 Tidak mengapa. Helo, Testing. Hai, saya Kevin dari IMDA. Saya di sini untuk berkongsi tentang Deload Flow. Tetapi untuk konteks... Sebenarnya saya bekerja di National Speech Coppers. Jadi saya tidak pasti bagaimana anda berdua sebenarnya mengenai ini. Tetapi kami sebenarnya telah mengeluarkan versi 1 terakhir. Kami telah bekerja di sini selama dua tahun. Sebelum yang terakhir, kami telah mengeluarkan data yang lain untuk ini. Jadi apa yang terjadi di National Speech Coppers? Sebenarnya ia adalah sebuah data audio yang sangat besar. Jadi ia adalah sekitar 3,000 jam yang telah dilakukannya. Jadi kami mempunyai sebuah audio tersebut, sebuah transkripsi, dan kita juga mempunyai sebuah leksikan yang adalah penelitian dari semua perkara dalam transkripsi. Jadi sebenarnya, kami mempunyai sebuah 70,000 perkara sekarang. Kami sebenarnya berkongsi dengan NTU di sini. Jadi kami mempunyai sebuah lingkungan di sana. Dan mereka sebenarnya membantu menghormati semua perkara untuk perkara dalam kobra. Jadi kami membuat kejutan dari orang yang berlainan dari orang yang berlainan dari Singapura. Jadi kami membuat kejutan dari sebuah 8 group yang dihormati. Jadi terutama orang yang lebih muda, tetapi orang yang lebih muda dan orang yang lebih muda juga dikawal. Ketua-kita kami membuat kejutan dari sebuah wanita dan seorang wanita. Dan kemudian, untuk kejutan ethnik, kami membuat kejutan dari Malay dan India. Ada sebuah sebuah 20% sebuah sebuah sebuah. Jadi kami juga membuat kejutan seperti sebuah nama orang yang berlainan, nama jalanan, nama budaya dan berlainan, semua dihormati. Dan sebabnya, untuk kejutan otomatis, kami mahu kejutan teknologi dan provider untuk menggantikan teknologi mereka di Singapura. Dan juga untuk mengambil perniagaan tempatan dan perniagaan untuk menggantikan kejutan untuk Singapura. Jadi saya akan masuk ke dalam bahagian untuk beri anda contoh. Jadi, 3,000 jam, kami sebenarnya mempunyai 2,000 jam berlainan. Sebenarnya, perniagaan berlainan dan mereka sebenarnya membaca prompang. Jadi, untuk pertama 1,000 jam, ia sebenarnya berlainan fonetik. Jadi kami memastikan bahawa ada kejutan fonetik di dalam kripsan. Jadi, A-Z diperkenalkan. Dan kemudian, untuk lagi 1,000 jam, kami mahu memastikan untuk menggantikan kejutan, jadi, bahagian yang sebenarnya... Saya boleh beri beberapa contoh. Tolong beritahu saya cara untuk menghubungkan kumpulan. Tolong beritahu saya bagaimana untuk mendapatkan kejutan. Ya, jadi sangat bahagian Singapura. Jadi, jika bergerak, beri berita, bagaimana kita menggantikan? Mereka sebenarnya 3 channel kualiti untuk menggantikan kejutan fonetik yang berlainan. Mereka mungkin ada kejutan fonetik. Jadi, kejutan fonetik. Mereka dapat menggantikan kejutan fonetik, jadi, cakap Mungkin kita hanya berokalah, beri pembentangan terhadap tidak sesuai dengan hoten. Untuk pilihan lain yang kita buat adalah satu-atua wawang satu-atua masalah di mana kita cuba simulati bahawa berkongsi antara dua luar sahaja. Jadi, seperti yang saya beritahu ia menghidupkan. Jadi, hanya saja keputusan yang penting adalah kemari kepadaan otomatis. dan kita juga berbincang dengan berkata-kata dan Komprah boleh mendukung ini jadi saya akan tunjukkan beberapa contohnya Ini adalah suara suara pada 200 aturan Ini adalah suara suara pada 1,000 aturan Ini adalah suara suara pada 2,500 aturan Ini adalah suara suara pada 6,000 aturan Jadi anda dapat melihat bahawa dengan lebih banyak data anda sudah selalu mengajar model perlukan anda keadaan keadaan keadaan ini mengambil berbahaya dan ini adalah kawasan Singapura Jadi ini akan mengalami, anda merasa lebih kembali untuk penggunaan di sini So, sebuah lain perkara yang tidak berlaku hanya kawasan yang berlaku dan juga penyelamatan jadi kalau anda ingat, saya sebenarnya mengatakan bahawa ada pembentangan leksikan dan ada 70,000 perkara Selepas 70,000 perkataan, pengalaman mereka sebenarnya cuba mencari perkataan yang berlaku. Bukan semua perkataan, beberapa