هوش مصنوعی Jev چیست؟ آموزش دسته‌بندی و امتیازدهی با مثال API

مصطفی رشیدی
مصطفی رشیدی
۱۴۰۵/۰۸/۳۰
۱۳ دقیقه
۴
آموزش متنی جامع

هوش مصنوعی Jev مدل ارزیابی ساخت‌یافته شرکت «TypeSafe» است. برای استفاده از آن، داده‌ای مانند متن تیکت پشتیبانی و سوال مشخصی درباره آن می‌فرستیم. مدل می‌تواند گزینه‌ای را از فهرست انتخاب کند، به سوالی دودویی پاسخ بدهد یا روی مقیاس تعریف شده امتیاز بدهد. برنامه این خروجی را می‌خواند و مطابق قواعد خودش عمل می‌کند.

آنچه در این مطلب می‌آموزید:
  • با ماهیت مدل Jev و کاربرد آن در تصمیم‌گیری‌های ساخت‌یافته آشنا می‌شوید.
  • اجزای اصلی الگوی ورودی، تعریف سوال و خروجی ساخت‌یافته را بررسی می‌کنید.
  • انواع سوال‌های Choice و Noul و Score را در Jev می‌آموزید.
  • تفاوت میان امتیاز سوال، توزیع احتمال و شاخص اطمینان مدل را یاد می‌گیرید.
  • نحوه ارسال درخواست به API مدل Jev و مدیریت پاسخ‌ها را بررسی می‌کنید.
  • معیارهای ارزیابی، محدودیت‌ها و نحوه اعتبارسنجی مدل را می‌آموزید.
هوش مصنوعی Jev چیست؟ آموزش دسته‌بندی و امتیازدهی با مثال API

مطالب مجله فرادرس را در جستجوی گوگل سریع‌تر ببینید

997696

در این مطلب از مجله فرادرس، ابتدا نوع مسئله مناسب برای «Jev» را مشخص می‌کنیم، سپس درخواست نمونه‌ای برای «API» می‌سازیم و مسیر تصمیم‌گیری بعد از دریافت پاسخ را بررسی می‌کنیم. مثال مقاله فرضی است و برای توضیح ساختار درخواست و منطق برنامه طراحی شده است.

هوش مصنوعی Jev چیست و کجا به کار می‌آید؟

فرض کنید فروشگاهی هر روز پیام‌هایی درباره ارسال بسته، صورتحساب و تعویض کالا دریافت می‌کند. شماره سفارش و وضعیت ارسال در پایگاه داده ثبت شده‌اند. برنامه می‌تواند این اطلاعات را با جست‌وجوی معمولی به دست آورد. اما وقتی مشتری می‌نویسد «بسته رسید، ولی کفشی که فرستادید اندازه‌ام نیست»، تشخیص موضوع پیام به فهم جمله وابسته است. هوش مصنوعی Jev را می‌توان برای همین بخش از کار به خدمت گرفت. داده را به مدل می‌دهیم و می‌پرسیم کدام گروه از گزینه‌های تعریف شده مناسب‌تر است. سپس پاسخ مدل در کد برنامه بررسی می‌شود.

TypeSafe این خانواده را «System One» می‌نامد و Jev را نخستین مدل عمومی آن معرفی کرده است. منظور شرکت از این اصطلاح، قضاوت کوتاه و متمرکزی است که برنامه در جریان کار بزرگ‌تری به آن نیاز دارد. TypeSafe در توضیح معماری پیشنهادی‌اش، میان قضاوت درباره معنای متن و اجرای سیاست کسب‌وکار فرق می‌گذارد. برای نمونه، تشخیص اینکه مشتری درخواست تعویض دارد، سوالی درباره متن است. اینکه سفارش هنوز در مهلت تعویض قرار دارد، از مقایسه تاریخ‌ها و بررسی قواعد فروشگاه معلوم می‌شود. قرار دادن هر کار در بخش مناسب، مسیر بررسی خطا را کوتاه‌تر می‌کند.

سه جزء اصلی این الگو را در نظر بگیرید.

