سازمان‌ها روزانه با حجم زیادی از نامه، درخواست، گزارش، صورت‌جلسه، ایمیل، پیوست و پیام داخلی سروکار دارند.

بخشی از زمان کارکنان صرف فعالیت‌هایی می‌شود که اگرچه ضروری‌اند، اما معمولاً تکراری و زمان‌بر هستند:

• خواندن نامه‌های ورودی
• تشخیص موضوع مکاتبه
• ثبت اطلاعات نامه
• تعیین واحد دریافت‌کننده
• استخراج اقدام مورد انتظار
• خلاصه‌سازی متن‌های طولانی
• تهیه پیش‌نویس پاسخ
• پیگیری مهلت‌ها
• تبدیل صورت‌جلسه به وظایف
• جست‌وجو در مکاتبات قبلی
• مقایسه نامه جدید با پرونده‌های مرتبط

اتوماسیون اداری سنتی، ثبت، گردش، شماره‌گذاری و بایگانی این اطلاعات را ساده‌تر می‌کند؛ اما معمولاً معنای متن را درک نمی‌کند.

هوش مصنوعی می‌تواند یک لایه تحلیلی به اتوماسیون اداری اضافه کند. این لایه قادر است متن نامه را بخواند، خلاصه کند، موضوع و فوریت آن را تشخیص دهد، اطلاعات موردنیاز را استخراج کند و پیشنهاد دهد مکاتبه برای بررسی به کدام واحد ارجاع شود.

در این معماری، مدل هوش مصنوعی جایگزین دبیرخانه، مدیر یا کارشناس سازمان نمی‌شود. مدل پیشنهاد تولید می‌کند و تصمیم نهایی مطابق قوانین و گردش کار رسمی سازمان انجام می‌شود.

در این مقاله بررسی می‌کنیم هوش مصنوعی در اتوماسیون اداری چیست، چه کاربردهایی دارد و چگونه می‌توان یک سامانه مکاتبات موجود را با API درواره به مدل‌های هوش مصنوعی متصل کرد.

اتوماسیون اداری چیست؟

اتوماسیون اداری به استفاده از نرم‌افزار برای مدیریت مکاتبات، اسناد، درخواست‌ها و گردش‌های کاری داخلی سازمان گفته می‌شود.

قابلیت‌های رایج سامانه‌های اتوماسیون اداری عبارت‌اند از:

• ثبت نامه ورودی
• ثبت نامه خروجی
• شماره‌گذاری مکاتبات
• ارجاع به افراد و واحدها
• تعیین مهلت پاسخ
• ثبت پیوست
• بایگانی اسناد
• جست‌وجوی نامه‌ها
• ثبت یادداشت
• پیگیری گردش نامه
• مدیریت کارتابل
• تعریف فرایند تأیید
• ثبت صورت‌جلسه
• مدیریت وظایف
• گزارش‌گیری

اتوماسیون اداری کمک می‌کند مکاتبات از حالت کاغذی یا پراکنده خارج شوند و در یک فرایند مشخص قرار گیرند.

بااین‌حال، سامانه سنتی معمولاً به فیلدهای دستی و قواعد از پیش تعریف‌شده متکی است. برای مثال، کاربر باید موضوع نامه، نوع سند، واحد مقصد و درجه اهمیت را انتخاب کند.

هوش مصنوعی در اتوماسیون اداری چیست؟

هوش مصنوعی در اتوماسیون اداری به استفاده از مدل‌های زبانی، پردازش زبان طبیعی، بینایی ماشین و پردازش هوشمند اسناد برای تحلیل و مدیریت مکاتبات سازمانی گفته می‌شود.

قابلیت‌های قابل‌پیاده‌سازی عبارت‌اند از:

• خواندن نامه اسکن‌شده
• تشخیص نوع سند
• استخراج فرستنده و گیرنده
• استخراج شماره و تاریخ نامه
• تشخیص موضوع
• تولید خلاصه
• تشخیص اقدام مورد انتظار
• پیشنهاد واحد مسئول
• پیشنهاد درجه اهمیت
• استخراج مهلت پاسخ
• تولید پیش‌نویس پاسخ
• یافتن نامه‌های مرتبط
• تبدیل صورت‌جلسه به وظایف
• پاسخ‌گویی درباره سابقه مکاتبات

هوش مصنوعی نباید اطلاعاتی مانند شماره نامه، تاریخ، مهلت یا نام مخاطب را حدس بزند. اگر اطلاعات در متن یا داده‌های سامانه وجود ندارد، باید آن را به‌عنوان اطلاعات ناقص اعلام کند.

