هوش مصنوعی در ERP چیست؟ راهنمای ساخت ERP هوشمند با API

نرم‌افزار ERP معمولاً اطلاعات اصلی یک سازمان را در اختیار دارد: فروش، خرید، موجودی، حسابداری، دریافت و پرداخت، تولید، پروژه‌ها، منابع انسانی و اطلاعات تأمین‌کنندگان.

این داده‌ها برای اجرای عملیات روزانه ضروری‌اند، اما استفاده مؤثر از آن‌ها همیشه ساده نیست.

برای مثال، مدیر ممکن است بخواهد بداند:

• چرا موجودی یک گروه از کالاها افزایش یافته است؟
• کدام سفارش‌های خرید نیازمند پیگیری‌اند؟
• مهم‌ترین تغییرات فروش این هفته چه بوده‌اند؟
• کدام فاکتورها اطلاعات ناقص دارند؟
• چه مواردی در گزارش مالی نیازمند بررسی است؟
• درخواست ثبت‌شده باید به کدام فرایند ارجاع داده شود؟
• خلاصه وضعیت یک مشتری یا تأمین‌کننده چیست؟

ERP سنتی می‌تواند گزارش، جدول و گردش کار ارائه کند؛ اما معمولاً برای تفسیر متن، استخراج اطلاعات از سند، پاسخ‌گویی با زبان طبیعی یا تهیه توضیح مدیریتی طراحی نشده است.

هوش مصنوعی می‌تواند این فاصله را کاهش دهد.

در ERP هوشمند، مدل هوش مصنوعی جایگزین هسته مالی یا عملیاتی نرم‌افزار نمی‌شود. مدل در کنار ERP قرار می‌گیرد و به تحلیل، استخراج، خلاصه‌سازی، جست‌وجو و پیشنهاد اقدام کمک می‌کند.

در این مقاله بررسی می‌کنیم هوش مصنوعی در ERP چیست، در کدام ماژول‌ها کاربرد دارد و چگونه می‌توان یک ERP موجود را از طریق API درواره به مدل‌های مختلف هوش مصنوعی متصل کرد.

ERP چیست؟

ERP مخفف Enterprise Resource Planning و به معنای برنامه‌ریزی منابع سازمانی است.

ERP نرم‌افزاری یکپارچه برای مدیریت فرایندها و اطلاعات اصلی سازمان است. براساس تعریف IBM از ERP، این سامانه برای مدیریت و هماهنگ‌کردن وظایف، فرایندها و گردش‌های کاری سازمان استفاده می‌شود.

ماژول‌های رایج ERP عبارت‌اند از:

• حسابداری و مالی
• خزانه‌داری
• خرید و تدارکات
• فروش
• انبار
• زنجیره تأمین
• تولید
• مدیریت پروژه
• دارایی‌های ثابت
• منابع انسانی
• حقوق و دستمزد
• مدیریت قرارداد
• ارتباط با تأمین‌کنندگان

مزیت اصلی ERP این است که اطلاعات واحدهای مختلف را در یک ساختار هماهنگ نگه‌داری می‌کند.

برای مثال، ثبت فروش می‌تواند هم‌زمان بر موجودی کالا، حساب مشتری، درآمد و گزارش مالی اثر بگذارد.

هوش مصنوعی در ERP چیست؟

هوش مصنوعی در ERP به استفاده از مدل‌های زبانی، یادگیری ماشین، بینایی ماشین، پردازش زبان طبیعی و سایر فناوری‌های هوش مصنوعی در کنار نرم‌افزار برنامه‌ریزی منابع سازمانی گفته می‌شود.

براساس تعریف IBM از هوش مصنوعی در ERP، این ترکیب می‌تواند برای خودکارسازی وظایف تکراری، تحلیل داده‌ها، پیش‌بینی و پشتیبانی از تصمیم‌گیری استفاده شود.

در یک ERP هوشمند، هوش مصنوعی می‌تواند:

• متن درخواست‌ها را تحلیل کند.
• اطلاعات فاکتور و قرارداد را استخراج کند.
• گزارش‌های طولانی را خلاصه کند.
• تغییرات مهم داده را توضیح دهد.
• به پرسش کاربران با زبان طبیعی پاسخ دهد.
• اسناد مرتبط را پیدا کند.
• موارد غیرعادی را برای بررسی علامت‌گذاری کند.
• پیش‌نویس گزارش مدیریتی تولید کند.
• اقدام بعدی را پیشنهاد دهد.
• کاربران را به فرم یا فرایند مناسب هدایت کند.

شرکت‌هایی مانند SAP، Oracle و Microsoft نیز قابلیت‌های هوش مصنوعی را به بخش‌های مالی، عملیات، زنجیره تأمین و سایر ماژول‌های سازمانی اضافه کرده‌اند. برای نمونه، Microsoft قابلیت‌های Copilot را در برنامه‌های مالی و عملیاتی Dynamics 365 ارائه می‌کند و SAP نیز دستیارها و Agentهای سازمانی را در محصولات خود توسعه داده است.

تفاوت ERP سنتی و ERP هوشمند

هوشمندشدن ERP به معنای کنارگذاشتن قوانین و فرایندهای قطعی نیست. هوش مصنوعی باید در بخش‌هایی استفاده شود که با متن، سند، ابهام، توضیح یا پیشنهاد سروکار دارند.

