Ékszer-felvételi app: fotó, hang és leírás – három AI egy munkafolyamatban
Egy ékszer- és óraszaküzletnek olyan telefonos appot építettem, amelyben egy darabot lefotózol, a súlyát és adatait hangra mondod – az AI ebből leírást ír, a fotóból pedig szép stúdiófotót generál. Három AI-megoldás egyetlen felvételi folyamatban.
Egy ékszer- és óraszaküzletben minden új darabhoz ugyanaz a macera: le kell fotózni, meg kell mérni és rögzíteni az adatait (súly, anyag, jellemzők), és írni kell hozzá egy termékleírást. Ez darabonként sok apró, monoton lépés – pedig a kínálat folyamatosan változik. Ehhez építettem egy telefonos felvételi appot, amelyben ezt a három feladatot három AI-megoldás veszi át egyetlen folyamatban.
A kihívás
A boltban a felvétel körülményes: az egyik kéz a darabot vagy a mérleget fogja, a másik a telefont. Külön fotózni, külön beírni az adatokat, majd külön leírást fogalmazni háromszoros munka, és könnyű hibázni. A cél az volt, hogy a dolgozó egyetlen, gyors mozdulatsorral – fotó + pár mondat – rögzítsen egy darabot, a többit pedig az app oldja meg.
A megoldás: fotó + hang, három AI egy appban
A felvétel a telefonon két egyszerű lépés, a többit az AI intézi:
- Fotózás az appal. A dolgozó lefotózza a darabot – nem kell stúdió, elég egy tiszta felvétel.
- Adatok hangra. A súlyt és a jellemzőket kimondja, mert közben a keze foglalt. Az AI beszédfelismerés ebből rendezett adatot csinál – nincs gépelés.
- Leírás-generálás. A kimondott adatokból az AI megírja a termékleírás vázlatát, a bolt hangján – ember véglegesíti.
- Stúdiófotó-generálás. A telefonos fotóból az AI tiszta, stúdió-hátterű termékfotót generál, webshop-barát formában.
Hogyan dolgozik az AI?
Itt három külön AI-megoldást vontam össze egyetlen appba, és mindegyik élesben, a felvétel közben fut: a beszédfelismerés az adatokhoz, a szöveggenerálás a leíráshoz, a képgenerálás a termékfotóhoz. Ahol fontos, ott a korlát is be van építve: a képgenerálásnál a termék részletei (számok, feliratok, logó) hűen megmaradnak, mert a saját fotó a referencia, és a prompt tiltja ezek átírását.
A lényeg nem az volt, hogy „használjak AI-t", hanem hogy a fotózás, az adatrögzítés és a leírásírás három AI-megoldásként egyetlen, pár másodperces felvételi folyamattá álljon össze – emberi jóváhagyás mellett.
Eredmény
A dolgozó a darabot lefotózza és pár mondatban elmondja – az appból pedig kész termékoldal lesz: stúdiófotó, leírás és rendezett adatok. Így a folyamatosan változó kínálathoz gyorsan, kézi gépelés és külön fotós nélkül áll elő minden, amit a webshop és a hirdetések igényelnek.