راهکارهای هوش مصنوعی

• ۰۱

  همکارانتان روزشان را به خواندن اسناد و تایپ دوباره‌ی آن‌ها می‌گذرانند.

• ۰۲

  جواب سؤال مشتری‌ها جایی هست، ولی پیدایش نمی‌کنند.

• ۰۳

  تصمیم‌ها با حدس و گمان گرفته می‌شوند و داده‌ها گوشه‌ای خاک می‌خورند.

• ۰۴

  یک دموی هوش مصنوعی را امتحان کردید و روی داده‌ی واقعی جواب نداد.

1. D/۰۱

   دستیار و ایجنت

   دستیاری که از روی سیاست‌ها و سوابق خودتان جواب می‌دهد، منبع هر جواب را می‌گوید و می‌تواند با سیستم‌هایتان کار انجام دهد: پیگیری سفارش، باز کردن تیکت، نوشتن پیش‌نویس پاسخ. خودتان تعیین می‌کنید چه کارهایی را خودش انجام دهد و کدام‌ها اول به تأیید یک نفر نیاز دارد.

   شامل

   • جواب‌هایی بر پایه‌ی اسناد خودتان، با ذکر منبع
   • اقدام از طریق APIهای شما، هر کدام با مجوز مشخص
   • تأیید پیش از هر کاری که داده را تغییر می‌دهد یا هزینه دارد
   • سپردن گفت‌وگو به یک نفر وقتی مطمئن نیست

   مشتری می‌تواند کتری را بعد از ۲۰ روز مرجوع کند؟

   بله. کالای استفاده‌نشده را می‌شود تا ۳۰ روز، در جعبه‌ی خودش، مرجوع کرد. منبع: سیاست مرجوعی، بند ۲٫۱.

   پس مرجوعی سفارش A-2291 را ثبت کن.

   سفارش A-2291: یک کتری، تحویل‌شده ۱۴ روز پیش. مرجوعی را ثبت کنم و برچسب ارسال را برای مشتری ایمیل کنم؟ این کار به تأیید شما نیاز دارد.

2. D/۰۲

   جست‌وجوی هوشمند

   اسنادتان را به بندهای کوتاه تقسیم و بر اساس معنا نمایه می‌کنیم، پس حتی اگر سؤال با کلمه‌های دیگری پرسیده شود، بند درست پیدا می‌شود. بهترین بندها به مدل می‌رسند؛ مدل فقط از روی همان‌ها جواب می‌دهد و پیوند جایی را که خوانده کنار جواب می‌گذارد.

   شامل

   • نمایه‌سازی فایل‌ها، ویکی، تیکت‌ها یا پایگاه داده‌ی شما
   • حفظ سطح دسترسی: هر کس فقط چیزی را پیدا می‌کند که اجازه‌ی دیدنش را دارد
   • جواب‌هایی که از منبع نقل می‌کنند و به آن پیوند می‌دهند
   • نمایه‌سازی دوباره طبق زمان‌بندی، یا هر بار که سندی تغییر کند

3. D/۰۳

   پردازش اسناد

   از اسکن‌ها و PDFها فیلدهایی بیرون می‌کشیم که سیستم‌هایتان می‌توانند از آن‌ها استفاده کنند: فروشنده، تاریخ، مبلغ، اقلام. هر فیلد یک امتیاز اطمینان دارد و با قواعد سنجیده می‌شود؛ پس اسناد سالم بی‌معطلی ثبت می‌شوند و اسناد مشکوک منتظر بررسی یک نفر می‌مانند.