انواع هوش مصنوعی در ERP

هوش مصنوعی پیش‌بینی‌کننده

این دسته از مدل‌ها از داده‌های تاریخی برای تخمین روند یا احتمال یک رویداد استفاده می‌کنند.

کاربردهای احتمالی:

• پیش‌بینی تقاضا
• تخمین فروش
• برآورد جریان نقدی
• احتمال تأخیر تأمین‌کننده
• پیش‌بینی نیاز موجودی
• پیش‌بینی خرابی تجهیزات
• تخمین زمان انجام سفارش

مدل پیش‌بینی‌کننده معمولاً روی داده‌های عددی و تاریخی آموزش یا تنظیم می‌شود.

هوش مصنوعی مولد

هوش مصنوعی مولد می‌تواند متن، تصویر، کد یا محتوای دیگری تولید کند.

کاربردهای آن در ERP:

• تولید توضیح مدیریتی
• خلاصه‌سازی گزارش
• آماده‌کردن پیش‌نویس ایمیل
• توضیح تغییرات مالی
• تولید شرح درخواست
• پاسخ به پرسش کارکنان
• خلاصه‌سازی قرارداد
• تهیه گزارش جلسه

پردازش زبان طبیعی

پردازش زبان طبیعی به سیستم کمک می‌کند متن انسان را درک و دسته‌بندی کند.

برای مثال:

• تشخیص موضوع درخواست
• استخراج نام کالا
• تشخیص واحد مسئول
• تحلیل توضیحات سفارش
• دسته‌بندی بازخورد تأمین‌کنندگان
• جست‌وجوی اطلاعات با زبان طبیعی

بینایی ماشین

مدل‌های بینایی می‌توانند تصویر یا سند اسکن‌شده را پردازش کنند.

کاربردها:

• خواندن فاکتور
• استخراج اطلاعات رسید
• بررسی فرم
• تشخیص جدول
• خواندن برچسب محصول
• تحلیل تصویر کالا
• کنترل اولیه مدارک

عامل هوش مصنوعی

AI Agent می‌تواند برای انجام یک هدف از ابزارهای تعریف‌شده استفاده کند.

برای مثال، یک عامل خرید ممکن است:

1. درخواست کاربر را تحلیل کند.
2. موجودی فعلی را از ERP بخواند.
3. سفارش‌های باز را بررسی کند.
4. فهرست تأمین‌کنندگان مجاز را دریافت کند.
5. نتیجه را خلاصه کند.
6. پیش‌نویس درخواست خرید بسازد.
7. آن را برای تأیید کاربر نمایش دهد.

عامل نباید بدون کنترل نرم‌افزار به تمام عملیات ERP دسترسی داشته باشد. ابزارهای مجاز، آرگومان‌ها و سطح اختیار باید در Backend تعریف شوند.

نقش هوش مصنوعی در ماژول‌های مختلف ERP

هوش مصنوعی در حسابداری و مالی

ماژول مالی یکی از مهم‌ترین بخش‌های ERP است و داده‌های آن معمولاً ساختاریافته و حساس‌اند.

کاربردهای مناسب هوش مصنوعی عبارت‌اند از:

• استخراج اطلاعات فاکتور
• پیشنهاد دسته‌بندی سند
• خلاصه‌سازی گزارش مالی
• توضیح تغییرات هزینه و درآمد
• شناسایی اطلاعات ناقص
• تطبیق توضیحات تراکنش‌ها
• آماده‌کردن پیش‌نویس پیگیری مطالبات
• پاسخ به پرسش‌های مربوط به رویه‌های مالی
• استخراج نکات کلیدی قرارداد
• تولید توضیح برای گزارش مدیریتی

Microsoft در Business Central از هوش مصنوعی برای پیشنهاد تطبیق تراکنش‌های صورت‌حساب بانکی با اطلاعات دفتر استفاده می‌کند. Oracle نیز قابلیت‌هایی برای استخراج اطلاعات کلیدی قراردادها و پردازش اسناد در راهکارهای سازمانی خود ارائه کرده است.

بااین‌حال، محاسبه مبلغ، مانده حساب، مالیات و ثبت قطعی سند باید توسط منطق ERP انجام شود. مدل زبانی مرجع قابل‌اعتماد برای محاسبات مالی نیست.

هوش مصنوعی در خرید و تدارکات

یک سازمان ممکن است روزانه تعداد زیادی درخواست خرید با توضیحات متفاوت دریافت کند.

هوش مصنوعی می‌تواند:

• موضوع درخواست را تشخیص دهد.
• کالا یا خدمت موردنیاز را استخراج کند.
• اطلاعات ناقص را مشخص کند.
• فوریت درخواست را پیشنهاد دهد.
• واحد مسئول را تعیین کند.
• درخواست‌های مشابه را پیدا کند.
• سوابق خرید مرتبط را خلاصه کند.
• پیش‌نویس استعلام تهیه کند.
• قرارداد تأمین‌کننده را خلاصه کند.
• تأخیرهای پرتکرار را گزارش دهد.

مدل باید نقش پیشنهاددهنده داشته باشد. تأیید خرید، انتخاب تأمین‌کننده و ایجاد تعهد مالی باید مطابق فرایند رسمی ERP انجام شود.