perkataan ini adalah bahagian bahagian bahagian. Jadi, mereka sangat baik. Saya bermakna, servis TTS mereka sebenarnya menerima perkataan yang berlaku betul-betul. Tetapi, apa tentang perkataan yang berlaku? Jadi, kita mengidentifikan perkataan yang berlaku dan kemudian kita memasukkan ke dalam database. Dan kemudian kita mempunyai peneliti IPA yang berlaku. Jadi, dengan perkataan ini, jika kita mahu mempunyai perkataan atau peribadi dengan perkataan yang berlaku, kita dapat melihat perkataan ini di database. Jika ada perkataan yang berlaku, anda tahu bahawa TTS tidak akan menjelaskan dengan baik. Dan anda dapat melihat perkataan dengan IPA. Jadi, salah satu cara untuk melakukan perkataan TTS adalah mereka sebenarnya menjelaskan perkataan yang berlaku disebabkan perkataan yang berlaku. Jadi, ia seperti pembentangan yang diperlukan bagaimana anda mahu bahan yang berlaku. Jadi, hanya sebab peneliti, anda dapat melakukan perkataan yang berlaku atau pun adalah pengalaman. Saya akan menunjukkan contoh bagaimana SML yang digunakan. Saya telah mengajar dari Tanjung Pega kepada Bedok Just untuk mempunyai pembentangan yang terbaik saya. Saya telah mengajar dari Tanjung Paga kepada Bedok Just untuk mempunyai pembentangan yang terbaik saya. Jadi, anda dapat melihat dengan leksikan dan kropas leksikan, peneliti yang berlaku lebih berlaku ke pembentangan yang berlaku. Sebenarnya, contoh perkataan yang diberi berlaku di bawah, anda dapat melihat bahawa para pembentangan yang diidentifikan sebagai pembentangan di mana-mana pembentangan yang diperlukan. Jadi, hanya sebab peneliti yang berlaku dengan pembentangan yang berlaku sebelum saya mengambil ke dalam talak. Di lantai, ia adalah tempat yang anda dapat menerima dan mengambil pembentangan yang berlaku. Ia sebenarnya membuatkan pembentangan yang berlaku untuk menggunakan pembentangan yang berlaku di dalam pembentangan yang berlaku. Ia sebenarnya adalah 800 GB data dan anda menggabungkannya dengan pembentangan yang berlaku. Di lantai, ia adalah pembentangan yang diperlukan. Ia sebenarnya diperlukan dan diperlukan pada Pembentangan Inter Speech 2019. Jadi anda dapat mengambil pembentangan yang berlaku dan mengambil pembentangan yang diperlukan dengan lebih detail bagaimana pembentangan yang berlaku dan berlaku. Jadi, apa yang kita telah lakukan adalah kita telah mengambil pembentangan yang berlaku. Kita telah melakukan yang elewak templates dan meng現在asi dan Similarly Speech Recognition distorted Google adalah pembentangan yang berlaku tetapi kita memikirkan pembentangan K salty OpenS mode Jadi, bagaimana kita dapat mengambil Letter latihan Basic ASR dari yang sayaAssured Sekarang, ingin kita buat pembentangan Sven juta Also Speech Engine dan pernah saya mengambil pembentangan saya pembentangan Valid Dan suruh reinforced . untuk mendapatkan orang untuk menggantikan teknologi berbicara-bicara, tetapi hanya mengatakan bahawa kita mempunyai data-set ini untuk menggantikan data-set ini. Ia tidak sangat... Ia sedang berlaku sebenarnya. Mungkin untuk pelajaran data, mereka akan sangat gembira. Tetapi untuk pelajaran, mereka tidak dapat membuat menggunakan ini. Jadi, kita ada sesuatu yang terlepas di tengah-tengah, yang merupakan sebuah framework chatbot atau interface berbicara-bicara yang kita mencari untuk cuba membawa ini ke hidup. Jadi, kita cuba mencari interface berbicara-bicara. Mungkin tiga bulan kembali. Kita ada semua data ini dan kita perlu menjelaskan ini pada sebuah industri iMDA. Tetapi, hanya menjelaskan dan berkata, hey, lihat di kira-kira ini, menggantikan kobra dan cuba bekerja bersama. Sebenarnya, kita tidak dapat banyak mencari dan mempunyai. Jadi, kita ingin mencari cara-cara untuk membawa projek ini ke hidup dan menjelaskan kepada layman. Jadi, kita mencari dan salah satu kawan saya di iMDA sebenarnya hantar saya e-mel dan berkata, hey, Google dan cloud ace, partner Google, kami menjelaskan di iMDA Fix-O-R, di belakang sana. Jadi, kami berfikir, mari