Fintech Node.js Speech-to-Text: แบ่ง 4 ขั้นตอนจัดการไฟล์เสียง

การจัดการบันทึกเสียงสนทนารuสนับสนุนลูกค้าในระบบฟินเทคขนาดใหญ่ ไม่ควรปฏิบัติกับคำขอแปลงเสียงพูดเป็นข้อความ (Speech-to-Text) เป็นเพียงการอัปโหลดไฟล์ขนาดใหญ่ครั้งเดียวแล้วตั้งค่า Timeout ยาวๆ วิธีที่ดีกว่าคือการแยกกระบวนการออกเป็น 4 ส่วน ได้แก่ การรับเข้า (Admission) การถ่ายโอน (Transfer) การถอดเสียง (Transcription) และการตรวจสอบตั๋วโครงสร้าง (Structured Ticket Validation) จากนั้นจึงค่อยทำการลองใหม่เฉพาะขั้นตอนที่ทราบผลลัพธ์ที่แน่ชัดแล้วเท่านั้น

ระบบตั๋วสนับสนุน (Support-ticket system) ไม่ได้ต้องการเพียงแค่ไฟล์ถอดเสียงธรรมดา แต่ต้องการบันทึกเคสที่เชื่อถือได้ ซึ่งประกอบด้วยเจตนาของลูกค้า การอ้างอิงบัญชี ระดับความเร่งด่วน เนื้อหาที่ต้องคำนึงถึงความยินยอม และหลักฐานที่เชื่อมโยงกลับไปยังไฟล์บันทึกเสียง คำขอที่ส่งผลลัพธ์กลับมาเร็วแต่สูญเสียตัวเลขบัญชีไป ย่อมแย่ยิ่งกว่าคำขอที่ทำงานช้าแต่ยังคงตรวจสอบสถานะได้ ทำให้ความถูกต้องของโครงสร้างข้อมูลเป็นปัจจัยการตัดสินใจหลัก ขณะที่เวลาแฝง (Latency) เป็นข้อจำกัดการดำเนินงานที่ถูกควบคุมไว้

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

การออกแบบที่ซับซ้อนน้อยที่สุดคือการสร้างเครื่องมือ state machine ขนาดเล็ก ควบคุมไฟล์เสียงต้นฉบับด้วยตนเอง กำหนด idempotency key ก่อนการถ่ายโอน และบันทึกทุกการเปลี่ยนผ่านของสถานะ อย่าคาดหวังให้ฟังก์ชัน fetch() เพียงครั้งเดียวทำหน้าที่เป็นทั้งผู้อัปโหลด ตัวจัดคิวงาน ตัวตรวจสอบความคืบหน้า และตัวตรวจสอบผลลัพธ์ในคราวเดียวกัน