تفاوت اتوماسیون اداری سنتی و هوشمند

هوشمندشدن اتوماسیون اداری به معنای حذف گردش کار فعلی نیست. مدل باید داخل همان فرایند قرار گیرد و خروجی آن پیش از استفاده اعتبارسنجی شود.

کاربردهای هوش مصنوعی در دبیرخانه

ثبت اولیه نامه ورودی

هنگام ورود یک نامه، کارشناس معمولاً باید اطلاعاتی مانند فرستنده، تاریخ، موضوع و شماره نامه را ثبت کند.

مدل می‌تواند این اطلاعات را از متن استخراج کند:

• نام سازمان فرستنده
• نام امضاکننده
• سمت امضاکننده
• شماره نامه
• تاریخ
• موضوع
• نوع نامه
• شماره پیوست
• شماره پرونده
• مهلت اعلام‌شده
• اطلاعات تماس

خروجی استخراج‌شده باید قبل از ثبت نهایی نمایش داده شود تا کارشناس آن را بررسی کند.

تشخیص نوع سند

سامانه می‌تواند اسناد را در دسته‌هایی مانند موارد زیر قرار دهد:

• نامه ورودی
• نامه خروجی
• درخواست
• شکایت
• دعوت‌نامه
• قرارداد
• صورت‌جلسه
• گزارش
• بخشنامه
• فاکتور
• استعلام
• پاسخ استعلام
• معرفی‌نامه
• رسید
• فرم

طبقه‌بندی خودکار زمانی مفید است که سازمان روزانه تعداد زیادی سند با ساختارهای متفاوت دریافت کند.

پیشنهاد ارجاع

مدل می‌تواند براساس موضوع نامه پیشنهاد دهد سند به کدام واحد ارسال شود.

برای مثال:

این نتیجه فقط یک پیشنهاد است. ارجاع نهایی باید با ساختار سازمانی، سطح دسترسی و قواعد دبیرخانه تطبیق داده شود.

تشخیص فوریت

مدل می‌تواند نشانه‌هایی مانند مهلت پاسخ، توقف خدمت، جلسه نزدیک یا درخواست فوری را تشخیص دهد.

بااین‌حال، کلمات «فوری» یا «آنی» به‌تنهایی برای تعیین اولویت کافی نیستند. سیاست سازمان باید مشخص کند چه شرایطی واقعاً یک مکاتبه را فوری می‌کند.

خلاصه‌سازی نامه

برای نامه‌های طولانی می‌توان خلاصه‌ای شامل موارد زیر تولید کرد:

• موضوع اصلی
• درخواست فرستنده
• اطلاعات مهم
• مهلت
• اقدام مورد انتظار
• پیوست‌های اشاره‌شده
• موارد نیازمند بررسی

خلاصه باید در کنار متن کامل نمایش داده شود و جایگزین سند اصلی نباشد.

هوش مصنوعی در نامه‌های خروجی

تولید پیش‌نویس پاسخ

کارشناس می‌تواند اطلاعات اصلی را وارد کند و از مدل بخواهد پیش‌نویس نامه را آماده کند.

ورودی:

• مخاطب
• موضوع
• هدف نامه
• اطلاعات قطعی
• نتیجه بررسی
• اقدام مورد انتظار
• لحن
• محدودیت طول

خروجی باید پیش‌نویس باشد و پیش از ثبت و ارسال بررسی شود.

مدل نباید موارد زیر را بسازد:

• شماره نامه
• شماره قرارداد
• تاریخ غیرواقعی
• تعهد سازمانی
• مبلغ تأییدنشده
• نام و سمت افراد
• مهلت غیرمصوب
• وعده انجام خدمت

برای آموزش جزئی‌تر می‌توانید مقاله نوشتن نامه اداری با هوش مصنوعی را مطالعه کنید.

بازنویسی لحن

مدل می‌تواند یک متن را با لحن‌های متفاوت بازنویسی کند:

• رسمی
• محترمانه
• مستقیم
• قاطع
• کوتاه
• توضیحی
• مناسب مکاتبه داخلی
• مناسب مخاطب بیرونی

تغییر لحن نباید باعث تغییر واقعیت‌ها، تعهدات یا نتیجه رسمی نامه شود.

کنترل کامل‌بودن پیش‌نویس

پیش از ارسال، مدل می‌تواند بررسی کند آیا پیش‌نویس شامل این موارد است:

• مخاطب مشخص
• موضوع روشن
• اشاره به سابقه
• درخواست یا پاسخ واضح
• پیوست‌های صحیح
• اقدام مورد انتظار
• مهلت
• نام و سمت امضاکننده

این کنترل جایگزین بررسی دبیرخانه یا مسئول نامه نیست.