kita pergi ke bawah dan menjelaskan tutorial untuk flow dialog. Jadi, mereka menjelaskan dan saya berfikir, hey, ini sebenarnya menjelaskan komposisional UI dengan cepat. Kemudian, kami ingin menjelaskan projek ini. Jadi, setelah kami mendapatkan sebuah idea bagaimana flow dialog kita menjelaskan. Kita berfikir, bagaimana penggunaan, mungkin kita boleh menjelaskan. Jadi, kami menjelaskan untuk membuat penggunaan AI ASSISTAN. Meskipun, ini sebenarnya default. Jika anda pergi ke tutorial online, banyak orang sebenarnya akan membuat penggunaan atau pizaz dan segalanya. Jadi, ini sebuah penggunaan yang semua orang ingin menjelaskan untuk penggunaan flow dialog. Tapi, biasanya penggunaan datang dari chatbot dan tempatan. Jadi, untuk penggunaan penggunaan, kami cuba menjelaskan lebih sedikit. Jadi, penggunaan dapat menghubungi penggunaan di restoran yang sangat sibuk. Kamu cuba menghubungi penggunaan, 5 minit nanti dan kemudian, kami berfikir, mengapa tidak ini bukan sebuah penggunaan yang baik yang orang dapat faham mengapa anda mungkin mempunyai penggunaan AI ASSISTAN. Jadi, untuk penggunaan ini, penggunaan yang sebenarnya mempunyai menu fisikal yang mereka dapat menjelaskan. Kemudian, mereka dapat menghubungi penggunaan AI ASSISTAN. Okey. Jadi, sebab penggunaan yang berlaku, kita dapat mengguna dan menghubungi penggunaan AI ASSISTAN. Sebab itu, kami menghubungi penggunaan ini. Jadi, ini sebuah konsep yang kami melihat ke dalam hidup. Ya. Kita ada restoran, dan kemudian, orang dapat menghubungi penggunaan AI ASSISTAN. Jadi, satu perkara yang kita mempunyai sebelum kita menghubungi penggunaan, adalah bahawa kita mempunyai penggunaan untuk menghubungi penggunaan. Kita mempunyai penggunaan untuk menghubungi. Jadi, kita mempunyai penggunaan yang dapat menghubungi penggunaan yang berlaku. Ini juga berlaku apabila penggunaan penggunaan berlaku, seperti jika kita cuba membuat penggunaan, dan kemudian, anda tidak selesai dan kemudian, anda cuba mempercaya. Sebenarnya, penggunaan yang berlaku. Jadi, ia mungkin berlaku untuk menghubungi penggunaan sebab menghubungi penggunaan. Okey, kami mempunyai ini dan ia masih membuat penggunaan untuk penggunaan ini. Dan dengan penggunaan penggunaan yang berlaku di dalam penggunaan AI ASSISTAN, bagaimana ia berlaku? Saya akan cuba sekarang. Saya tidak tahu apakah ia telah dibuat. Helo. Maafkan saya, saya tidak dapat dengar apa-apa daripada anda. Okey, saya rasa ini adalah kali pertama yang saya cuba membuat penggunaan dalam bahagian ini. Tapi, okey, mari kita mulakan. Nampaknya ia berlaku. Okey, jadi, penggunaan di dalam penggunaan di dalam penggunaan. Saya tidak mahu menghubungi segalanya, tetapi saya suka menghubungi sesuatu yang telah membuat penggunaan ini. Sangat mudah untuk kami berdiri. Jadi, penggunaan yang terbaik untuk dilakukan di dalam penggunaan. Jadi, itu adalah penggunaan. Jadi, saya mengidentifikan apa yang anda mahu berbual atau penggunaan yang anda buat. Jadi, dalam penggunaan yang diberlaku, apa yang sebenarnya akan mencubungi penggunaan ini? Dan apa yang anda mencubungi ke sebuah penggunaan ini? Jadi, perangkatan ini adalah sesuatu seperti apa yang anda mencubungi apabila penggunaan ini diberlaku. Jadi, ia juga mencubungi sesuatu yang diberlaku apabila anda tahu anda ingin mencubungi penggunaan yang diberlaku. Apabila anda tahu anda perlukan semua parameter yang berlaku. Jadi, satu perkara itu adalah menggunaan di dalam penggunaan yang terbaik untuk menggunaan penggunaan yang diberlaku. Sementara itu, sehingga sebuah perkara itu adalah sesuatu seperti ingat sebuah kisah apa yang diberlaku. Jadi, apabila berlaku, berlaku berlaku supaya berlaku seorang pembentangan yang diberlaku. Apabila anda tahu apa yang diberlaku, dan tahu apabila anda tahu apa yang diberlaku pada masa depan, saya akan ketahui apa yang diberlaku. Sudah tentu, mempunyai kesenjataan, dan ada disetengah. Kean yang diberlaku, Kami menggunakan hiburan hybrid dan ML. Jadi kami