  • نخست، داده یا وضعیت مشترکی است که می‌تواند متن پیام یا اطلاعات منتخب برنامه باشد.
  • دوم، سوال و تعریف پاسخ‌های مجاز است.
  • سوم، نتیجه‌ای است که ساختار آن برای نرم‌افزار مشخص است.
اینفوگرافیک سه مرحله‌ای ارزیابی ساختاریافته شامل وضعیت مشترک، ارزیابی با سوال مشخص و نتیجه قابل خواندن توسط ماشین
اینفوگرافیک سه مرحله‌ای ارزیابی ساختاریافته شامل وضعیت مشترک، ارزیابی با سوال مشخص و نتیجه قابل خواندن توسط ماشین

اگر پاسخ مجاز به سه نام گروه محدود باشد، کد می‌تواند بدون استخراج نام از پاراگراف، آن را با فهرست گروه‌ها تطبیق دهد. در طراحی مثال، باید از همان ابتدا مشخص باشد که کدام داده را مدل می‌بیند و کدام داده فقط در برنامه باقی می‌ماند.

یکی از راه‌های عملی برای پیدا کردن کاربرد مناسب، نگاه‌کردن به آخرین کار دستی در فرایند است. اگر کارشناس فقط با خواندن چند جمله تشخیص می‌دهد پیام باید به کدام صف برود، می‌توان همان تشخیص را به سوال محدودی تبدیل کرد. اگر کارشناس باید پاسخی همدلانه بنویسد، محتوای سفارش را بررسی کند و با مشتری درباره راه‌حل گفت‌وگو کند، فرایند چند کار متفاوت دارد. در این وضعیت، بهتر است ابتدا کارها را جدا کنیم. هوش مصنوعی Jev برای برچسب‌گذاری پیام به کار برده شده و نوشتن پاسخ یا مذاکره به ابزار یا فرد مناسب خود واگذار می‌شود.

مثال دیگر، گروه‌بندی گزارش‌های خرابی است. برنامه از روی شناسه دستگاه می‌داند گزارش مربوط به کدام نسخه محصول است. مدل می‌تواند متن گزارش را بررسی کرده و بین مشکل ورود، مشکل نمایش و موضوع نامشخص انتخاب کند. ثبت نسخه همچنان از داده واقعی انجام می‌شود. اگر دسته‌بندی اشتباه باشد، تیم می‌تواند تعریف گروه‌ها را بازبینی کند. اگر نسخه اشتباه باشد، باید داده ورودی یا جست‌وجوی پایگاه داده را بررسی کرد. جدا بودن این دو کار، خطای مدل را از خطای نرم‌افزار متمایز می‌کند.

قبل از انتخاب مدل، پرسش ساده‌ای مطرح کنید. آیا تیم می‌تواند پاسخ مطلوب را با چند گزینه، سوال بله یا خیر یا مقیاسی روشن تعریف کند؟ اگر حتی کارشناسان درباره معنی هر گزینه توافق ندارند، صورت مسئله هنوز آماده نیست. چند نمونه واقعی را کنار هم قرار دهید، پاسخ مورد انتظار را تعیین کنید و درباره موارد اختلاف گفت‌وگو کنید. همین نمونه‌ها بعدا برای بررسی کیفیت خروجی نیز کاربرد دارند.

تا به این قسمت از مطلب شناخت اولیه و مناسبی درباره هوش مصنوعی Jev بدست آورده‌اید. در ادامه با کمک مثال ساده‌ای روش کار با این ابزار را بررسی می‌کنیم. در صورت تمایل به مطالعه مطالبی مانند این مورد، پیشنهاد می‌کنیم که حتما اپلیکیشن مجله فرادرس را بر روی دستگاه‌های همراه خود نصب کنید.