خلاصه‌سازی مکاتبات و پرونده‌ها

ممکن است یک پرونده شامل ده‌ها نامه، یادداشت و ارجاع باشد. خواندن تمام تاریخچه برای کارشناس جدید زمان‌بر است.

هوش مصنوعی می‌تواند خلاصه‌ای از پرونده تهیه کند:

• موضوع پرونده
• طرف‌های مکاتبه
• ترتیب رویدادها
• آخرین وضعیت
• تصمیم‌های ثبت‌شده
• درخواست‌های بدون پاسخ
• مهلت‌های باقی‌مانده
• اقدام بعدی
• اسناد کلیدی

برای تولید این خلاصه، Backend باید مکاتبات مرتبط و مجاز را از سامانه دریافت و به ترتیب زمانی آماده کند.

مدل نباید خودش درباره نامه‌های خارج از Context ادعایی داشته باشد.

تبدیل صورت‌جلسه به اقدام

صورت‌جلسه‌ها اغلب ثبت می‌شوند، اما تصمیم‌ها و اقدامات آن‌ها به‌درستی پیگیری نمی‌شوند.

مدل هوش مصنوعی می‌تواند موارد زیر را استخراج کند:

• موضوع جلسه
• تصمیم‌ها
• اقدام‌ها
• مسئول هر اقدام
• مهلت انجام
• موارد باز
• جلسه بعدی
• اطلاعات ناقص

نمونه خروجی:

{
  "decisions": [
    "نسخه آزمایشی سامانه برای واحد فروش فعال شود."
  ],
  "action_items": [
    {
      "task": "آماده‌سازی حساب کاربران واحد فروش",
      "owner": "واحد فناوری اطلاعات",
      "deadline": null
    }
  ],
  "missing_information": [
    "مهلت آماده‌سازی حساب‌ها مشخص نشده است."
  ]
}

اگر مسئول یا مهلت در صورت‌جلسه وجود ندارد، مدل باید مقدار خالی برگرداند و آن را حدس نزند.

ابزارهای سازمانی جدید نیز از هوش مصنوعی برای تهیه خلاصه جلسه و استخراج اقدامات استفاده می‌کنند. برای نمونه، Google Meet می‌تواند یادداشت، خلاصه و مراحل بعدی جلسه را تولید کند و Microsoft نیز قابلیت خلاصه‌سازی جلسه و استخراج اقدامات را در ابزارهای همکاری خود ارائه می‌دهد.

پردازش اسناد اسکن‌شده

بخشی از مکاتبات ممکن است به‌صورت تصویر یا PDF اسکن‌شده وارد سامانه شوند.

فرایند مناسب:

دریافت فایل
    ↓
تشخیص نوع فایل
    ↓
استخراج متن
    ↓
تشخیص ساختار سند
    ↓
استخراج فیلدها
    ↓
تحلیل محتوای نامه
    ↓
نمایش نتیجه برای بررسی
    ↓
ثبت در اتوماسیون اداری

پردازش هوشمند اسناد یا IDP برای دسته‌بندی سند، استخراج اطلاعات و تبدیل داده بدون ساختار به خروجی قابل‌استفاده در نرم‌افزار به کار می‌رود. IBM نیز دسته‌بندی، استخراج و اعتبارسنجی داده را از اجزای اصلی IDP معرفی می‌کند.

برای مطالعه بیشتر به مقاله پردازش هوشمند اسناد چیست؟ مراجعه کنید.

جست‌وجوی معنایی در مکاتبات

در جست‌وجوی سنتی، کاربر باید کلمه‌ای را وارد کند که در متن نامه وجود داشته باشد.

اما در جست‌وجوی معنایی می‌توان پرسید:

نامه‌های مربوط به تمدید خدمات پشتیبانی را پیدا کن.

سیستم می‌تواند اسنادی با عبارت‌های زیر را نیز پیدا کند:

• ادامه قرارداد پشتیبانی
• تمدید دوره خدمات
• تجدید سرویس نگه‌داری
• قرارداد سال آینده
• ادامه همکاری فنی

برای ساخت این قابلیت می‌توان از مدل Embedding و پایگاه داده برداری استفاده کرد.

نتایج باید براساس دسترسی کاربر فیلتر شوند. وجود یک نامه در پایگاه جست‌وجو نباید باعث نمایش آن به تمام کارکنان شود.