akan masuk ke dalam bahagian. Jadi apa yang penting untuk dikembalikan? Jadi kami mengajar bahagian potensi. Anda ingin menggunakan kes yang digunakan. Okey, mari kita buat yang penting. Jadi user yang akan datang tadi, anda semua sudah dengar itu. Sebenarnya, hallo. Apa lagi yang anda fikir harus dikembalikan? Jadi anda ingin mempunyai makanan, bukan? Kita mempunyai bahagian ini. Jadi kita mempunyai bahagian basikal. Kami mengubah bahagian, menggunakan bahagian dan membuat bahagian. Jadi ini adalah sebuah grup bahagian yang anda ingin mengubah bahagian. Jadi kami mengambil beberapa bahagian yang lebih mudah yang digunakan online. Dan kami memastikan bahagian dapat mengubah bahagian dan menggunakan bahagian atau mengubah bahagian. Selepas itu, anda ingin mengubah bahagian anda. Dan kemudian ada bahagian atau yang lain. Dan kemudian bergerak dengan bahagian. Jadi kita... Ini adalah sebuah bahagian yang kita ingin mengubah bahagian. Sekarang, apa tentang bahagian lain? Apabila anda berkongsi dengan bahagian, kadang-kadang ia memperkenalkan apa yang anda sebenarnya bermakna. Jadi apa yang lain yang anda mungkin ingin membuat? Anda perlu membuat bahagian yang penting. Dan anda juga ingin mempunyai bahagian. Jadi kami sebenarnya memperkenalkan semua ini. Anda dapat melihat bahagian atau talak-talak di lantai. Jadi ini adalah semua bahagian yang kami sebenarnya membuat. Yang lain yang kami membuat adalah bahagian. Kerana kami sebenarnya memperkenalkan ini dan memperkenalkan bahagian ini. Dan banyak orang yang mencuba untuk pertama kali. Mereka sebenarnya meminta bahagian. Dan kami tidak membuat bahagian ini, tetapi membuat bahagian yang mudah. Dan kemudian kami sebenarnya mengambil bahagian ini. Jadi kami sebenarnya membuat bahagian ini selepas bahagian. Jadi walaupun anda memperkenalkan semua bahagian yang penting, anda perlu memulai bahagian anda. Dan satu perkara yang banyak orang membuat dengan baik, adalah bahagian yang memperkenalkan bahagian. Jadi anda dapat mendukung bahagian anda. Jadi anda dapat melihat dari sini bahagian ini. Bukan bahagian bahagian bahagian. Bukan bahagian bahagian atau sesuatu. Dan sebenarnya ia masih... Baiklah, ia sebenarnya bekerja. Jadi kami memastikan anda mempunyai bahagian anda. Kami tidak memperkenalkan bahagian. Anda dapat juga memperkenalkan bahagian yang mudah jika perlu. Jadi bahagian mela hukum saya boleh menjadi bahagian mela tanpa sudu dan anda dapat sebenarnya memmenangkan kembali kepada bahagian saya. Anda juga dapat membuat perkara yang lebih berlaku dan dan berkata, jika rastuanya mahu dilakukan, menggunakan kode menu, anda boleh membuat seperti A1A2. Dan kemudian orang akan tahu bahagian itu. Bersama saya, bagaimana contoh. Jadi anda dapat membuat semua ini. Jadi tersasaran dan perlukan. Jadi selepas anda membuat.... You've identified your intents. You've done your entities. The next thing would be to actually provide some training phrases to the intents to let them know what exactly triggers this intent. So one of the things is you need to provide parameters which ties into the entity. So what are the parameters that this intents to look for. And then actually you can highlight in your training phrases below. You can see here what actually maps to the parameter. So these are training phrases. So when you develop the intent, for example, the order, you actually have, after you've done the training phrases, it maps to the entities and because of that, it's able to come up with the action. So the action, right at the end, is Talofo will actually say, oh you did an order intent and this is the quantity and the dish. So you're able to push this down to the database. So another thing to design is the responses for that intent. So one thing is for chatbots, a lot of chatbots if you ask a simple question, sometimes like the FAQ chatbots, they'll spam you with a lot of text. But one thing if you want to do a completely speech-enabled UI, you can't actually