هوش مصنوعی در انبار

کاربردهای مناسب در انبار عبارت‌اند از:

• توضیح تغییرات موجودی
• خلاصه‌سازی کسری‌ها
• دسته‌بندی توضیحات کالا
• استانداردسازی نام کالا
• تشخیص اقلام مشابه
• استخراج مشخصات از کاتالوگ
• پیشنهاد برچسب و گروه کالا
• تحلیل گزارش گردش موجودی
• پاسخ به پرسش‌های کاربران درباره وضعیت کالا

برای مثال، کاربر می‌تواند بپرسد:

کدام کالاهای گروه تجهیزات اداری موجودی پایینی دارند و سفارش باز هم ندارند؟

مدل نباید این اطلاعات را از حافظه خود تولید کند. Backend باید داده واقعی را از ERP دریافت و فقط برای توضیح در اختیار مدل قرار دهد.

هوش مصنوعی در فروش

هوش مصنوعی می‌تواند در ماژول فروش برای موارد زیر استفاده شود:

• خلاصه‌سازی وضعیت مشتری
• تحلیل توضیحات سفارش
• تولید پیش‌نویس پیشنهاد فروش
• تهیه پیش‌نویس پیام پیگیری
• دسته‌بندی دلایل لغو سفارش
• استخراج نیاز مشتری
• توضیح تغییرات فروش
• تحلیل بازخوردها
• تولید خلاصه مدیریتی فروش
• پیشنهاد اقدام بعدی به کارشناس

اگر ERP به CRM متصل باشد، اطلاعات عملیاتی و ارتباطات مشتری را می‌توان در یک جریان هماهنگ استفاده کرد.

برای مطالعه بیشتر به مقاله اتصال CRM به مدل‌های هوش مصنوعی مراجعه کنید.

هوش مصنوعی در زنجیره تأمین

در زنجیره تأمین، داده‌های موجودی، سفارش، تولید، حمل‌ونقل و تأمین‌کننده با یکدیگر ارتباط دارند.

هوش مصنوعی می‌تواند:

• وضعیت سفارش‌های باز را خلاصه کند.
• تأخیرهای پرتکرار را شناسایی کند.
• ریسک احتمالی را برای بررسی علامت بزند.
• گزارش تأمین‌کننده را توضیح دهد.
• مکاتبات را دسته‌بندی کند.
• اطلاعات اسناد حمل را استخراج کند.
• خلاصه‌ای از وضعیت زنجیره تأمین تولید کند.
• علت‌های ثبت‌شده برای تأخیر را گروه‌بندی کند.

Dynamics 365 Supply Chain Management از خلاصه‌های هوش مصنوعی برای نمایش اطلاعات مهم صفحات عملیاتی مانند سفارش خرید، موجودی و فاکتورهای سررسیدگذشته استفاده می‌کند.

هوش مصنوعی در تولید

در شرکت‌های تولیدی، ERP ممکن است با سیستم برنامه‌ریزی تولید، کنترل کیفیت، نگه‌داری تجهیزات یا انبار مواد اولیه ارتباط داشته باشد.

کاربردهای مناسب:

• خلاصه‌سازی گزارش تولید
• استخراج علت توقف خط
• دسته‌بندی خرابی‌ها
• تحلیل یادداشت اپراتورها
• تولید گزارش شیفت
• جست‌وجو در دستورالعمل‌ها
• خلاصه‌سازی گزارش کنترل کیفیت
• پیشنهاد مراحل بررسی خطا
• تبدیل توضیحات آزاد به کدهای استاندارد

تصمیم‌های کنترلی تجهیزات یا تغییر تنظیمات تولید نباید مستقیماً براساس متن آزاد مدل اجرا شوند.

هوش مصنوعی در منابع انسانی

کاربردهای هوش مصنوعی در ماژول منابع انسانی می‌تواند شامل موارد زیر باشد:

• پاسخ به پرسش‌های کارکنان
• جست‌وجو در آیین‌نامه‌ها
• خلاصه‌سازی رزومه
• استخراج مهارت‌ها
• تهیه پیش‌نویس شرح شغل
• دسته‌بندی درخواست‌ها
• خلاصه‌سازی بازخورد کارکنان
• تولید محتوای آموزشی
• توضیح مراحل فرایندهای منابع انسانی

تصمیم‌های استخدام، ارزیابی عملکرد یا خاتمه همکاری نباید به‌صورت کامل به مدل واگذار شوند.

هوش مصنوعی در مدیریت پروژه

ERPهای پروژه‌محور می‌توانند اطلاعاتی مانند هزینه، زمان، قرارداد، منابع و پیشرفت را نگه‌داری کنند.

مدل هوش مصنوعی می‌تواند:

• گزارش وضعیت را خلاصه کند.
• اقدامات باز را استخراج کند.
• تغییرات بودجه را توضیح دهد.
• مکاتبات پروژه را دسته‌بندی کند.
• صورت‌جلسه را به وظایف تبدیل کند.
• گزارش‌های واحدهای مختلف را ترکیب کند.
• موارد نیازمند بررسی مدیر را مشخص کند.

برای کاربردهای گسترده‌تر می‌توانید مقاله هوش مصنوعی در مدیریت پروژه را مطالعه کنید.

مدل زبانی چه کاری نباید در ERP انجام دهد؟

مدل زبانی برای تولید و تحلیل زبان مناسب است، اما نباید مرجع نهایی داده یا محاسبات ERP باشد.

