La plupart des développeurs d'applications vocales peuvent apporter certaines optimisations à leurs applications, par exemple en ajoutant des mots-clés à une grammaire ou en corrigeant des prononciations phonétiques incorrectes. La plupart, cependant, n'ont tout simplement aucune idée à quel point l'optimisation réelle d'applications devrait aller plus loin que cela. La réalité est qu'une optimisation efficace est une science qui ne peut être maîtrisée qu'avec une profonde connaissance des technologies vocales, une méthodologie rigoureuse fondée sur les données, ainsi que des outils sophistiqués d'optimisation et de test.

Un projet efficace d'optimisation demande:

• Un cadre expérimental rigoureux – Celui-ci doit faire en sorte que les expériences effectuées modélisent fidèlement la performance de l'application en situation réelle de production et que les métriques utilisées soient fortement corrélées avec la performance réelle de l'application, sans quoi l'effort d'optimisation risque non seulement d'être inutile, mais pourrait même entraîner une détériation de performance.
• La capacité à rapidement identifier les probèmes significatifs – Parce qu'un effort d'optimisation doit toujours être limité, il est critique de pouvoir rapidement identifier les problèmes ayant les impacts les plus significatifs sur la performance de l'application et l'expérience utilisateur. Sans le support d'outils d'analyse sophistiqués, des problèmes importants peuvent facilement passer inaperçus lorsqu'on travaille avec des quantité importantes de données.
• Un arsenal complet d'outils et de technologies d'optimisation – L'optimisation d'applications vocales consiste en beaucoup plus que la simple modification de grammaires ou de prononciations. Afin d'être efficace, l'optimisation requiert un ensemble important d'outils et de technologies, incluant:

  

  • Des outils d'analyse de grammaires pouvant non seulement produire des statistiques d'utilisation des différentes branches, mais également indiquer celles contribuant le plus fortement aux erreurs de reconnaissance.
    
  • Des techniques de modélisation de phrases hors-grammaire qui minimisent le taux de faux-acceptés.
  • Des approches de développement de grammaires visant à réduire les erreurs d'émondage.
  • L'utilisation de seuils de confiance spécifiques à certains types de résultats.
  • L'utilisation de simulation de dialogue pour l'optimisation des seuils de confiance.
  • Le développement de scores de confiance significativement plus performants que ceux produits par l'engin de reconnaissance.
• La capacité à analyser les impacts de tout changement – L'optimisation d'applications vocales se fait en suivant un processus expériemental itératif dans lequel l'impact des plus récents changements doit être soigneusement analysé et compris afin de s'assurer qu'on identifie ce qui contribue aux améliorations et aux détériorations, permettant ainsi de s'assurer que le processus d'optimisation est efficace et convergent.
• Des tests de non-régression systématiques – Ceci permet de s'assurer que tout problème pouvant être détecté à travers des expérimentations et des simulations le soit avant que l'application soit mise en production.