنوعی محاوره‌ای باشد یا یک سیستم مدیریت موجودی با استفاده از تجزیه و تحلیل پیش‌بینی‌کننده، فناوری‌های جدید با چالش‌های جدیدی همراه هستند.