دستیار هوشمند داخل کارتابل

یک AI Copilot می‌تواند داخل صفحه نامه یا کارتابل قرار گیرد.

قابلیت‌های مناسب:

• خلاصه این نامه
• اقدام مورد انتظار چیست؟
• آیا مهلتی در متن وجود دارد؟
• مکاتبات مرتبط را پیدا کن.
• پیش‌نویس پاسخ بساز.
• این نامه را با پاسخ قبلی مقایسه کن.
• اطلاعات ناقص را مشخص کن.
• این مکاتبه باید به کدام واحد ارجاع شود؟
• تاریخچه پرونده را خلاصه کن.
• وظایف این صورت‌جلسه را استخراج کن.

مزیت دستیار داخل نرم‌افزار این است که Context صفحه، نقش کاربر و اطلاعات پرونده توسط Backend کنترل می‌شود.

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

تفاوت هوش مصنوعی با گردش کار و قوانین سازمان

مدل هوش مصنوعی برای تحلیل متن و پیشنهاد مناسب است. گردش کار برای اجرای مراحل قطعی استفاده می‌شود.

مثال:

هوش مصنوعی:
موضوع نامه را «درخواست خرید» تشخیص می‌دهد.

قانون نرم‌افزار:
تمام درخواست‌های خرید ابتدا به مدیر واحد ارجاع شوند.

گردش کار:
پس از تأیید مدیر، درخواست به تدارکات ارسال شود.

کاربر مجاز:
درخواست را تأیید یا رد می‌کند.

مدل نباید ترتیب رسمی تأییدها را تغییر دهد. این مراحل باید در BPMS یا موتور گردش کار تعریف شوند.

معماری اتوماسیون اداری هوشمند

معماری پیشنهادی:

کاربر یا دبیرخانه
    ↓
سامانه اتوماسیون اداری
    ↓
Backend و کنترل دسترسی
    ↓
استخراج متن و داده پرونده
    ↓
ساخت درخواست محدود
    ↓
API درواره
    ↓
مدل انتخاب‌شده
    ↓
پاسخ ساختاریافته
    ↓
اعتبارسنجی در Backend
    ↓
نمایش پیشنهاد به کاربر
    ↓
تأیید و ثبت در گردش کار

کلید API باید در Backend نگه‌داری شود و درخواست مستقیم از مرورگر به مدل ارسال نشود.

معماری نامه ورودی

فایل یا متن نامه
    ↓
استخراج متن
    ↓
استخراج شماره، تاریخ و فرستنده
    ↓
تشخیص موضوع و نوع سند
    ↓
تولید خلاصه
    ↓
پیشنهاد واحد مسئول
    ↓
بررسی دبیرخانه
    ↓
ثبت و ارجاع رسمی

در این معماری، نتیجه مدل پیش از ثبت در سامانه به کارشناس نمایش داده می‌شود.

استفاده از RAG در اتوماسیون اداری

گاهی پاسخ به یک نامه به اطلاعات خارج از همان سند نیاز دارد:

• آیین‌نامه
• نامه قبلی
• قرارداد
• بخشنامه
• دستورالعمل
• سابقه پرونده
• پاسخ استاندارد
• تصمیم جلسه

RAG می‌تواند منابع مرتبط را بازیابی و در اختیار مدل قرار دهد.

مثال:

نامه درخواست فسخ
    +
قرارداد مرتبط
    +
آیین‌نامه فسخ
    +
آخرین مکاتبه پرونده
    ↓
مدل هوش مصنوعی
    ↓
خلاصه وضعیت و پیش‌نویس پاسخ

نتیجه مدل نباید جایگزین بررسی حقوقی یا تصمیم مسئول سازمان شود.

اتصال اتوماسیون اداری به ERP و CRM

یک مکاتبه ممکن است به اطلاعات سایر سامانه‌ها نیاز داشته باشد.

اتصال به ERP

کاربردها:

• مشاهده وضعیت فاکتور
• بررسی درخواست خرید
• دریافت وضعیت سفارش
• مشاهده اطلاعات تأمین‌کننده
• پیگیری پرداخت
• دریافت اطلاعات قرارداد

اتصال به CRM

کاربردها:

• شناسایی مشتری
• مشاهده تعاملات قبلی
• خلاصه پرونده مشتری
• ثبت موضوع مکاتبه
• تهیه پیش‌نویس پاسخ
• ارجاع درخواست به کارشناس فروش

Backend باید ابتدا داده واقعی را از ERP یا CRM دریافت کند و سپس Context کنترل‌شده‌ای برای مدل بسازد.