انواع سوال و خروجی در هوش مصنوعی Jev

انتخاب نوع سوال به کاری بستگی دارد که برنامه بعد از دریافت پاسخ انجام می‌دهد. اگر قرار است تیکت به یکی از چند صف برود، نوع «Choice» مناسب است. در این حالت، گزینه‌ها و توضیح هر گزینه را از قبل تعریف می‌کنیم. برای مثال:

  • «ارسال» برای وضعیت تحویل یا بسته گم شده
  • «صورتحساب» برای مشکل مبلغ یا پرداخت
  • «تعویض» برای کالای اشتباه یا درخواست تغییر اندازه

پاسخ Choice گزینه منتخب و توزیع احتمال گزینه‌ها را در اختیار برنامه می‌گذارد.

تعریف گزینه‌ها باید برای پیام‌های مرزی هم روشن باشد. برای مثال، اگر کسی بنویسد «هزینه ارسال دو بار از حسابم کم شده»، واژه ارسال در پیام دیده می‌شود، ولی مسئله‌ای که مشتری می‌خواهد حل کند، پرداخت است. توضیح گروه صورتحساب را طوری بنویسید که پرداخت تکراری را پوشش دهد. در مقابل، اگر مشتری درباره زمان رسیدن مرسوله سوال دارد، حتی وقتی مبلغ سفارش را هم ذکر کرده، مسئله اصلی تحویل است. چند نمونه از این نوع می‌تواند به کارشناسان کمک کند تا پیش از پیاده‌سازی، تعریف مشترکی برای مرز گروه‌ها پیدا کنند.

نمایش یک فرم خالی در کنار بلوک اطلاعات در یک تصویرسازی تحریریه‌ای

برای گزاره دودویی از «Noul» استفاده می‌شود. برای مثال، می‌خواهیم بدانیم آیا مشتری به شکل مستقیم درخواست صحبت با یک از کارشناس‌ها را مطرح کرده است. سوال را درباره شواهد قابل مشاهده در پیام بنویسید. «آیا مشتری درخواست تماس با کارشناس کرده است؟» قابل بررسی‌تر از «آیا این مشتری از فرایند ناراضی است و احتمالاً کمک بیشتری می‌خواهد؟» است. سوال دوم چند برداشت را به هم گره می‌زند. حتی اگر خروجی آن دودویی باشد، هنگام خطا به سختی معلوم می‌شود کدام بخش از سوال مسئله داشته است.

«Score» برای ارزیابی روی یک مقیاس تعریف شده به کار می‌آید. نمونه آموزشی ما بررسی کامل بودن شرح تیکت است. در سطح پایین، فقط عبارت کوتاهی مانند «خراب است» داریم. در سطح میانی، نشانه مشکل گفته شده اما شرایط وقوع آن مبهم است. در سطح بالا، خواننده می‌داند کاربر چه کاری انجام داده و چه نتیجه‌ای دیده است. اگر هدف تعیین کامل بودن اطلاعات است، لحن مودبانه یا طول پیام نباید به‌خودی‌خود امتیاز را بالا ببرد. مقیاس را بر اساس چیزی طراحی کنید که تیم می‌خواهد بسنجد.

امتیاز سوال با اطمینان مدل یکی نیست. ممکن است شرح درخواستی ناقص باشد و مدل با اطمینان بالا آن را در سطح پایین قرار دهد. در مثال دیگری، متن ممکن است در مرز دو سطح باشد و پاسخ مدل ابهام بیشتری نشان دهد. اگر برنامه این دو مقدار را در یک ستون ذخیره کند، بازبین بعدا نمی‌داند عدد کم به کیفیت پایین شرح مربوط بوده یا به عدم قطعیت ارزیابی. جدا نگه داشتن نوع سوال، پاسخ و نشانگر اطمینان، خواندن گزارش را آسان‌تر می‌کند.

در Choice هم تفاوت مشابهی وجود دارد. احتمال هر گزینه سهم همان گزینه در توزیع پاسخ است. مقدار «Confidence» در مستندات TypeSafe از شکل توزیع محاسبه می‌شود. وقتی چند گزینه نزدیک‌اند، این شاخص ممکن است کاهش پیدا کند. بنابراین خواندن احتمال گزینه برنده و خواندن Confidence دو کار متفاوت‌اند. هر کدام را در جای مناسب به کار بگیرید و بررسی کنید کدام مقدار در آزمون واقعی برای تشخیص موارد نیازمند بازبینی بهتر عمل می‌کند.