   شامل

   • استخراج فیلدهای مورد نیازتان، به فارسی و انگلیسی
   • بررسی‌هایی مثل درست بودن جمع مبالغ و شناخته‌شده بودن فروشنده
   • صف بازبینی برای هر چیزی که زیر آستانه‌ی اطمینان است
   • ارسال نتیجه به سیستم حسابداری، پایگاه داده یا شیت شما

   فیلد	مقدار	اطمینان	بررسی
   فروشنده	کاغذ نمونه	۰٫۹۹	فروشنده‌ی شناخته‌شده
   شماره‌ی فاکتور	INV-20417	۰٫۹۸	تکراری نیست
   تاریخ	۱۴۰۵/۰۸/۰۶	۰٫۹۷	درست
   جمع اقلام	۱۲٬۴۰۰٬۰۰۰	۰٫۹۶	با اقلام می‌خواند
   مالیات	۱٬۱۱۶٬۰۰۰	۰٫۷۱	ارسال به بازبینی

4. D/۰۴

   بینایی و گفتار

   تماس‌ها، پیام‌های صوتی، عکس‌ها و تصویر دوربین‌ها داده‌ای می‌شوند که می‌توانید جست‌وجو و شمارش کنید. یک تماس پشتیبانی می‌شود متنی با دلیل تماس و شماره‌ی سفارش؛ عکس یک محصول می‌شود «سالم» یا «عیب‌دار». هر جا مدل مطمئن نباشد، کار به یک نفر سپرده می‌شود.

   شامل

   • تبدیل گفتار به متن، تنظیم و تست‌شده روی صدای فارسی
   • برچسب‌هایی از دل محتوا: هدف تماس، شماره‌ی سفارش، عیب
   • تشخیص ورودی بی‌کیفیت و ارسالش برای بازبینی
   • پردازش دسته‌ای یا لحظه‌ای، بسته به نیاز کار

   $ transcribe calls/2026-10-28/*.wav --lang fa

   call-0412.wav 3m12s 2 speakers

   intent: refund request order: A-2291

   call-0413.wav 1m48s 2 speakers

   intent: late delivery sentiment: negative

   ! call-0415.wav poor audio → human review

   ✓ 38 calls · 36 tagged · 2 sent to review

5. D/۰۵

   پیش‌بینی

   پیش‌بینی‌ها را از سوابق خودتان می‌سازیم: فروش، رزرو، لغو. هر پیش‌بینی یک بازه دارد تا برای حالت محتمل برنامه بریزید و بدانید حالت‌های نامحتمل چقدر دورند. هر مدل را پیش از آن‌که به آن تکیه کنید روی دوره‌هایی از گذشته که هرگز ندیده تست می‌کنیم.

   شامل

   • پیش‌بینی برای هر محصول، شعبه یا گروه مشتری که لازم دارید
   • برای هر عدد یک بازه، نه فقط یک حدس
   • آزمون روی دوره‌های گذشته، با نمایش خطا
   • به‌روزرسانی زمان‌بندی‌شده و تحویل همان جایی که برنامه‌ریزی می‌کنید

   هفته	پیش‌بینی	بازه‌ی ۸۰٪	پارسال
   هفته‌ی ۴۵	۴۲۰ عدد	۳۸۰ تا ۴۶۵	۳۹۱
   هفته‌ی ۴۶	۴۵۵ عدد	۴۰۵ تا ۵۱۰	۴۰۲
   هفته‌ی ۴۷	۶۱۰ عدد	۵۲۰ تا ۷۰۰	۵۷۷
   هفته‌ی ۴۸	۵۳۰ عدد	۴۵۰ تا ۶۲۰	۴۹۸

6. D/۰۶

   ارزیابی و محافظ‌ها

   پیش از راه‌اندازی، از نمونه‌های واقعی خودتان یک مجموعه‌ی تست می‌سازیم و سیستم را با آن می‌سنجیم، و بعد از هر تغییر پرامپت یا مدل دوباره می‌سنجیم. محافظ‌ها نمی‌گذارند سیستم از موضوع خارج شود، داده‌ی شخصی را از جواب‌ها دور نگه می‌دارند و جلوی هر اقدامی بیرون از محدوده‌اش را می‌گیرند.