وظایفی که بهتر است در هسته ERP باقی بمانند:

• محاسبه مانده حساب
• محاسبه مالیات
• محاسبه حقوق
• کنترل موجودی قطعی
• ثبت سند حسابداری
• تأیید پرداخت
• انتقال وجه
• تغییر قیمت رسمی
• تأیید نهایی سفارش
• ایجاد تعهد مالی
• اعمال سطح دسترسی
• کنترل سقف اعتبار
• شماره‌گذاری اسناد
• اجرای قوانین حسابداری

نقش مناسب مدل:

• توضیح
• خلاصه‌سازی
• استخراج
• دسته‌بندی
• پیشنهاد
• جست‌وجو
• آماده‌سازی پیش‌نویس
• تشخیص اطلاعات ناقص
• ارجاع مورد به فرایند مناسب

معماری پیشنهادی اتصال ERP به هوش مصنوعی

معماری پایه:

کاربر ERP
    ↓
رابط کاربری یا AI Copilot
    ↓
Backend نرم‌افزار
    ↓
احراز هویت و بررسی سطح دسترسی
    ↓
دریافت داده مجاز از ERP
    ↓
آماده‌سازی Context
    ↓
API درواره
    ↓
مدل انتخاب‌شده
    ↓
اعتبارسنجی پاسخ
    ↓
نمایش پیشنهاد به کاربر
    ↓
تأیید و اجرای عملیات توسط ERP

در این معماری، مدل به‌صورت مستقیم به پایگاه داده ERP متصل نیست. Backend اطلاعات موردنیاز را انتخاب می‌کند و نتیجه مدل نیز پیش از استفاده بررسی می‌شود.

معماری خواندن و نوشتن داده

عملیات فقط خواندنی

در مرحله اول بهتر است قابلیت هوش مصنوعی فقط اجازه خواندن اطلاعات محدود و تولید پاسخ داشته باشد.

مثال:

• دریافت وضعیت سفارش
• مشاهده موجودی
• دریافت خلاصه مشتری
• خواندن گزارش
• جست‌وجو در آیین‌نامه
• نمایش سفارش‌های معوق

عملیات پیشنهادی

در مرحله بعد مدل می‌تواند پیش‌نویس عملیات تولید کند:

• پیش‌نویس درخواست خرید
• پیشنهاد دسته‌بندی
• پیش‌نویس ایمیل
• پیشنهاد شرح سند
• پیشنهاد گروه کالا
• پیشنهاد اقدام بعدی

کاربر باید نتیجه را ببیند و تأیید کند.

عملیات اجرایی

اگر قرار است مدل یک عملیات واقعی را آغاز کند، Backend باید موارد زیر را کنترل کند:

• کاربر مجاز است؟
• عملیات در وضعیت فعلی مجاز است؟
• آرگومان‌ها معتبرند؟
• مبلغ در محدوده مجاز است؟
• رکورد هنوز وجود دارد؟
• درخواست تکراری نیست؟
• تأیید لازم دریافت شده است؟
• نتیجه عملیات ثبت شده است؟

مدل فقط می‌تواند پیشنهاد فراخوانی ابزار را تولید کند. اجرای واقعی بر عهده Backend است.

AI Copilot در ERP

AI Copilot دستیار هوشمندی است که داخل محیط ERP قرار می‌گیرد و Context همان صفحه یا فرایند را درک می‌کند.

برای مثال، در صفحه یک سفارش خرید می‌تواند:

• سفارش را خلاصه کند.
• اقلام مهم را توضیح دهد.
• اطلاعات ناقص را مشخص کند.
• تأخیرها را نمایش دهد.
• پیش‌نویس پیام پیگیری بسازد.
• اسناد مرتبط را پیدا کند.

مزیت Copilot داخل ERP این است که کاربر مجبور نیست اطلاعات را به ابزار دیگری منتقل کند.

برای توضیحات بیشتر به مقاله AI Copilot چیست؟ مراجعه کنید.

RAG در ERP چه کاربردی دارد؟

داده‌های تراکنشی ERP معمولاً از طریق API یا Query دریافت می‌شوند، اما بخش دیگری از دانش سازمان در اسناد قرار دارد:

• آیین‌نامه مالی
• دستورالعمل خرید
• راهنمای کدینگ حساب
• قرارداد تأمین‌کننده
• راهنمای فرایند انبار
• مستندات محصول
• رویه کنترل کیفیت
• دستورالعمل منابع انسانی

RAG به سیستم اجازه می‌دهد اسناد مرتبط را پیدا و همراه داده‌های ERP در اختیار مدل قرار دهد.

برای مثال:

درخواست خرید
    +
اطلاعات بودجه از ERP
    +
آیین‌نامه خرید از پایگاه دانش
    ↓
مدل هوش مصنوعی
    ↓
خلاصه درخواست و مراحل لازم

RAG نباید برای دریافت مانده یا موجودی لحظه‌ای جایگزین Query مستقیم ERP شود. اطلاعات تراکنشی باید از منبع اصلی خوانده شوند.

پردازش فاکتور و ورود اطلاعات به ERP

یکی از کاربردهای عملی، پردازش فاکتورهای خرید است.