design your chatbots in such a manner. So we have to keep it short and use random responses to make sure the user isn't too jaded with the same responses. So this is like after making and after taking an order, you can actually have a randomized response so that it feels more natural. Another thing is you need to design your responses carefully to sort of prompt the user on what to follow up with. So in this case, we want the user to say if they want to order something, then you order an dish. If you do not want to order and you want to proceed, you need to say something like, no, I'm done. So that your intents later on for your prior order, it actually works. So actually how you design this is quite important. Okay, so for filmers, very simple, we actually take the actions from the intents and then we push it down to the database. So we did this with Firebase. I don't really want to go into too much details but it actually allows you to add or remove the orders and then at the end of the order, apply a cart and tabulate the price. Another thing to look at is actually the machine learning settings. So we set a 0.5 here. So it's something like, imagine the training phrases that you did but if you set it to 1.0, I think it is completely rubased. That means the user must say that exact sentence. It just deviates by a bit. It will not work and then you'll go into fallback intents. So what you want to do here is you let the AI sort of take over and do some kind of AI matching so that if the AI thinks that it's actually referring to this intent, you actually trigger that intent. Okay, so this is the video of the proof of concept where we put it all together. Did it play? I thought it said it didn't play. It doesn't play. I'm not sure why it doesn't play. Hold on. The video doesn't play. It doesn't matter. It's okay. We can actually just do the demo actually. So, what are the other things to consider? So there's R and N because you can always say one of this, one of that. But what happens if somebody actually says R and N so you actually need to sort of map R and N into a quantity of one. So one thing that we found quite pleased with when using Dialogflow was it sort of tried to elevate all the NLP issues for us. So by doing a composite entity of a dish quantity, we are actually able to map R and N into one. Maybe I can just do the demo. One nasi lemak. I'll give you a try first. Got it. One nasi lemak. Would you like anything else? I want a cup of kopi si. Oh, too far, maybe. Sorry. Oh, it was too far. Your order seems ambiguous. Sorry. Too far from the mic. Too many mics to handle. One cup of kopi si. Got it. One kopi si. Would you like anything else? Oh, I said one. Okay, I want N to say R, right? Can I have a cup of kopi si? Got it. One kopi si. Would you like anything else? Ya, so you see that R and N actually works. Okay, I'll move on. Okay, so I think it's actually multiple order support. So you actually need to specify training phrases. So, again, dialog flow sort of solve this for us because we specify the training phrases is able to map all the parameters in for us. But one thing was the only unique thing was if you want to do two, you need to do a training phrase with two. You want to do three, you need to do a training phrase with three and so on and so forth. But that wasn't too hard and when we did it, the demo actually there were users who actually did this. They will actually look at the menu and then they'll flip with the button pressed down and they'll order one of this, two of that, like a very long utterance and then they let go. Then I was like, oh, please let it work. Eh, not bad, it actually worked. So maybe we can give a try now. Can I have one nasi lemak, two kopi okosong, three roti prata. Got it. One nasi lemak, two kopi okosong and three roti prata. Would you like anything else? Ya, so this is a demonstration of the multiple orders. Ok, so generally when it comes to