   شامل

   • مجموعه‌ی تستی از سؤال‌ها و اسناد واقعی، با جواب‌های مورد انتظار
   • اجرای ارزیابی با هر تغییر و مقایسه‌ی نتیجه‌ها
   • بررسی داده‌ی شخصی، درخواست‌های بی‌ربط و تزریق پرامپت
   • پیگیری هزینه و زمان پاسخ در کنار دقت

   جواب درست

   ۹۱٪

   ۴ درصد بهتر از اجرای ۱۲

   منبع درست

   ۹۶٪

   ۲۱۲ از ۲۲۰

   رد درخواست بی‌ربط

   ۲۴/۲۴

   بدون تغییر

   هزینه‌ی هر جواب

   ۴۰۰ تومان

   میانه‌ی زمان ۱٫۹ ثانیه

1. ۰۱

   پیدا کردن کار

   کاری را انتخاب می‌کنیم که هوش مصنوعی در آن واقعاً وقت یا هزینه را کم کند، و روشن می‌کنیم نتیجه‌ی «خوب» یعنی چه.

2. ۰۲

   اثبات

   نمونه‌ی اولیه‌ای که پیش از هر وعده‌ای روی داده‌ی واقعی شما سنجیده می‌شود.

3. ۰۳

   یکپارچه‌سازی

   متصل به سیستم‌های شما، با راه جایگزین و بازبینی انسانی هر جا که مهم است.

4. ۰۴

   پایش

   دقت، هزینه و انحراف مدل را در محیط عملیاتی زیر نظر داریم تا کیفیتش پایین نیاید.

یک پروژه‌ی هوش مصنوعی معمولاً از اولین جلسه تا روزی که سیستم در کار روزانه استفاده شود شش تا ده هفته طول می‌کشد. تا هفته‌ی سوم، پیش از آن‌که بخش اصلی ساخت شروع شود، نتیجه‌ی سنجیده‌شده روی داده‌ی خودتان را می‌بینید.

1. هفته‌ی ۱

   با هم کار را انتخاب می‌کنیم، نمونه‌های واقعی جمع می‌کنیم و توافق می‌کنیم نتیجه‌ی خوب یعنی چه.

2. هفته‌ی ۲ و ۳

   نمونه‌ی اولیه و مجموعه‌ی تست، با اولین نمره‌ها روی داده‌ی خودتان.

3. هفته‌ی ۴ تا ۶

   ساخت سیستم درون ابزارهای شما، با محافظ‌ها، راه جایگزین و صف بازبینی.

4. هفته‌ی ۷ و ۸

   آزمایش با کاربران واقعی و اصلاح بر اساس آنچه ارزیابی‌ها و کاربران پیدا می‌کنند.

5. هفته‌ی ۹ و ۱۰

   راه‌اندازی، داشبوردهای پایش و تحویل به تیم شما.

• کد

  کد کامل در مخزن شما: یکپارچه‌سازی‌ها، پایپ‌لاین‌ها و سرویس‌های اطراف مدل.

• پرامپت‌ها و تنظیمات

  همه‌ی پرامپت‌ها، تنظیمات مدل و محافظ‌ها، نسخه‌بندی‌شده و همراه با توضیح.

• مجموعه‌ی ارزیابی

  نمونه‌های تست و اسکریپت‌هایی که نمره می‌دهند، برای سنجیدن هر تغییر یا مدل در آینده.

• داده و نمایه‌های شما

  نمایه‌ها، داده‌ی استخراج‌شده و هر مدل آموزش‌دیده روی زیرساخت یا حساب‌های خودتان می‌ماند.

• داشبوردهای پایش

  دقت، هزینه، زمان پاسخ و انحراف، جلوی چشم تیم شما.

• یک بازبینی پس از راه‌اندازی

  یک ماه بعد بررسی می‌کنیم در استفاده‌ی واقعی چطور کار می‌کند و چه چیزی باید تنظیم شود.

• LLMs, hosted & self-hosted
• RAG
• Vector search
• OCR & vision
• Speech-to-text
• Evaluations
• Guardrails
• Forecasting

• پنل مدیریت و CRM

  ابزارهایی که تیمتان هر صبح باز می‌کند.

  بیشتر بخوانید →

• VoIP و تلفن

  سیستم تلفنی که می‌داند چه کسی زنگ زده.

  بیشتر بخوانید →

• خودکارسازی گردش کار

  کارهای تکراری میان ابزارهایتان، خودشان انجام می‌شوند.

  بیشتر بخوانید →