برای مطالعه بیشتر می‌توانید مقاله هوش مصنوعی در ERP را بخوانید.

نمونه عملی: تحلیل و ارجاع نامه ورودی با API درواره

در این مثال، متن نامه دریافت و به اطلاعات ساختاریافته تبدیل می‌شود.

مدل فقط پیشنهاد تولید می‌کند. شماره‌گذاری، ثبت و ارجاع نهایی توسط سامانه اتوماسیون انجام می‌شود.

ابتدا کتابخانه‌های لازم 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 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 ActionItem(BaseModel):
    description: str = Field(min_length=1, max_length=300)
    deadline: str | None = None


class IncomingLetterAnalysis(BaseModel):
    document_type: Literal[
        "request",
        "complaint",
        "invitation",
        "inquiry",
        "inquiry_response",
        "report",
        "contract",
        "directive",
        "other",
    ]
    subject: str = Field(min_length=1, max_length=300)
    summary: str = Field(min_length=1, max_length=700)
    sender: str | None = None
    letter_number: str | None = None
    letter_date: str | None = None
    priority: Literal["low", "normal", "high", "urgent"]
    suggested_department: Literal[
        "management",
        "finance",
        "sales",
        "support",
        "human_resources",
        "information_technology",
        "legal",
        "procurement",
        "other",
    ]
    action_items: list[ActionItem]
    missing_information: list[str]
    requires_human_review: bool


def analyze_incoming_letter(
    letter_text: str,
) -> IncomingLetterAnalysis:
    prompt = f"""
نامه ورودی زیر را برای ثبت اولیه در اتوماسیون اداری تحلیل کن.

قواعد:
- فقط از متن نامه استفاده کن.
- هیچ نام، شماره، تاریخ یا مهلتی را حدس نزن.
- اگر اطلاعاتی وجود ندارد مقدار null قرار بده.
- suggested_department فقط یک پیشنهاد اولیه است.
- urgent را فقط زمانی انتخاب کن که مهلت یا وضعیت فوری
  به‌طور روشن در متن وجود داشته باشد.
- هیچ عملیات یا ارجاع واقعی انجام نده.
- پاسخ را فقط به‌صورت JSON معتبر برگردان.
- هیچ متن یا Markdown خارج از JSON ننویس.

ساختار خروجی:
{{
  "document_type": "request | complaint | invitation | inquiry | inquiry_response | report | contract | directive | other",
  "subject": "موضوع پیشنهادی",
  "summary": "خلاصه نامه",
  "sender": "نام فرستنده یا null",
  "letter_number": "شماره نامه یا null",
  "letter_date": "تاریخ نامه یا null",
  "priority": "low | normal | high | urgent",
  "suggested_department": "management | finance | sales | support | human_resources | information_technology | legal | procurement | other",
  "action_items": [
    {{
      "description": "اقدام مورد انتظار",
      "deadline": "مهلت یا null"
    }}
  ],
  "missing_information": ["اطلاعات ناقص"],
  "requires_human_review": true
}}

متن نامه:
{letter_text}
"""

    completion = client.chat.completions.create(
        model=MODEL_ID,
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": (
                    "شما دستیار ثبت اولیه مکاتبات اداری هستید. "
                    "خروجی شما پیشنهادی است و باید توسط دبیرخانه بررسی شود."
                ),
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
    )

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

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

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


letter = """
شماره: ۸۴۲/ف
تاریخ: ۱۴۰۵/۰۶/۰۸

مدیریت محترم شرکت

با سلام
با توجه به پایان مدت خدمات پشتیبانی سامانه در تاریخ
۱۴۰۵/۰۶/۲۰، خواهشمند است شرایط و هزینه تمدید خدمات
برای یک دوره یک‌ساله حداکثر تا تاریخ ۱۴۰۵/۰۶/۱۵
اعلام شود.

با احترام
شرکت نمونه پرداز
"""

result = analyze_incoming_letter(letter)

print(result.model_dump_json(indent=2))

نمونه خروجی:

{
  "document_type": "inquiry",
  "subject": "درخواست اعلام شرایط و هزینه تمدید خدمات پشتیبانی",
  "summary": "شرکت نمونه پرداز درخواست کرده است شرایط و هزینه تمدید یک‌ساله خدمات پشتیبانی سامانه حداکثر تا تاریخ ۱۴۰۵/۰۶/۱۵ اعلام شود.",
  "sender": "شرکت نمونه پرداز",
  "letter_number": "۸۴۲/ف",
  "letter_date": "۱۴۰۵/۰۶/۰۸",
  "priority": "high",
  "suggested_department": "sales",
  "action_items": [
    {
      "description": "بررسی شرایط و هزینه تمدید یک‌ساله خدمات پشتیبانی",
      "deadline": "۱۴۰۵/۰۶/۱۵"
    }
  ],
  "missing_information": [],
  "requires_human_review": true
}

کارشناس دبیرخانه باید اطلاعات استخراج‌شده را با اصل نامه تطبیق دهد و سپس ثبت نهایی را انجام دهد.

