هوش مصنوعی

این خدمت برای چه مسئله‌ای است؟

هوش مصنوعی در DevOff یعنی اتصال مدل زبانی به دادهٔ شما: پاسخ روی مستندات، چت‌بات پشتیبانی، جستجوی معنایی فارسی، یا گردش‌کار n8n. مخاطب: محصولی که تیکت تکراری دارد، یا تیمی که باید روی دانش داخلی جستجو کند نه روی اینترنت باز.

مدل ابری یا متن‌باز؛ هزینه و پرامپت مانیتور می‌شود. این خدمت «مدل اختصاصی از صفر» نیست مگر در قرارداد جدا نوشته شود.

نمونهٔ مرتبط روی سایت: چت‌بات پشتیبانی هوشمند با RAG روی مستندات و اتصال تیکتینگ.

RAG یعنی چه؟

متن شما قطعه می‌شود، در پایگاه برداری می‌ماند، و پاسخ با ارجاع به همان قطعه ساخته می‌شود. بدون این کار، مدل از خودش می‌سازد و برای پشتیبانی محصول خطرناک است.

فارسی: نرمال‌سازی ی و ک، و قطعه‌بندی که نیم‌جمله را پاره نکند. جستجوی معنایی را با کوئری واقعی فارسی تست می‌کنیم، نه فقط با جملهٔ انگلیسی نمونه.

n8n برای وقتی است که بعد از پاسخ باید تیکت، پیام یا ردیف جدول ساخته شود. اتوماسیون را جدا از خود مدل نگه می‌داریم تا خرابی گردش‌کار، پاسخ را خراب نکند.

فرآیند

کشف نیاز: منبع حقیقت کدام فایل یا API است، و چه چیزی هرگز نباید از مدل بگذرد (رمز، دادهٔ سلامت، و مشابه). طراحی: حریم خصوصی، لاگ پرامپت، سقف هزینه.

اسپرینت با مجموعه سؤال واقعی، نه دموی بازاری. ارزیابی را با همان سؤال‌ها تکرار می‌کنیم. استقرار با کلید جدا، محدودیت نرخ، و خاموشی سریع اگر هزینه بالا رفت.

بک‌اند و API را با خدمت‌های Django و API هم‌مسیر می‌کنیم. فرانت چت می‌تواند Next.js باشد؛ توسعه وب.

استک

OpenAI یا مدل متن‌باز توافق‌شده، LangChain در صورت نیاز، پایگاه برداری، n8n، Python. Fine-tuning فقط وقتی دادهٔ برچسب‌دار و بودجه دارد؛ بیشتر پروژه‌ها با RAG و پرامپت جلو می‌روند.

خروجی

سیستم روی محیط توافق‌شده، مستند پرامپت، مانیتورینگ هزینه، آموزش تیم برای به‌روز کردن دانش. ادعاهای درصدی کاهش تیکت را از روی کیس عمومی تکرار نمی‌کنیم؛ همان صفحهٔ نمونه‌کار را بخوانید.

پرسش‌های پرتکرار

دادهٔ ما برای آموزش مدل عمومی می‌رود؟

پیش‌فرض قرارداد: دادهٔ شما برای آموزش مدل ثالث استفاده نشود مگر کتباً بپذیرید. جزئیات را در NDA و قرارداد فنی می‌نویسیم.

جایگزین نیروی پشتیبانی انسانی؟

برای سؤال تکراری روی مستند، بله به‌عنوان لایهٔ اول. برای شکایت و استثنا، انسان می‌ماند.

از فرم تماس مسئله و منبع داده را بگویید.

در جلسه کشف نیاز هوش مصنوعی چه می‌پرسیم؟

منبع حقیقت: پوشه، کانفلوئنس، تیکت، یا API محصول. چه موضوعی هرگز نباید پاسخ داده شود. زبان کاربر فقط فارسی است یا مخلوط.

سقف هزینهٔ ماهانه و اینکه اگر مدل قطع شد، پیام چیست. لاگ سؤال کاربر حریم خصوصی است؛ نگهداری‌اش را در قرارداد می‌نویسیم.

ارزیابی پاسخ

مجموعهٔ بیست تا پنجاه سؤال واقعی از پشتیبانی، با جواب مرجع. بدون این مجموعه، فقط دموی زیبا دارید. بعد از تغییر مستندات، همان مجموعه را دوباره اجرا می‌کنیم.

هفتهٔ اول اتصال به یک منبع محدود و ده سؤال آزمایشی. اگر مدل از خودش موجودیت ساخت، RAG را قبل از UI زیبا درست می‌کنیم. هزینه را روزانه نگاه می‌کنیم. پرامپت سیستم را در گیت با دسترسی محدود می‌گذاریم، نه در گروه پیام‌رسان.