speech UI you need to think about when to use it. So it's really use case dependent. One of the ways that you may want to use this is when you allow users to navigate complex menus. So if the menu is very deep and then you want to sort of go straight into whatever you actually are looking out for, actually speech UI allows you to do that. Also it's not a good experience to do this kind of speech not on common FAQ style boss. For example you will do something like you ask a question and then you usually come at one very long paragraph with multiple options and then if you use the text to speech and the fellow just starts fucking for a minute it's not a very good user experience so you need to think about when you want to implement speech. So you also have to consider what happens if an utterance is recognized incorrectly so maybe I can do the undo order now. Undo order. Oops. I missed that. Say that again. Sorry. Can I undo that order? I have restored to your previous ordering state. Anything else? So in case the chatbot got it wrong you can actually do a revert. Okay so another thing is I notice sometimes when you're on a chatbot or your help desk or something you are typing stuff and then the chatbot can actually ask but you wouldn't want to do this with speech text to speech especially you might stuffle the user suddenly chatbot starts speaking so you need to consider all this. Also, some other things you need to reduce possible states to avoid user confusion so some states may make sense in text based or hybrid chatbots but for speech UI for example in this complex state where it occurred a few times so we decided to actually do away with it so for example the chatbot you say let me repeat the order I can actually demonstrate this to you I'm done Okay let me repeat your order one Norsi Lemak two CoPC the total amount will be $6.20 may I proceed with your order? Ya so sometimes the speaker tries some gibberish or they do something else and then and then the chatbot says sorry I don't understand which is actually correct but actually what happens is the state resets when the state resets you can't proceed so what happens you say the user says proceed then because it's in the wrong state is still waiting for more orders the chatbot no longer understands what's going on and then it's a very bad user experience so we decided to allow we made a design decision where we allow the user to proceed without actually repeating the order speech maybe for a trained user at a restaurant they might decide to proceed they wouldn't want the chatbot to repeat the order so other thing is the slot filling part like for example quantity we have to find a balance and make a design choice whether you want to allow slot filling so for example the user can say nasi lemak and then the chatbot will say how many maybe I can give it a try nasi lemak alright how many nasi lemak do you want so now you might actually confuse even a human waiter will be confused if you proceed and say 2T and then the AI we take this as 2 nasi lemak so you can do some work around on this but actually it might introduce a lot of complex coding and intents within your chatbot which you might not want so we made a judgment call we wouldn't want to handle this we'll assume the user is just playing because there were when we did this there are more people people actually do fall into this slot filling use case and they actually liked it they say the dish name and then after that they say the quantity so most users actually did it correctly so we decided to continue with slot filling in this case but that's something to consider because in Dialogflow you can actually you can actually have it such that if the user does not provide all the slots you just say please please tell me the quantity and the full item you can actually do that so we did get a lot of feedback and flashing out the experience for this which we didn't do you can actually modify