نوع «Box» در «Jev 1.14» برای برگرداندن کادر اهداف تصویری معرفی شده است. سازنده قابلیت تصویری و این نوع سوال را در شمار امکانات آزمایشی آورده است. مثال متنی این مقاله به آن وابسته نیست. برای تیکت‌های معمولی، همان انتخاب گروه، تشخیص گزاره و امتیازدهی به کیفیت اطلاعات، نیازهای متفاوت برنامه را پوشش می‌دهند.

کاربرد هوش مصنوعی در تصمیم‌گیری و مدیریت کسب‌وکار با فرادرس

هوش مصنوعی با پردازش داده‌ها و شناسایی الگوها، به کسب‌وکارها کمک می‌کند تا تصمیم‌های دقیق‌تر و سریع‌تری بگیرند. ابزارهایی مانند Jev نیز با قابلیت دسته‌بندی و امتیازدهی، فرایند ارزیابی اطلاعات و اولویت‌بندی گزینه‌ها را ساده‌تر می‌کنند. آشنایی با این ابزارها و نحوه استفاده از API آن‌ها می‌تواند در خودکارسازی فرایندهای کاری، تحلیل داده‌ها و بهبود عملکرد کسب‌وکارها نقش موثری داشته باشد. برای استفاده بهتر از این فناوری‌ها، شناخت اصول کار با ابزارهای هوش مصنوعی و کاربردهای تجاری آن‌ها اهمیت دارد.

در مجموعه آموزش هوش مصنوعی برای کسب و کار، دوره‌های متنوعی برای آشنایی با ابزارهای هوش مصنوعی و استفاده از آن‌ها در محیط‌های تجاری و خدماتی گردآوری شده است. برای مثال، در دوره «آموزش رایگان ChatGPT و نحوه استفاده به زبان ساده» با مبانی کار با این ابزار آشنا می‌شوید. همچنین دوره «آموزش هوشمندی کسب و کار + گواهینامه» به یادگیری مفاهیم مرتبط با تحلیل و استفاده از داده‌ها در تصمیم‌گیری کمک می‌کند.

برای آشنایی با سایر مباحث، فهرست آموزش‌های این مجموعه را مشاهده کنید.

آموزش استفاده از API در هوش مصنوعی Jev با مثال

برای نمونه، درخواست مستقیمی به سرویس TypeSafe در نظر می‌گیریم. مسیر بومی طبق مستندات سازنده «POST /v1/systemone» است. نام مدل، متن پیام و تعریف سوال در بدنه «JSON» قرار می‌گیرند. برای احراز هویت باید کلید معتبر حساب را در سمت سرور نگهداری و در سربرگ «Authorization» ارسال کرد. کلید را در بدنه مثال، کد مرورگر یا فایل عمومی قرار ندهید. مثال زیر بدنه درخواست را نشان می‌دهد و خروجی آن در این مقاله با حساب واقعی آزمایش نشده است.

  • شناسه department  را برنامه انتخاب کرده است. نام آن می‌تواند با نام ستون داخلی سامانه هماهنگ باشد.
  • مدل ورودی state  را نسبت به دستور و توضیح گزینه‌ها ارزیابی می‌کند.
  • کلیدهای انگلیسی در نمونه به این دلیل انتخاب شده‌اند که کد داخلی بتواند با شناسه‌های ثابت کار کند.
  • رابط فارسی می‌تواند کلید returns  را به «تعویض و بازگشت کالا» نمایش دهد.

با جدا نگه داشتن شناسه نرم‌افزاری و نام نمایشی، تغییر یک عبارت فارسی باعث تغییر شرط‌های برنامه نمی‌شود.

در این پیام نمونه، پاسخ مورد انتظار آموزشی returns  است، چون کالا رسیده و مشتری برای تعویض آن راهنمایی می‌خواهد. در پاسخ واقعی، برای دیدن گزینه منتخب به فیلد answers.department.choice  مراجعه می‌کنیم.

