ענן AWS פרסם שני מדריכים טכניים המדגימים יישומים פרקטיים של בינה מלאכותית: מערכת שמקבלת הזמנות טלפוניות במסעדות באמצעות סוכן קולי, ומערכת שמתקנת ומאחדת נתוני מטא-דאטה באופן אוטומטי. שני הפרויקטים משקפים מגמה של הזזת AI מהדגמות למקרי שימוש עסקיים יומיומיים.
חברת AWS פרסמה בבלוג הטכני שלה שני מדריכי יישום המראים כיצד ניתן להשתמש בכלי בינה מלאכותית לפתרון בעיות תפעוליות מוכרות — קבלת הזמנות טלפוניות במסעדות, וניקוי נתונים במאגרי מידע מדעיים וארגוניים.
במדריך הראשון מתואר תהליך בניית מארח AI טלפוני עבור מסעדות. לפי AWS, בחלק גדול מהמסעדות עדיין מגיע נתח משמעותי מההזמנות דרך הטלפון, ואלה נענות בדרך כלל על ידי עובד שכבר עסוק בשירות לקוחות בדלפק — מה שגורם להמתנה על הקו ולרישום ידני של הזמנות, בעיקר בשעות עומס.
הפתרון שמציגה AWS מבוסס על שילוב של כמה שירותים: Amazon Connect משמש כערוץ הטלפוניה שמקבל את השיחה, Amazon Lex V2 יחד עם יכולת בשם Amazon Connect Agentic Voice מספקים זיהוי דיבור וסינתזת קול בזמן אמת, וסוכן AI של Amazon Connect אחראי על ניהול השיחה עצמה — כולל מענה על שאלות לגבי התפריט, איתור סניף איסוף קרוב, ואישור ההזמנה בקול. הסוכן מתחבר למערכות הרקע של המסעדה (תפריט, עגלות קניות, הזמנות) באמצעות פרוטוקול פתוח בשם Model Context Protocol (MCP) ושירות בשם AgentCore Gateway. לפי המדריך, כל המערכת מוגדרת לפעול בלי צורך באפליקציה, אתר או התחברות מצד הלקוח — הזיהוי מתבצע לפי מספר הטלפון בלבד. הפריסה מתבצעת באמצעות AWS Cloud Development Kit (CDK).
המדריך השני עוסק בבעיה שונה לגמרי: איחוד וניקוי מטא-דאטה — כלומר תיוג, קידוד ופורמט אחיד של נתונים שמגיעים ממקורות שונים. לפי AWS, קצב איסוף וייצור הנתונים הולך וגדל מהר יותר מהיכולת לתקנן אותם, מה שיוצר צוואר בקבוק שמעכב ניתוח ומקשה על שיתוף מאגרי מידע בין ארגונים.
הפתרון שמתואר בנוי על מודל שפה גדול (LLM) הרץ על Amazon Bedrock, ומטפל בשני סוגי בעיות עיקריים: התאמת סכימות — כלומר זיהוי שהעמודות בקובץ נתונים חדש תואמות לעמודות הצפויות, גם כשיש הבדלי ניסוח, קיצורים או שגיאות כתיב — ובדיקת תקינות של שדות בודדים, למשל זיהוי שדות חובה שחסרים או ריקים. לפי AWS, לצד התאמה מבוססת דמיון מחרוזות (fuzzy matching) שמזהה הבדלי ניסוח בסיסיים, מודל השפה מאפשר גם הבנה סמנטית — זיהוי מונחים נרדפים ספציפיים לתחום, או זיהוי מקרים שבהם עמודה אחת צריכה להתפצל לכמה עמודות. המערכת תומכת בשני מצבי עבודה: אחד שבו משתמש אנושי מאשר כל תיקון (human-in-the-loop), ואחר שפועל באופן אוטונומי יותר על בסיס סוכני AI.
שני המקרים חולקים מכנה משותף: שימוש בסוכני AI לא כדי להחליף אינטראקציה אנושית לחלוטין, אלא כדי לטפל במשימות שגרתיות וחוזרות — קבלת הזמנה או בדיקת שדה בטבלה — שעד כה דרשו זמן עובד ייעודי. ככל הנראה, זהו סימן למעבר הדרגתי של תעשיית ה-AI מהדגמות יכולת כלליות אל כלים ממוקדי-משימה שמשתלבים בתהליכי עבודה קיימים בענפים כמו מזון ומדע נתונים.