فرایند پیشنهادی:

دریافت تصویر یا PDF فاکتور
    ↓
استخراج متن و جدول
    ↓
استخراج فیلدهای موردنیاز
    ↓
اعتبارسنجی ساختار
    ↓
تطبیق تأمین‌کننده و سفارش خرید
    ↓
نمایش نتیجه به کارشناس
    ↓
تأیید انسانی
    ↓
ثبت در ERP

فیلدهای قابل‌استخراج:

• شماره فاکتور
• تاریخ
• نام فروشنده
• شناسه فروشنده
• مبلغ کل
• مالیات
• اقلام
• تعداد
• قیمت واحد
• شماره سفارش خرید
• شرایط پرداخت

در پروژه واقعی، مقادیر استخراج‌شده باید با اطلاعات ERP تطبیق داده شوند. مدل نباید رکورد فروشنده یا سفارش خرید را حدس بزند.

راهنمای Oracle برای اتصال ERP به هوش مصنوعی مولد نیز نمونه‌ای از معماری پردازش اسناد مالی و انتقال نتیجه به ERP ارائه می‌کند.

نمونه عملی: ساخت تحلیل‌گر گزارش ERP با API درواره

در این مثال، Backend ابتدا داده‌های واقعی را از ERP دریافت می‌کند. سپس فقط خلاصه‌ای کنترل‌شده از داده‌ها برای مدل ارسال می‌شود.

مدل اجازه تغییر اطلاعات، ثبت سند یا تأیید عملیات را ندارد. وظیفه آن تولید خلاصه مدیریتی و مشخص‌کردن موارد نیازمند بررسی است.

ابتدا کتابخانه‌ها را نصب کنید:

pip install openai pydantic

متغیرهای محیطی:

export DARVAREH_API_KEY="YOUR_API_KEY"
export DARVAREH_MODEL="YOUR_MODEL_ID"

کد پایتون:

import json
import os
from typing import Literal

from openai import OpenAI
from pydantic import BaseModel, Field, ValidationError


client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
)

MODEL_ID = os.environ["DARVAREH_MODEL"]


class ReviewItem(BaseModel):
    area: Literal[
        "sales",
        "inventory",
        "purchasing",
        "receivables",
        "other",
    ]
    priority: Literal["low", "normal", "high"]
    observation: str = Field(min_length=1, max_length=500)
    suggested_check: str = Field(min_length=1, max_length=300)


class ERPAnalysis(BaseModel):
    executive_summary: str = Field(
        min_length=1,
        max_length=1000,
    )
    review_items: list[ReviewItem]
    missing_information: list[str]
    requires_human_review: bool


def analyze_erp_snapshot(
    snapshot: dict,
) -> ERPAnalysis:
    snapshot_json = json.dumps(
        snapshot,
        ensure_ascii=False,
        indent=2,
    )

    prompt = f"""
داده زیر یک نمای خلاصه از ERP است.

وظایف:
- یک خلاصه مدیریتی کوتاه تولید کن.
- مواردی را که نیازمند بررسی‌اند مشخص کن.
- فقط از داده موجود استفاده کن.
- هیچ مبلغ، علت یا رویدادی را حدس نزن.
- محاسبه جدید انجام نده.
- عملیات مالی یا اجرایی پیشنهاد نکن.
- suggested_check فقط یک بررسی پیشنهادی باشد.
- پاسخ را فقط به‌صورت JSON معتبر برگردان.
- هیچ متن یا Markdown خارج از JSON ننویس.

ساختار خروجی:
{{
  "executive_summary": "خلاصه مدیریتی",
  "review_items": [
    {{
      "area": "sales | inventory | purchasing | receivables | other",
      "priority": "low | normal | high",
      "observation": "مشاهده مبتنی بر داده",
      "suggested_check": "بررسی پیشنهادی"
    }}
  ],
  "missing_information": ["اطلاعات موردنیاز"],
  "requires_human_review": true
}}

داده ERP:
{snapshot_json}
"""

    completion = client.chat.completions.create(
        model=MODEL_ID,
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": (
                    "شما دستیار تحلیل گزارش ERP هستید. "
                    "فقط داده ارائه‌شده را توضیح می‌دهید و "
                    "اجازه ثبت یا تأیید عملیات ندارید."
                ),
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
    )

    content = completion.choices[0].message.content

    if not content:
        raise ValueError("پاسخی از مدل دریافت نشد.")

    try:
        return ERPAnalysis.model_validate_json(content)
    except ValidationError as error:
        raise ValueError(
            f"ساختار پاسخ مدل معتبر نیست: {error}"
        ) from error


erp_snapshot = {
    "period": "هفته منتهی به ۱۴۰۵/۰۶/۰۵",
    "sales": {
        "completed_orders": 184,
        "cancelled_orders": 17,
        "previous_period_cancelled_orders": 8,
    },
    "inventory": {
        "low_stock_items": 23,
        "items_without_open_purchase_order": 9,
    },
    "purchasing": {
        "open_purchase_orders": 31,
        "delayed_purchase_orders": 6,
    },
    "receivables": {
        "overdue_invoices": 14,
        "invoices_without_assigned_follow_up": 5,
    },
}

result = analyze_erp_snapshot(erp_snapshot)

print(result.model_dump_json(indent=2))

نمونه خروجی:

{
  "executive_summary": "در این دوره ۱۸۴ سفارش تکمیل و ۱۷ سفارش لغو شده است. تعداد سفارش‌های لغوشده نسبت به دوره قبل افزایش یافته است. همچنین ۹ قلم با موجودی پایین فاقد سفارش خرید باز و ۶ سفارش خرید دارای تأخیر هستند. در بخش مطالبات نیز ۵ فاکتور سررسیدگذشته مسئول پیگیری مشخصی ندارند.",
  "review_items": [
    {
      "area": "sales",
      "priority": "high",
      "observation": "تعداد سفارش‌های لغوشده از ۸ مورد در دوره قبل به ۱۷ مورد در دوره فعلی رسیده است.",
      "suggested_check": "دلایل ثبت‌شده برای لغو سفارش‌ها بررسی و دسته‌بندی شوند."
    },
    {
      "area": "inventory",
      "priority": "high",
      "observation": "۹ قلم دارای موجودی پایین، سفارش خرید باز ندارند.",
      "suggested_check": "نیاز واقعی و وضعیت تأمین این اقلام بررسی شود."
    },
    {
      "area": "purchasing",
      "priority": "normal",
      "observation": "۶ سفارش خرید در وضعیت تأخیر قرار دارند.",
      "suggested_check": "تاریخ تحویل و آخرین پیگیری تأمین‌کنندگان کنترل شود."
    },
    {
      "area": "receivables",
      "priority": "high",
      "observation": "۵ فاکتور سررسیدگذشته مسئول پیگیری مشخصی ندارند.",
      "suggested_check": "مسئول پیگیری و وضعیت آخرین اقدام برای این فاکتورها مشخص شود."
    }
  ],
  "missing_information": [
    "دلایل لغو سفارش‌ها",
    "مدت تأخیر سفارش‌های خرید",
    "مبلغ فاکتورهای سررسیدگذشته"
  ],
  "requires_human_review": true
}

در این نمونه، همه اعداد توسط ERP تولید شده‌اند. مدل فقط آن‌ها را توضیح و به ساختاری قابل‌خواندن تبدیل می‌کند.

چرا داده خام کامل ERP را نباید ارسال کنیم؟

برای بسیاری از کاربردها، مدل به تمام داده‌های پایگاه ERP نیاز ندارد.

Backend باید فقط اطلاعات مرتبط با همان وظیفه را انتخاب کند.

برای مثال، برای توضیح سفارش خرید ممکن است این اطلاعات کافی باشند:

• شماره سفارش
• وضعیت
• تاریخ
• اقلام
• تأمین‌کننده
• تاریخ تحویل
• وضعیت تأیید
• توضیحات ثبت‌شده

ارسال جدول‌های کامل، تاریخچه نامرتبط یا داده تمام واحدها باعث افزایش هزینه و پیچیدگی Context می‌شود.

استفاده از خروجی ساختاریافته

در نرم‌افزار سازمانی بهتر است پاسخ مدل در قالب مشخصی مانند JSON دریافت شود.

مزایا:

• اعتبارسنجی ساده‌تر
• نمایش کنترل‌شده در رابط کاربری
• جلوگیری از تغییر نام فیلدها
• امکان ثبت نتیجه
• امکان اجرای آزمون خودکار
• امکان ارجاع خروجی به گردش کار
• تشخیص پاسخ ناقص

بااین‌حال، JSON معتبر به معنای اطلاعات صحیح نیست. مقادیر باید با داده و قواعد ERP تطبیق داده شوند.

برای مطالعه بیشتر به مقاله Structured Outputs چیست؟ مراجعه کنید.

انتخاب مدل مناسب برای ERP

یک مدل واحد الزاماً برای تمام قابلیت‌ها مناسب نیست.

مدل‌ها باید روی داده‌های واقعی ERP و سناریوهای فارسی مقایسه شوند.

ارزیابی هوش مصنوعی در ERP

پیش از فعال‌کردن قابلیت برای کاربران، مجموعه‌ای از نمونه‌های واقعی تهیه کنید.

موارد آزمون:

• درخواست کامل
• درخواست ناقص
• توضیح فارسی محاوره‌ای
• سند دارای جدول
• سند کم‌کیفیت
• اطلاعات متناقض
• شناسه نامعتبر
• رکورد پیدانشده
• درخواست خارج از دسترسی
• عملیات نیازمند تأیید
• داده خالی
• درخواست تکراری

معیارهای ارزیابی:

• دقت استخراج اطلاعات
• صحت دسته‌بندی
• رعایت ساختار خروجی
• عدم تولید اطلاعات تخیلی
• تشخیص اطلاعات ناقص
• انتخاب ابزار صحیح
• کیفیت زبان فارسی
• زمان پاسخ
• هزینه
• درصد خروجی‌های قابل‌استفاده
• میزان ویرایش کارشناس

مدیریت هزینه

مدل متناسب با وظیفه انتخاب کنید

دسته‌بندی ساده یا استخراج چند فیلد ممکن است به مدل قدرتمند و گران نیاز نداشته باشد.

گزارش را قبل از ارسال خلاصه کنید

Backend باید داده‌های موردنیاز را از ERP استخراج و به یک Snapshot محدود تبدیل کند.

خروجی را محدود کنید

اگر رابط کاربری فقط یک خلاصه و سه مورد مهم نمایش می‌دهد، تولید گزارش چندصفحه‌ای لازم نیست.

درخواست‌های پرتکرار را کش کنید

خلاصه اطلاعاتی که هنوز تغییر نکرده است می‌تواند برای مدت کوتاهی ذخیره شود.

مصرف را براساس ماژول ثبت کنید

مصرف بخش‌های مالی، خرید، انبار، فروش و منابع انسانی باید جداگانه قابل‌بررسی باشد.