برای بررسی ابهام می‌توانیم answers.department.probabilities  و همچنین answers.department.Confidence  را هم بخوانیم. عدد مشخصی را از قبل به این پیام نسبت نمی‌دهیم. آزمون واقعی باید مدل، دستور و داده را در کنار هم بررسی کند.

برای تبدیل مثال به درخواست قابل اجرا، ابتدا از محیط سمت سرور به نشانی https://api.typesafe.ai/v1/systemone  درخواست «POST» بفرستید و نوع محتوا را «application/json» قرار دهید. بدنه را با کتابخانه استاندارد JSON بسازید تا فاصله‌ها و کاراکترهای فارسی به درستی سریال شوند. پاسخ HTTP و خطای ارتباط را پیش از خواندن فیلدها بررسی کنید. اگر پاسخ موفق نبود، مسیر تعیین شده برای خطا را اجرا کنید. برای مثال، تیکت در صف بررسی باقی بماند تا هیچ درخواستی به‌دلیل خطای شبکه گم نشود.

در نسخه اول پیاده‌سازی، هر بار یکی از عامل‌ها را تغییر دهید. ابتدا همین چهار گزینه را با چند پیام روشن آزمایش کنید. بعد پیام‌هایی را اضافه کنید که بیش از یک موضوع دارند. اگر اکثر خطاها بین ارسال و صورتحساب است، توضیح همین دو گزینه را دقیق‌تر کنید و مجموعه آزمون را دوباره اجرا کنید. تغییر هم‌زمان مدل، زبان دستور و تعداد دسته‌ها، تشخیص دلیل بهبود یا افت کیفیت را سخت می‌کند. وجود یادداشتی کوتاه درباره نسخه سوال و تاریخ آزمایش، برای مقایسه نتیجه‌ها کافی است.

مستندات Choice نشان می‌دهند که می‌توان چند سوال را به وضعیت مشترکی فرستاد. در مثال فروشگاه، سوالی، دسته تیکت را تعیین می‌کند و سوال دیگری می‌سنجد آیا پیام شماره سفارش دارد. این دو سوال به همان پیام مربوط‌اند، اما برنامه هر پاسخ را جداگانه مصرف می‌کند. اگر شماره سفارش را از قبل به شکل ساخت‌یافته دریافت کرده‌ایم،می‌توان به طور مستقیم در کد وجود آن را بررسی کرد. در طراحی درخواست، فقط اطلاعات و سوال‌هایی را نگه دارید که برای این کار لازم‌اند.

تصویرسازی تحریریه‌ای از عناصر فرم و داده با پس‌زمینه روشن و حاشیه‌های خلوت - هوش مصنوعی jev

نمونه‌های مستندات واسطه‌های ارائه مدل ممکن است نام مدل، شکل سربرگ یا قالب ورودی دیگری داشته باشند. برای اجرای نمونه، مسیری را انتخاب کنید و همه اجزا را با مستندات همان سرویس تطبیق دهید. استفاده از شناسه مدل واسطه در درخواست مستقیم TypeSafe، از خطاهای قابل پیشگیری است. نسخه ثابت مثال نیز کمک می‌کند که تغییر مدل هنگام بازآزمایی متغیر پنهان نباشد.

از آنجا که هوش مصنوعی Jev می‌تواند اطلاعات را تحلیل کرده و بر اساس آن‌ها تصمیم بگیرد، می‌توان از آن در کنار ابزارهایی مانند «n8n» برای ساخت گردش‌های کاری هوشمند و خودکار استفاده کرد. در صورت نیاز به آشنایی با n8n پیشنهاد می‌کنیم که مطلب مربوط به آن را در مجله فرادرس مطالعه کنید.
انتخاب مدل، افزودن داده، تعریف سوال
انتخاب مدل، افزودن داده، تعریف سوال

تبدیل خروجی هوش مصنوعی Jev به اقدام در برنامه

بعد از دریافت پاسخ، اولین کار تشخیص موفقیت درخواست و کامل بودن فیلدهای مورد نیاز است. برنامه باید بتواند میان پاسخ معتبر، پاسخ مبهم و خطای سرویس تفاوت بگذارد. این سه حالت پیامد یکسان ندارند. در حالت موفق، دسته پیشنهادی خوانده می‌شود. در حالت مبهم، تیکت به صف عمومی یا بازبینی می‌رود. در خطای ارتباط یا ناسازگاری پاسخ، باید سیاست سامانه درباره ثبت خطا و تلاش دوباره اجرا شود. اگر نرم‌افزار همه این موارد را به یک دسته پیش‌فرض بفرستد، خطای فنی ممکن است در گزارش دقت مدل پنهان شود.