چرا خروجی ساختاریافته ضروری است؟

متن آزاد برای نمایش به کاربر مناسب است، اما برای ثبت در نرم‌افزار قابل‌اعتماد نیست.

سامانه برای ادامه فرایند به فیلدهای مشخص نیاز دارد:

• نوع سند
• موضوع
• واحد پیشنهادی
• اولویت
• اقدام
• مهلت
• فرستنده
• شماره نامه

خروجی JSON با Pydantic اعتبارسنجی می‌شود تا فیلد ناقص یا مقدار خارج از فهرست مجاز شناسایی شود.

بااین‌حال، معتبر بودن ساختار به معنای صحیح بودن محتوای آن نیست. مقادیر باید با متن اصلی تطبیق داده شوند.

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

انتخاب مدل مناسب

یک مدل واحد الزاماً برای تمام قابلیت‌ها بهترین انتخاب نیست.

مدل‌ها باید با نامه‌ها و قالب‌های واقعی سازمان ارزیابی شوند.

ارزیابی اتوماسیون اداری هوشمند

مجموعه آزمون باید شامل انواع مختلف مکاتبه باشد:

• نامه کوتاه
• نامه چندصفحه‌ای
• نامه اسکن‌شده
• متن دارای اشتباه تایپی
• نامه بدون شماره
• نامه بدون تاریخ
• نامه دارای چند درخواست
• نامه دارای مهلت
• نامه با موضوع مبهم
• نامه دارای پیوست
• نامه فوری
• مکاتبه داخلی
• صورت‌جلسه
• نامه دارای سابقه
• متن خارج از محدوده

معیارهای ارزیابی:

• صحت تشخیص نوع سند
• دقت استخراج شماره و تاریخ
• کیفیت موضوع پیشنهادی
• صحت واحد پیشنهادی
• تشخیص درست مهلت
• کیفیت خلاصه
• عدم تولید اطلاعات تخیلی
• رعایت JSON
• کیفیت زبان فارسی
• زمان پاسخ
• هزینه
• میزان اصلاح کارشناس

دقت هر فیلد باید جداگانه بررسی شود. ممکن است خلاصه مناسب باشد اما واحد پیشنهادی اشتباه انتخاب شود.

مدیریت هزینه

ابتدا متن را پاک‌سازی کنید

سربرگ، فوتر و بخش‌های تکراری نباید چند بار برای مدل ارسال شوند.

مدل متناسب با وظیفه انتخاب کنید

برای دسته‌بندی نامه معمولاً به قوی‌ترین مدل نیاز نیست. تحلیل پرونده طولانی ممکن است به مدل قدرتمندتری نیاز داشته باشد.

خروجی را محدود کنید

خلاصه‌های اداری باید کوتاه و ساختاریافته باشند.

پردازش را فقط در زمان لازم انجام دهید

یک نامه نباید با هر بار بازشدن مجدداً تحلیل شود. نتیجه همراه نسخه مدل و زمان پردازش ذخیره می‌شود.

مصرف واحدها را جداگانه ثبت کنید

مصرف دبیرخانه، مدیریت، حقوقی و سایر واحدها بهتر است جداگانه قابل‌بررسی باشد.

نتیجه‌های ثابت را کش کنید

تا زمانی که متن یا پرونده تغییر نکرده، می‌توان از نتیجه ذخیره‌شده استفاده کرد.

مسیر پیاده‌سازی

مرحله اول: یک قابلیت محدود انتخاب کنید

پیشنهاد مناسب برای شروع:

• خلاصه‌سازی نامه ورودی
• استخراج شماره و تاریخ
• پیشنهاد موضوع
• استخراج مهلت
• دسته‌بندی سند

مرحله دوم: قالب‌های واقعی را جمع‌آوری کنید

نمونه‌های مختلف نامه‌های سازمان را بدون اطلاعات غیرضروری برای ارزیابی آماده کنید.

مرحله سوم: خروجی مطلوب را تعریف کنید

مشخص کنید سامانه چه فیلدهایی نیاز دارد و برای هر فیلد چه مقادیری مجاز است.

