S/۱۱ · خدمات
راهکارهای هوش مصنوعی
هوش مصنوعی‌ای که کار واقعی می‌کند و کارش را نشان می‌دهد.
دستیار، ایجنت، جست‌وجوی هوشمند، بینایی ماشین، گفتار و پیش‌بینی — درون محصول و فرایندهای شما، سنجیده‌شده با نتایج واقعی و تحت کنترل.
- مدل‌ها
- میزبانی‌شده یا روی سرور خودتان
- سنجیده با
- ارزیابی روی داده‌ی خودتان
- ساخته‌شده با
- محافظ‌ها و بازبینی انسانی
- ۰۱
کارکنان روزشان را صرف خواندن اسناد و تایپ دوباره‌شان می‌کنند.
- ۰۲
مشتری‌ها جواب‌هایی را پیدا نمی‌کنند که جایی وجود دارند.
- ۰۳
تصمیم‌ها با حدس گرفته می‌شوند در حالی که داده‌ها بلااستفاده مانده‌اند.
- ۰۴
یک دموی هوش مصنوعی را امتحان کردید و روی داده‌ی واقعی از هم پاشید.
- D/۰۱
دستیار و ایجنت
دستیاری که از روی سیاست‌ها و سوابق خودتان جواب می‌دهد، می‌گوید هر جواب را از کجا آورده و می‌تواند از طریق سیستم‌هایتان کار انجام دهد: پیگیری سفارش، باز کردن تیکت، نوشتن پیش‌نویس پاسخ. شما تعیین می‌کنید چه کاری را خودش انجام دهد و چه کاری اول تأیید یک نفر را لازم 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
support assistant · example-shop.com مشتری می‌تواند کتری را بعد از ۲۰ روز مرجوع کند؟
بله. کالای استفاده‌نشده تا ۳۰ روز، در جعبه‌ی خودش، قابل مرجوع است. منبع: سیاست مرجوعی، بند ۲٫۱.
پس مرجوعی سفارش A-2291 را ثبت کن.
سفارش A-2291: یک کتری، تحویل‌شده ۱۴ روز پیش. مرجوعی ثبت و برچسب ارسال برای مشتری ایمیل شود؟ این کار تأیید شما را لازم دارد.
- D/۰۲
جست‌وجوی هوشمند
اسنادتان به بندهای کوتاه تقسیم و بر اساس معنا نمایه می‌شوند، پس سؤال حتی با کلمه‌های متفاوت هم بند درست را پیدا می‌کند. بهترین بندها به مدل می‌رسند، مدل فقط از روی همان‌ها جواب می‌دهد و به جایی که خوانده پیوند می‌دهد.
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
docs/search/rag-pipeline.mmd - D/۰۳
پردازش اسناد
اسکن‌ها و PDFها به فیلدهایی تبدیل می‌شوند که سیستم‌هایتان می‌توانند استفاده کنند: فروشنده، تاریخ، مبلغ، اقلام. هر فیلد یک امتیاز اطمینان دارد و با قواعد سنجیده می‌شود، پس اسناد سالم مستقیم رد 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
inbox/invoice-1187.pdf · extracted 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 - D/۰۴
بینایی و گفتار
تماس‌ها، پیام‌های صوتی، عکس‌ها و تصویر دوربین‌ها به داده‌ای تبدیل می‌شوند که می‌شود جست‌وجو و شمارش کرد. یک تماس پشتیبانی می‌شود متن پیاده‌شده 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
pipelines/call-transcripts.log $ 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
- 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
- یک بازه دور هر عدد، نه یک حدس تنها
- آزمون روی دوره‌های گذشته، با نمایش خطا
- به‌روزرسانی زمان‌بندی‌شده و تحویل همان جایی که برنامه‌ریزی می‌کنید
forecasts/demand · SKU 1042 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 - D/۰۶
ارزیابی و محافظ‌ها
پیش از راه‌اندازی، از نمونه‌های واقعی خودتان یک مجموعه‌ی تست می‌سازیم و سیستم را با آن نمره می‌دهیم، و هر تغییر پرامپت یا مدل دوباره نمره می‌گیرد. محافظ‌ها سیستم را در موضوع نگه می‌دارند، داده‌ی شخصی را از جواب‌ها دور نگه می‌دارند و جلوی اقدام بیرون از محدوده 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
evals/support-assistant · run 14 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
- ۰۱
پیدا کردن کار
کاری را انتخاب می‌کنیم که هوش مصنوعی در آن وقت یا پول واقعی صرفه‌جویی کند، و تعریف می‌کنیم «خوب» یعنی چه.
- ۰۲
اثبات
نمونه‌ی اولیه‌ای که پیش از هر وعده‌ای روی داده‌ی واقعی شما سنجیده می‌شود.
- ۰۳
یکپارچه‌سازی
متصل به سیستم‌های شما، با راه جایگزین و بازبینی انسانی هر جا که مهم است.
- ۰۴
پایش
دقت، هزینه و انحراف در محیط عملیاتی پیگیری می‌شود تا خوب بماند.
یک پروژه‌ی هوش مصنوعی معمولاً از اولین جلسه تا سیستمی که هر روز استفاده می‌شود شش تا ده هفته طول می‌کشد. تا هفته‌ی سوم، پیش از آن‌که بیشتر کار ساخت شروع شود، نتیجه‌ی سنجیده‌شده روی داده‌ی خودتان را می‌بینید.
- هفته‌ی ۱
با هم کار را انتخاب می‌کنیم، نمونه‌های واقعی جمع می‌کنیم و توافق می‌کنیم نتیجه‌ی خوب یعنی چه.
- هفته‌ی ۲ و ۳
نمونه‌ی اولیه و مجموعه‌ی تست، با اولین نمره‌ها روی داده‌ی خودتان.
- هفته‌ی ۴ تا ۶
ساخت سیستم درون ابزارهای شما، با محافظ‌ها، راه جایگزین و صف بازبینی.
- هفته‌ی ۷ و ۸
آزمایش با کاربران واقعی و اصلاح بر اساس آنچه ارزیابی‌ها و کاربران پیدا می‌کنند.
- 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 توضیح‌داده‌شده.
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
داده‌های ما از سرورهایمان خارج می‌شود؟
لازم نیست. وقتی حریم خصوصی ایجاب کند، مدل‌ها را روی زیرساخت خودتان اجرا می‌کنیم.
اگر هوش مصنوعی اشتباه کند چه؟
می‌سنجیم چقدر اشتباه می‌کند، با آستانه‌ی اطمینان و بازبینی انسانی برایش طراحی می‌کنیم و مدام بهترش می‌کنیم.
به فارسی هم کار می‌کند؟
بله. مشخصاً روی داده‌ی فارسی تست می‌کنیم، چون کیفیت بین مدل‌ها و زبان‌ها متفاوت است.
برای شروع از ما چه چیزی لازم دارید؟
نمونه‌های واقعی کار: چند صد سند، سؤال یا رکورد، و کسی که بتواند بگوید جواب درست چه شکلی است.
هزینه‌ی اجرایش چقدر است؟
به حجم کار و مدل بستگی دارد. هزینه‌ی هر کار را در نمونه‌ی اولیه می‌سنجیم، پس پیش از تصمیم به ساخت، هزینه‌ی اجرا را می‌دانید.
بگویید چه چیزی می‌سازید.
هر پروژه با یک جلسه‌ی مشاوره شروع می‌شود: شما ایده و هر آنچه می‌دانید را می‌آورید، ما آن را به طرحی تبدیل می‌کنیم که بشود رویش ساخت.
رزرو مشاوره