خدمات
خدمات هوش مصنوعی
پیش از شروع، یک معیار عددی برای موفقیت تعریف میکنیم و مدل را روی مجموعه آزمونی که خودتان تأیید کردهاید میسنجیم. اگر به آن عدد نرسد، تحویل نمیدهیم و دلیلش را مینویسیم.
درخواست جلسه فنی
هوش مصنوعی در عمل یک تابع آماری است که از روی نمونههای گذشته حدس میزند. هر جا داده تمیز و کافی از یک کار تکراری هست، شانس خوبی برای خودکارسازی بخشی از آن وجود دارد؛ هر جا داده نیست یا تصمیم باید قابل دفاع حقوقی باشد، مدل جای کارشناس را نمیگیرد.
تشخیص عیب سطحی، شمارش قطعه، خواندن پلاک و کنترل تجهیزات ایمنی از روی دوربینهای موجود. مدل روی نمونههای خط تولید خودتان آموزش میبیند، چون نور و زاویه و جنس سطح در هر کارخانه فرق دارد. جایی که نمونه عیب کم است، اول سراغ نورپردازی میرویم؛ مدل خوب جای دوربین بد را نمیگیرد.
دستهبندی تیکت، استخراج اطلاعات از قرارداد و صورتجلسه، جستجوی معنایی روی آرشیو اسناد و دستیار پاسخگو روی مستندات داخلی. خروجی مدل زبانی همیشه با ارجاع به سند مرجع نمایش داده میشود؛ دستیاری که منبع نشان ندهد قابل اتکا نیست.
پیشبینی تقاضا و بار سرویس، تشخیص رفتار غیرعادی در تراکنش و ترافیک شبکه، و پایش شاخصهای عملیاتی. هدف صفر کردن هشدار اشتباه نیست؛ هدف رساندن نرخ هشدار به عددی است که تیم بررسی توان رسیدگی به آن را دارد.
اتصال مدل به فرایند واقعی: خواندن فرم و فاکتور، تطبیق رکورد میان دو سامانه و پیشنویس پاسخ. هر گردش کار آستانه اطمینان دارد؛ زیر آن آستانه پرونده به صف کارشناس میرود و هیچ تصمیم مالی بدون تأیید انسانی نهایی نمیشود.
برای هر مدل کارنامهای مینویسیم: داده از کجا آمده، چه کسی برچسب زده، معیار روی کدام مجموعه سنجیده شده، مدل کجا اشتباه میکند و چه کاربردهایی مجاز نیست. پس از استقرار، افت کیفیت ماهانه بازبینی میشود.
وقتی ابزاری آماده میگوید «از همه زبانها پشتیبانی میکند»، معمولاً یعنی روی انگلیسی سنجیده شده و بقیه زبانها فقط اجرا میشوند. فارسی چهار ویژگی دارد که هرکدام کار جداگانه میطلبد.
نخست نیمفاصله. «میرود» و «می رود» و «میرود» هر سه در متن واقعی دیده میشوند و برای مدل خام سه چیز متفاوتاند؛ اگر نرمالسازی نشود، واژگان چند برابر و دقت کم میشود. پیش از هر آموزشی یک لایه نرمالسازی اجرا میکنیم.
دوم تنوع رسمالخط. «ی» و «ک» در دو کدگذاری عربی و فارسی نوشته میشوند و در یک پایگاه داده سازمانی هر دو کنار هماند؛ اعداد هم گاهی فارسی و گاهی لاتین تایپ شدهاند. جستجویی که اینها را یکسان نبیند، نیمی از رکوردها را پیدا نمیکند.
سوم اعراب. فارسی نوشتاری واکههای کوتاه را نمینویسد و «کرم» بسته به بافت چند خوانش دارد؛ در تبدیل گفتار به متن، مدل باید حدس بزند و همینجا خطا میسازد.
چهارم کمبود داده برچسبخورده. پیکرههای آزاد فارسی کوچک و بیشتر خبریاند، نه اداری؛ پس معمولاً باید روی چند هزار نمونه از اسناد خود کارفرما برچسب بزنیم. این کار زمان میبرد و در برآورد اولیه ذکر میشود.
نتیجه عملی: انتظار معقول از یک دستهبند فارسی روی متن اداری، دقتی در محدوده ۸۸ تا ۹۳ درصد است، نه ۹۹ درصد. همین عدد را در پیشنهاد مینویسیم؛ اگر کسی عدد بالاتری قول داد، بپرسید روی کدام مجموعه آزمون سنجیده است.
ترتیب این پنج مرحله عوض نمیشود. هیچ مدلی بدون معیار پذیرش وارد مرحله آموزش نمیشود و هیچ مدلی بدون برنامه پایش مستقر نمیشود.