مرحله چهارم: نمونه اولیه بسازید

Backend متن نامه را به API ارسال و پاسخ ساختاریافته را دریافت می‌کند.

مرحله پنجم: مقایسه مدل‌ها

چند مدل را روی نمونه‌های یکسان از نظر کیفیت، سرعت و هزینه بررسی کنید.

مرحله ششم: نمایش پیشنهاد به دبیرخانه

در نسخه اولیه هیچ فیلدی بدون تأیید کارشناس ثبت نشود.

مرحله هفتم: ثبت اصلاحات

مشخص کنید کارشناس کدام فیلدها را تغییر داده است. این اطلاعات مشکلات پرتکرار را نشان می‌دهد.

مرحله هشتم: افزودن قابلیت‌های مکمل

پس از اثبات کیفیت می‌توان امکاناتی مانند جست‌وجوی معنایی، پیش‌نویس پاسخ و خلاصه پرونده را اضافه کرد.

اشتباهات رایج

ارجاع خودکار از روز اول

پیشنهاد ارجاع باید ابتدا توسط دبیرخانه بررسی شود. ارجاع اشتباه می‌تواند باعث تأخیر یا افشای نامه برای واحد نامرتبط شود.

اعتماد به اطلاعات استخراج‌شده

شماره، تاریخ، نام و مهلت باید با سند اصلی تطبیق داده شوند.

تولید شماره نامه با مدل

شماره‌گذاری باید توسط سامانه رسمی دبیرخانه انجام شود.

قراردادن گردش کار در پرامپت

مراحل قطعی تأیید و ارجاع باید در موتور Workflow تعریف شوند، نه فقط در دستور مدل.

استفاده از متن آزاد

خروجی موردنیاز نرم‌افزار باید ساختار مشخص و قابل‌اعتبارسنجی داشته باشد.

ارسال کل بایگانی برای هر سؤال

فقط مکاتبات مرتبط و مجاز باید بازیابی و وارد Context شوند.

نداشتن رفتار «اطلاعات کافی نیست»

مدل باید بتواند اطلاعات ناقص یا نبود پاسخ را اعلام کند.

استفاده از یک مدل برای همه وظایف

مدل مناسب OCR، خلاصه‌سازی و دسته‌بندی ممکن است یکسان نباشد.

اتصال اتوماسیون اداری به API درواره

API درواره با ساختار OpenAI سازگار است و امکان دسترسی به مدل‌های مختلف را از طریق یک اتصال یکپارچه فراهم می‌کند.

آدرس پایه:

https://api.darvareh.ir/v1

معماری اتصال:

اتوماسیون اداری
    ↓
Backend
    ↓
API درواره
    ↓
مدل انتخاب‌شده
    ↓
پاسخ ساختاریافته
    ↓
اعتبارسنجی
    ↓
نمایش در کارتابل

مزایا:

• اتصال واحد به مدل‌های مختلف
• امکان انتخاب مدل متناسب با وظیفه
• سازگاری با SDKهای OpenAI
• تغییر مدل از طریق تنظیمات
• دسترسی به مدل‌های متنی، تصویری و Embedding
• پرداخت ریالی
• گزارش مصرف

درواره جایگزین سامانه دبیرخانه، موتور گردش کار یا بایگانی اسناد نیست. وظیفه آن فراهم‌کردن دسترسی API به مدل‌های هوش مصنوعی است.

پرسش‌های متداول

هوش مصنوعی در اتوماسیون اداری چیست؟

به استفاده از مدل‌های هوش مصنوعی برای تحلیل، دسته‌بندی، خلاصه‌سازی و استخراج اطلاعات از نامه‌ها و اسناد اداری گفته می‌شود.

دبیرخانه هوشمند چیست؟

دبیرخانه هوشمند سامانه‌ای است که بخشی از ثبت و تحلیل اولیه مکاتبات را با کمک پردازش سند و مدل‌های هوش مصنوعی انجام می‌دهد.

آیا هوش مصنوعی می‌تواند نامه را خودکار ارجاع دهد؟

از نظر فنی امکان‌پذیر است، اما بهتر است ابتدا واحد مقصد را پیشنهاد دهد و ارجاع نهایی توسط قوانین نرم‌افزار یا دبیرخانه انجام شود.

آیا می‌توان نامه‌های اسکن‌شده را پردازش کرد؟

بله. ابتدا متن و ساختار نامه با OCR یا مدل بینایی استخراج و سپس محتوا تحلیل می‌شود.