برای آشنایی اولیه و درک مدل تصمیم در هوش مصنوعی Jev پیشنهاد می‌کنیم که فیلم آموزش رایگان مدل تصمیم Jev همراه با بررسی نحوه عملکرد و کاربردها را در فردارس تماشا بکنید. لینک دسترسی مستقیم به این فیلم را در پایین نیز قرار داده‌ایم.

منطق نمونه را می‌توان در چند گام روشن کرد:

  1. نخست، گزینه منتخب را با فهرست دسته‌های مجاز برنامه تطبیق دهید.
  2. سپس بررسی کنید آیا این دسته برای مسیریابی خودکار مجاز است و آیا پاسخ از معیار پذیرش نسخه فعلی عبور می‌کند.
  3. اگر گزینه نامشخص است یا شواهد کافی وجود ندارد، تیکت به بازبین برود.
  4. اگر مسیر خودکار مجاز است، انتقال به صف مرتبط در کد انجام شود و رویداد آن ثبت شود.

این طراحی به کارشناس هوش مصنوعی Jev اجازه می‌دهد بعدها بفهمد تیکت به کدام دلیل به مسیر خاصی فرستاده شده است.

برای مثال، پیام «هنوز بسته نرسیده و مبلغ هم دوبار کم شده» برای دسته‌بندی تک‌گزینه‌ای دشوار است. ممکن است پشتیبانی تصمیم بگیرد مشکل پرداخت را در اولویت قرار دهد. این اولویت قاعده‌های عملیاتی فروشگاه است. می‌توان دو سوال جداگانه درباره گزارش مشکل پرداخت و گزارش تاخیر پرسید و سپس قواعد اولویت را در برنامه اجرا کرد. به این ترتیب اگر سیاست فروشگاه تغییر کند، لزوما نیازی به تغییر تعریف تک‌تک قضاوت‌های مدل نیست. TypeSafe همین ایده تفکیک قضاوت و منطق را در مثال معماری پشتیبانی خود توضیح داده است.

چند مکعب رنگی از کوچک به بزرگ از بالا به پایین رو هم قرار دارند. - هوش مصنوعی Jev

نمونه دیگر زمانی است که مشتری درخواست بازپرداخت دارد. تشخیص اینکه پیام چنین درخواستی را بیان می‌کند، می‌تواند کار مدل باشد. مبلغ قابل برگشت، وضعیت سفارش و امکان بازپرداخت را باید با داده و قواعد معتبر برنامه بررسی کرد. در سیستم آزمایشی، فقط پیشنهاد ارجاع را ذخیره کنید تا بتوانید پیام‌های حساس و موارد مرزی را با نظر کارشناس مقایسه کنید. بعد از ارزیابی، می‌توان انتقال خودکار به صف داخلی را جدا از اقدام مالی بررسی کرد. به طور معمول مورد اول در صورت اشتباه قابل اصلاح است، در حالی که دومی اثر مستقیم روی حساب مشتری دارد.

وقتی تیکت برای بازبینی می‌رود، بازبین باید سوال و دلیل ارجاع را ببیند. عبارتی مانند «دو موضوع نزدیک در یک پیام» یا «گروه پیشنهادشده با داده سفارش هم‌خوان نیست» بیشتر از عبارت کلی «مشکل مدل» به اصلاح کمک می‌کند. بهتر است علاوه بر پاسخ نهایی کارشناس، دسته پیشنهادی و نسخه مدل را هم ثبت کنید. این اطلاعات نشان می‌دهد اختلاف‌ها در کدام دسته و تحت کدام نسخه رخ داده‌اند. در ثبت رویداد، اطلاعات شخصی غیرضروری را کنار بگذارید تا سامانه تحلیل داخلی به نسخه دوم مخزن داده مشتری تبدیل نشود.