مدل‌ها را مقایسه کنید

مدل ارزان‌تر زمانی اقتصادی است که کیفیت کافی داشته باشد. اگر خروجی آن دائماً به اصلاح انسانی نیاز داشته باشد، هزینه واقعی پروژه کاهش پیدا نمی‌کند.

مراحل ساخت ERP هوشمند

مرحله اول: انتخاب یک قابلیت محدود

نمونه مناسب:

• خلاصه‌سازی گزارش فروش
• استخراج اطلاعات فاکتور
• دسته‌بندی درخواست خرید
• پاسخ به پرسش‌های آیین‌نامه‌ای
• خلاصه وضعیت مشتری
• تهیه پیش‌نویس پیگیری مطالبات

مرحله دوم: تعیین منبع داده

مشخص کنید هر اطلاعات از کدام جدول، API، سند یا ماژول دریافت می‌شود.

مرحله سوم: تعیین حدود اختیار

مشخص کنید قابلیت فقط اطلاعات را می‌خواند، پیشنهاد تولید می‌کند یا اجازه آغاز عملیات محدود را دارد.

مرحله چهارم: ساخت مجموعه آزمون

نمونه‌های واقعی، خطاهای احتمالی و خروجی مطلوب را ثبت کنید.

مرحله پنجم: ایجاد لایه Backend

Backend داده‌ها را دریافت، سطح دسترسی را بررسی، Context را آماده و درخواست را برای مدل ارسال می‌کند.

مرحله ششم: اعتبارسنجی پاسخ

ساختار پاسخ، شناسه‌ها، مقادیر و اقدامات پیشنهادی بررسی می‌شوند.

مرحله هفتم: اجرای آزمایشی

قابلیت ابتدا برای گروه کوچکی از کاربران فعال می‌شود و خروجی فقط نقش پیشنهادی دارد.

مرحله هشتم: ثبت بازخورد

کاربران باید بتوانند مشخص کنند:

• پاسخ صحیح بود.
• اطلاعات ناقص بود.
• پیشنهاد نامرتبط بود.
• داده استفاده‌شده قدیمی بود.
• نتیجه نیازمند ویرایش بود.

مرحله نهم: توسعه تدریجی

پس از رسیدن به کیفیت قابل‌قبول، قابلیت‌های مکمل یا ماژول‌های دیگر اضافه می‌شوند.

اشتباهات رایج

اتصال مستقیم مدل به پایگاه داده

مدل نباید Query آزاد تولید و بدون کنترل روی پایگاه عملیاتی اجرا کند. دسترسی باید از طریق توابع محدود و از پیش تعریف‌شده انجام شود.

واگذاری محاسبات ERP به مدل

مدل زبانی جایگزین موتور حسابداری، موجودی یا حقوق و دستمزد نیست.

شروع با Agent کاملاً خودکار

ابتدا قابلیت خواندنی یا پیشنهاددهنده بسازید. افزایش اختیار باید پس از ارزیابی انجام شود.

ارسال تمام اطلاعات به مدل

فقط Context مرتبط با همان درخواست باید ارسال شود.

نداشتن تأیید انسانی

پیشنهادهای دارای اثر مالی یا عملیاتی باید توسط کاربر مجاز تأیید شوند.

اعتماد به JSON بدون بررسی محتوا

ساختار معتبر می‌تواند حاوی مقدار نادرست باشد. داده باید با ERP تطبیق داده شود.

استفاده از یک مدل برای همه وظایف

پردازش سند، دسته‌بندی، تولید گزارش و Tool Calling ممکن است به مدل‌های متفاوتی نیاز داشته باشند.

نداشتن ثبت رویداد

سازمان باید بتواند مدل، نسخه پرامپت، زمان درخواست، نتیجه اعتبارسنجی و اقدام نهایی را بررسی کند.

اتصال ERP به API درواره

درواره امکان دسترسی به مدل‌های مختلف هوش مصنوعی را از طریق API سازگار با OpenAI فراهم می‌کند.

آدرس پایه:

https://api.darvareh.ir/v1

معماری پیشنهادی:

ERP
    ↓
Backend یا لایه یکپارچه‌سازی
    ↓
API درواره
    ↓
مدل انتخاب‌شده
    ↓
پاسخ ساختاریافته
    ↓
اعتبارسنجی
    ↓
ERP

مزایای این ساختار:

• استفاده از یک API برای مدل‌های مختلف
• امکان انتخاب مدل متناسب با وظیفه
• تغییر مدل از طریق تنظیمات
• استفاده از SDKهای سازگار با OpenAI
• ثبت مصرف در یک مسیر یکپارچه
• امکان مقایسه مدل‌ها
• پرداخت ریالی

درواره جایگزین ERP، پایگاه داده یا موتور گردش کار نیست. درواره لایه دسترسی به مدل‌های هوش مصنوعی را فراهم می‌کند و منطق اصلی سازمان در نرم‌افزار باقی می‌ماند.

پرسش‌های متداول

هوش مصنوعی در ERP چیست؟

هوش مصنوعی در ERP به استفاده از مدل‌های هوش مصنوعی برای تحلیل، استخراج، خلاصه‌سازی، پیش‌بینی و پشتیبانی از کاربران نرم‌افزار برنامه‌ریزی منابع سازمانی گفته می‌شود.

ERP هوشمند چیست؟

ERP هوشمند سامانه‌ای است که در کنار فرایندها و داده‌های ساختاریافته ERP از قابلیت‌هایی مانند جست‌وجوی طبیعی، پردازش سند، پیشنهاد اقدام و خلاصه‌سازی استفاده می‌کند.