مشخص میکنیم مدل چه چیزی را پیشبینی کند و موفقیت با کدام عدد سنجیده شود — دقت، فراخوانی یا هزینه خطا. هزینه خطای مثبت و منفی برابر نیست و همینجا تعیین میشود.
جمعآوری، پاکسازی، نرمالسازی و برچسبگذاری. مجموعه آزمون همینجا کنار گذاشته و قفل میشود. سهم عمده زمان پروژه اینجاست، نه در آموزش.
چند مدل پایه آموزش میبیند و روی همان مجموعه قفلشده سنجیده میشود. گزارش ارزیابی موارد شکست را هم میآورد، نه فقط عدد میانگین.
مدل بهصورت سرویس داخل زیرساخت شما مستقر میشود، با نسخهگذاری و امکان بازگشت به نسخه قبل. کار موازی با فرایند دستی شروع میشود تا مقایسه ممکن باشد.
توزیع ورودی و کیفیت خروجی ماهانه بررسی میشود. اگر داده واقعی از داده آموزش فاصله بگیرد، چرخه برای بازآموزی از مرحله دو تکرار میشود.
داده کارفرما فقط برای همان پروژه استفاده میشود. هیچ نمونهای از آن برای آموزش مدلی خارج از پروژه خودتان یا برای مشتری دیگر به کار نمیرود و در دموی فروش نمایش داده نمیشود.
محل پردازش پیشفرض، زیرساخت داخلی شماست؛ آموزش و استنتاج روی سرورهای کارفرما انجام میشود. اگر پروژهای به سرویس بیرونی نیاز داشته باشد، نوع داده و مقصد را پیش از هر انتقالی مکتوب تأیید میکنید.
دسترسی محدود و قابل ردیابی است: فقط اعضای همان تیم، با ثبت هر دسترسی، و در پایان قرارداد نسخههای کاری طبق چارچوب ISO 27001 حذف و گواهی حذف تحویل میشود. جزئیات در سیاست حریم خصوصی و بخش انطباق آمده است.
بستگی به کار دارد. برای دستهبندی متن اداری با پنج تا ده دسته، حدود ۳۰۰ نمونه برچسبخورده برای هر دسته نتیجهای قابل ارزیابی میدهد؛ برای تشخیص عیب بصری، دستکم چند صد تصویر از هر نوع عیب.
اگر داده کافی نیست، کار با برچسبگذاری شروع میشود، نه با آموزش زودهنگام؛ مدلی که روی نمونه ناکافی آموزش ببیند در عملیات شکست میخورد.
دقت را تضمین نمیکنیم؛ آن را میسنجیم. پیش از آموزش، مجموعهای از داده واقعی کنار گذاشته میشود که شما تأیید میکنید و مدل هرگز آن را نمیبیند. معیار پذیرش — مثلاً فراخوانی حداقل ۹۲ درصد روی عیبهای بحرانی — در قرارداد نوشته میشود و اگر مدل به آن نرسد، بهجای تحویل، گزارش دلیل میدهیم.
خیر. داده هر کارفرما فقط در پروژه خودش به کار میرود. مدل، وزنها و مجموعههای داده در پایان به شما تحویل میشود و نسخههای کاری ما حذف میگردد. آنچه نزد ما میماند دانش عمومی مهندسی است، نه محتوای اسناد شما.
معمولاً از مدلهای زبانی با وزن باز استفاده میکنیم که روی سرور خود کارفرما اجرا میشوند؛ در این حالت هیچ متنی از شبکه سازمان خارج نمیشود. اگر کارفرما سرویس بیرونی را ترجیح دهد، داده ارسالی محدود و مکتوب میشود و اطلاعات هویتی پیش از ارسال پاک میگردد.
نمونه اولیه قابل ارزیابی، شش تا ده هفته. پروژه کامل تا استقرار عملیاتی و اتصال به سامانههای موجود، سه تا شش ماه؛ اگر برچسبگذاری از صفر لازم باشد چند هفته اضافه میشود. پیشنهاد ما همیشه یک کاربرد کوچک با ارزش روشن است، نه برنامهای چندساله.
تصمیم خودکار و نهایی در موضوعاتی با پیامد حقوقی یا حیثیتی — رد درخواست تسهیلات، ارزیابی عملکرد کارکنان یا امتیازدهی رفتاری — بدون بازبینی انسانی. مدل اولویتبندی و پیشنهاد میدهد؛ تصمیم با کارشناس است.
همچنین کاربردهایی که یک قاعده ساده یا یک پرسوجوی پایگاه داده همان کار را ارزانتر انجام میدهد. اگر مسئله شما از این دسته باشد، در جلسه اول میگوییم.
یک جلسه فنی ۴۵ دقیقهای بگذارید. داده موجود و معیار موفقیت را بررسی میکنیم و اگر راه سادهتری بدون هوش مصنوعی وجود داشت، همان را پیشنهاد میدهیم.