آیا مدل می‌تواند شماره نامه تولید کند؟

خیر. شماره رسمی باید توسط سامانه دبیرخانه ایجاد شود. مدل فقط می‌تواند شماره موجود در متن را استخراج کند.

آیا می‌توان از هوش مصنوعی برای نوشتن پاسخ استفاده کرد؟

بله. مدل می‌تواند پیش‌نویس پاسخ تولید کند، اما اطلاعات، تعهدات، نام‌ها و مهلت‌ها باید توسط کارشناس کنترل شوند.

تفاوت اتوماسیون اداری هوشمند با AI Automation چیست؟

AI Automation مفهوم گسترده‌ای برای استفاده از هوش مصنوعی در گردش‌های کاری مختلف است. اتوماسیون اداری هوشمند مشخصاً بر مکاتبات، دبیرخانه، کارتابل، اسناد و صورت‌جلسه تمرکز دارد.

آیا برای این کار به آموزش مدل اختصاصی نیاز داریم؟

در بسیاری از پروژه‌ها خیر. می‌توان با مدل آماده، پرامپت مناسب، خروجی ساختاریافته و مجموعه ارزیابی واقعی شروع کرد.

چگونه مدل مناسب را انتخاب کنیم؟

مدل‌ها را با نامه‌های واقعی فارسی از نظر استخراج اطلاعات، دسته‌بندی، خلاصه‌سازی، رعایت ساختار، سرعت و هزینه مقایسه کنید.

API درواره چگونه متصل می‌شود؟

Backend سامانه اتوماسیون با API Key به آدرس پایه درواره متصل می‌شود و نتیجه مدل را پس از اعتبارسنجی در کارتابل نمایش می‌دهد.

جمع‌بندی

هوش مصنوعی می‌تواند اتوماسیون اداری را از یک سامانه ثبت و گردش نامه به یک دستیار هوشمند برای درک و مدیریت مکاتبات تبدیل کند.

کاربردهای اصلی عبارت‌اند از:

• استخراج اطلاعات نامه
• تشخیص نوع سند
• تولید موضوع پیشنهادی
• خلاصه‌سازی
• استخراج اقدام و مهلت
• پیشنهاد ارجاع
• تولید پیش‌نویس پاسخ
• تحلیل صورت‌جلسه
• جست‌وجوی معنایی
• خلاصه‌سازی پرونده

برای پیاده‌سازی موفق:

1. با یک قابلیت محدود شروع کنید.
2. از نمونه‌های واقعی فارسی برای ارزیابی استفاده کنید.
3. خروجی را به‌صورت ساختاریافته دریافت کنید.
4. اطلاعات استخراج‌شده را با اصل سند تطبیق دهید.
5. شماره‌گذاری و گردش رسمی را در سامانه نگه دارید.
6. مدل را ابتدا در نقش پیشنهاددهنده قرار دهید.
7. سطح دسترسی را پیش از بازیابی اسناد اعمال کنید.
8. نتیجه را در Backend اعتبارسنجی کنید.
9. اصلاحات کارشناسان را ثبت کنید.
10. مدل را براساس کیفیت، سرعت و هزینه انتخاب کنید.

اگر قصد دارید قابلیت‌هایی مانند تحلیل نامه، دبیرخانه هوشمند، خلاصه پرونده یا دستیار داخل کارتابل را به نرم‌افزار خود اضافه کنید، می‌توانید از مستندات API درواره شروع کنید.

API سازگار با OpenAI درواره امکان اتصال نرم‌افزارهای سازمانی به مدل‌های متنی، تصویری و Embedding را از طریق یک رابط یکپارچه فراهم می‌کند.

مقالات مرتبط

• هوش مصنوعی سازمانی چیست؟
• هوش مصنوعی در ERP چیست؟
• مدیریت دانش با هوش مصنوعی
• AI Copilot چیست؟
• اتوماسیون هوش مصنوعی چیست؟
• پردازش هوشمند اسناد چیست؟
• نوشتن نامه اداری با هوش مصنوعی
• Structured Outputs چیست؟
• RAG چیست؟
• API سازگار با OpenAI چیست؟

منابع

• IBM: Intelligent Document Processing
• IBM: Intelligent Automation
• IBM: Business Process Automation
• Microsoft: Manage Meetings and Collaboration Using Copilot
• Microsoft: Intelligent Meeting Recap
• Google Workspace with Gemini
• Google Meet: Take Notes for Me
• Oracle: Process Unstructured Documents Intelligently
• مستندات API درواره
• OpenAI Python Library
• Pydantic Documentation

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