پیش از گسترش کاربرد، یک‌بار مسیر بازگشت به شیوه قبلی را مرور کنید. اگر سرویس در دسترس نبود یا نسبت ارجاع اشتباه افزایش یافت، صف عمومی همچنان باید کار کند. اگر کارشناس مسیر پیشنهادی را اصلاح کرد، رویداد اصلاح باید از انتقال نخست متمایز باشد. همچنین در بازآزمایی، تنها تیکت‌هایی را که مدل از آن‌ها مطمئن بوده بررسی نکنید. نمونه‌های کم‌اطمینان و مواردی که نظر کارشناس با مدل تفاوت دارد، برای شناخت مرز کاربرد ارزش بیشتری دارند.

در نهایت نتیجه موفقیت را با هدف فرایند بسنجید. افزایش تعداد انتقال‌های خودکار وقتی مفید است که زمان رسیدن تیکت به کارشناس مناسب کاهش یابد. اگر جابه‌جایی‌های برگشتی بیشتر شوند، شاید تغییر تعریف صف‌ها یا ارجاع موارد مبهم اثر بهتری داشته باشد. گزارشی ساده که تعداد پیشنهادها، اصلاح‌های کارشناسان و زمان انتظار را کنار هم نشان دهد، برای تصمیم درباره ادامه آزمایش مفیدتر از اتکا به عدد اطمینان است.

مراحل از بالا به پایین به ترتیب خواندن پاسخ، بررسی قواعد، ارجاع درخواست - هوش مصنوعی Jev
مراحل از بالا به پایین به ترتیب خواندن پاسخ، بررسی قواعد، ارجاع درخواست

مسیر یادگیری ابزارهای هوش مصنوعی از مقدماتی تا پیشرفته

کاربرد هوش مصنوعی به تولید متن و تصویر، محدود نمی‌شود. امروزه می‌توان از ابزارهای مختلف این فناوری برای تحلیل اطلاعات، انجام کارهای تخصصی و خودکارسازی فرایندها نیز استفاده کرد. شناخت انواع هوش مصنوعی و آشنایی با قابلیت‌های ابزارهای مختلف، کمک می‌کند راهکار مناسب‌تری برای نیازهای خود انتخاب کنید. مجموعه آموزش ابزارهای کاربردی هوش مصنوعی دوره مقدماتی تا پیشرفته با گردآوری آموزش‌هایی درباره ابزارهایی مانند ChatGPT و Gemini و Grok و DeepSeek، فرصت مناسبی برای آشنایی عملی با این فناوری فراهم می‌کند.

محدودیت‌ها و معیارهای ارزیابی پیش از استفاده

آزمون هوش مصنوعی Jev را با داده‌ای شروع کنید که نماینده پیام‌های واقعی مخاطبان است. برای سرویس فارسی، متن رسمی، جمله محاوره‌ای، غلط تایپی و ترکیب فارسی و انگلیسی را جداگانه پوشش دهید. اگر کاربران گاهی تصویر رسید می‌فرستند، آن مسیر را از آزمون متن جدا کنید. کیفیت نتیجه متنی را نباید به ورودی تصویری تعمیم داد. حتی اگر سازنده از بهبود چندزبانه سخن گفته باشد، معیار پذیرش باید با نمونه‌هایی تعیین شود که به کار شما شباهت دارند.

برای آماده‌سازی مجموعه ارزیابی، ابتدا پاسخ مورد انتظار را مستقل از خروجی مدل ثبت کنید. در مثال تیکت‌ها، کارشناس مشخص می‌کند چه پیامی به هر گروه تعلق دارد و چه پیامی واقعا نیازمند بررسی است. اگر دو کارشناس به طور مکرر اختلاف دارند، روی مرز دسته‌ها توافق کنید یا مسیر جداگانه‌ای برای موارد دوگانه تعریف کنید. هر بار که توضیح سوال را تغییر می‌دهید، بخشی از نمونه‌ها را برای آزمون نهایی کنار بگذارید. تنظیم مداوم سوال فقط با همان مثال‌های اولیه ممکن است نتیجه‌ای خوب روی نمونه‌های آشنا و ضعیف روی پیام‌های تازه بدهد.