the orders after sending to the kitchen that's one of the things that they thought they thought we were doing a product but it's not a product it's just a POC and I think it's to describe the dishes and to list the ingredients so these are pretty pretty easy intents to do to flash out this experience okay so some some other people might be interested in ASR behind this and does it really require a complicated ASR engine speech recognition engine but actually what we did was we used a very simple language modelling the data we used was actually very simple and small and scoped only to this use case so if you try to ask it how's the weather it's not going to work it's not really meant for transcription work so it's but it still performed admirably as you can hear and also we use a very small language model that this shows that if your use case is very very well defined you can actually use a pretty simple ASR and do it on device and we also try to software engineering you just fix common issues for example I have an intent that allows you to change an order so you can say something like I want to change one muscle mark to two chicken chop but the ASR might come out with two-two so you can just quickly fix it with a T-O-T-W-O no problems there okay so this is an example of the language model that we used and this is actually a very very very very small size language model I'm not very sure whether most of you know about AI but for this use case it's a very very simple language model and it actually work pretty pretty good okay so the overall thoughts is that speech UI opens up new ways of interactions but it's necessary to design it appropriately and speech technology can actually be used in such use cases so maybe one day you can actually use speech UI to set up your Kubernetes I do not know maybe it's possible so compositional UI technology starting to improve because we played around with dialogue flow and the NLP elements that we taught may be very hard like R&N can this be solved the multiple ordering actually it was done pretty easily but one thing to note also there's different reactions when we did this demo between the younger and older generations the younger people they will be like who orders where you say something and something and they're already very impressed but the older gen they were not impressed with this demo they didn't like it and some of them even I said my project was about the compass but they were complaining about the restaurant industry the service is so bad already and you want to do this okay sorry sorry but these are things to think note you might want to make sure that your audience is very receptive to this kind of technologies also another thing is that 5G in Singapore will probably be deployed next year it actually opens up new possibilities the number of devices IoT the latency will be reduced so these type of conversations actually the latency will be much improved and the bandwidth and also the cloud services will actually and cloud even though now cloud is already very popular 5G i think it will actually become the adoption even better also the microphone chosen to juggle with so many microphones here but the type of mics you use is important depending on your use case and also sort of to sort of bring the NSC back into a picture we need to localize as much as possible to get the pronunciation correct and the accent correct to sort of give the user comfortable experience okay so we actually will be we actually release this the code that we did on the workflow we actually released it as part of a natural speech transition technology so it's sort of like a toolkit where developers can sort of get started on technologies and the the workflow code that we redevelop it's actually available as well it's under a license but you have to speak with my BD people behind it's available but I have free license so you just have to sign up okay that's all thank you