آیا هوش مصنوعی می‌تواند جایگزین ERP شود؟

خیر. ERP مسئول نگه‌داری داده، اجرای قوانین و ثبت تراکنش‌هاست. مدل هوش مصنوعی یک لایه کمکی برای تحلیل و تعامل با این اطلاعات است.

هوش مصنوعی در کدام ماژول‌های ERP کاربرد دارد؟

در مالی، خرید، فروش، انبار، زنجیره تأمین، تولید، پروژه، قرارداد و منابع انسانی می‌توان از قابلیت‌های هوش مصنوعی استفاده کرد.

آیا مدل می‌تواند اطلاعات ERP را تغییر دهد؟

تغییر داده فقط باید از طریق Backend، ابزارهای محدود، کنترل سطح دسترسی و تأییدهای لازم انجام شود. در مراحل اولیه بهتر است مدل فقط دسترسی خواندنی داشته باشد.

آیا می‌توان ERP قدیمی را به هوش مصنوعی متصل کرد؟

اگر ERP دارای API، Web Service یا امکان ساخت یک لایه Backend باشد، می‌توان قابلیت‌های هوش مصنوعی را بدون بازنویسی کامل سیستم به آن اضافه کرد.

آیا برای ERP هوشمند به Fine-tuning نیاز داریم؟

در بسیاری از کاربردها خیر. می‌توان با مدل آماده، پرامپت مناسب، خروجی ساختاریافته، RAG و داده‌های بازیابی‌شده از ERP شروع کرد.

RAG در ERP چه کاربردی دارد؟

RAG برای جست‌وجو و پاسخ‌گویی براساس آیین‌نامه‌ها، قراردادها، دستورالعمل‌ها و مستندات سازمانی مناسب است. داده‌های تراکنشی لحظه‌ای باید مستقیماً از ERP دریافت شوند.

چگونه مدل مناسب را انتخاب کنیم؟

چند مدل را روی سناریوهای واقعی ERP از نظر دقت، کیفیت فارسی، سرعت، هزینه، Tool Calling و رعایت ساختار مقایسه کنید.

API درواره چگونه به ERP متصل می‌شود؟

Backend ERP درخواست را با API Key به آدرس پایه درواره ارسال می‌کند و نتیجه را پس از اعتبارسنجی در رابط یا گردش کار نرم‌افزار نمایش می‌دهد.

جمع‌بندی

هوش مصنوعی می‌تواند ERP را از یک سامانه صرفاً تراکنشی به محیطی قابل‌فهم‌تر و تعاملی‌تر تبدیل کند.

قابلیت‌های مناسب عبارت‌اند از:

• تحلیل متن درخواست‌ها
• پردازش فاکتور و قرارداد
• خلاصه‌سازی گزارش‌ها
• جست‌وجو در مستندات
• توضیح تغییرات
• تولید پیش‌نویس
• پیشنهاد اقدام بعدی
• دستیار داخل نرم‌افزار
• دسته‌بندی و استخراج اطلاعات

برای اجرای موفق:

1. با یک قابلیت محدود شروع کنید.
2. داده را از منبع اصلی ERP دریافت کنید.
3. محاسبات و قوانین قطعی را در ERP نگه دارید.
4. مدل را ابتدا در نقش خواندنی یا پیشنهاددهنده قرار دهید.
5. فقط Context مرتبط را ارسال کنید.
6. خروجی ساختاریافته دریافت کنید.
7. نتیجه را در Backend اعتبارسنجی کنید.
8. برای عملیات مهم تأیید انسانی در نظر بگیرید.
9. مدل‌ها را روی داده‌های واقعی مقایسه کنید.
10. مصرف و کیفیت هر قابلیت را جداگانه اندازه‌گیری کنید.

اگر قصد دارید قابلیت‌هایی مانند تحلیل گزارش، پردازش سند، دستیار سازمانی یا جست‌وجوی هوشمند را به ERP خود اضافه کنید، می‌توانید از مستندات API درواره شروع کنید.

API سازگار با OpenAI درواره امکان اتصال نرم‌افزارهای سازمانی به مدل‌های مختلف هوش مصنوعی را از طریق یک رابط یکپارچه فراهم می‌کند.

مقالات مرتبط

• هوش مصنوعی سازمانی چیست؟
• مدیریت دانش با هوش مصنوعی
• AI Copilot چیست؟
• اتوماسیون هوش مصنوعی چیست؟
• هوش مصنوعی در تصمیم‌گیری چیست؟
• پردازش هوشمند اسناد چیست؟
• اتصال CRM به مدل‌های هوش مصنوعی
• Structured Outputs چیست؟
• AI Gateway چیست؟
• API سازگار با OpenAI چیست؟

منابع

• IBM: Artificial Intelligence in ERP
• IBM: What Is ERP?
• IBM: ERP Integration
• SAP: What Is ERP?
• SAP: Business AI
• Microsoft: Copilot in Finance and Operations
• Microsoft: AI in Dynamics 365
• Microsoft: Business Central AI
• Oracle: Integrate ERP with Generative AI
• مستندات API درواره
• OpenAI Python Library
• Pydantic Documentation

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، خروجی مدل‌ها، قوانین سازمان، مستندات ERP و صفحه سلب مسئولیت درواره را بررسی کنید.