در بررسی نتیجه، دقت کلی تنها معیار نیست. اگر پیام‌های صورتحساب کم‌اند، نتیجه کلی می‌تواند خوب به نظر برسد حتی وقتی همان گروه کوچک بیشتر اشتباه می‌شود. برای هر گروه ببینید چند مورد به صف درست رسید، چند مورد به صف دیگر رفت و چه تعداد به بازبین ارجاع شد. هزینه خطا نیز مهم است. اشتباه بین دو گروه عمومی شاید با جابه‌جایی تیکت رفع شود، اما تاخیر در ارجاع شکایت حساس می‌تواند پیامد مهم‌تری داشته باشد. همین تفاوت می‌تواند به انتخاب معیار پذیرش متفاوت برای گروه‌ها منجر شود.

سپس آستانه اطمینان را در داده خودتان امتحان کنید. یک حد سخت‌گیرانه ممکن است خطای انتقال خودکار را کاهش دهد و تعداد تیکت‌های بازبینی را بالا ببرد. حد آسان‌گیرانه به طور معمول به مسیر خودکار حجم بیشتری می‌دهد، اما باید خطای آن اندازه‌گیری شود. عدد آستانه را در کنار نوع سوال، نسخه مدل و تاریخ آزمون ثبت کنید. مستندات TypeSafe توضیح می‌دهند که نام مستعار مدل می‌تواند به نسخه جدیدی اشاره کند. اگر آستانه را با نسخه خاصی تنظیم کرده‌اید، پیش از تغییر نسخه آن را دوباره اعتبارسنجی کنید. 

تصویر مینیمال بررسی کارت‌های نمونه با ذره‌بین و رنگ‌های سبز نعنایی و مرجانی

محدودیت زمینه، هزینه و دسترسی هم به مسیر ارائه مدل بستگی دارند. مستندات مستقیم TypeSafe برای درخواست‌ها و برای هر سوال حد جداگانه‌ای تعریف می‌کند. حالت زمینه طولانی به صورت آزمایشی فعال می‌شود و مستندات درباره افت سرعت و دقت آن هشدار می‌دهند. به همین دلیل، برای دسته‌بندی تیکت‌های کوتاه، افزودن کل تاریخچه حساب از ابتدا انتخاب مناسبی نیست. بخش مرتبط پیام و حداقل داده لازم را جدا کنید. همچنین شرایط مصرف، قیمت جاری و مدیریت داده را در ارائه‌دهنده‌ای بررسی کنید که درخواست را از آن می‌فرستید.

  1. از سوال کوچکی شروع کنید که پاسخ آن قابل بررسی باشد.
  2. چند نمونه روشن و چند مورد مرزی آماده کنید.
  3. نسخه مدل و تعریف گزینه‌ها را ثابت نگه دارید.
  4. نتیجه را در کنار قضاوت کارشناس بخوانید.

وقتی خروجی هوش مصنوعی Jev در آن محدوده به معیار تیم رسید، می‌توانید کاربرد آن را گسترش دهید. معیار تصمیم برای گسترش، کیفیت و هزینه فرایند واقعی است. در نمونه این مقاله، مسیر مناسب از ارزیابی متن تیکت آغاز می‌شود و به قاعده‌ای قابل پیگیری برای ارجاع می‌رسد.

مطالب مجله فرادرس را در جستجوی گوگل سریع‌تر ببینید

بر اساس رای ۰ نفر
آیا این مطلب برای شما مفید بود؟
اگر پرسشی درباره این مطلب دارید، آن را با ما مطرح کنید.
منابع:
VercelTypeSafe AICLOUDFLARE
PDF
مطالب مرتبط
نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *