آموزش و راهنما

هوش مصنوعی سازمانی چیست؟ راهنمای Enterprise AI برای کسب‌وکارها

هوش مصنوعی سازمانی فقط استفاده کارکنان از یک چت‌بات نیست. در این راهنما، معماری، کاربردها، کنترل‌ها و مسیر اجرای Enterprise AI با API را بررسی می‌کنیم.

هوش مصنوعی زمانی به یک قابلیت سازمانی تبدیل می‌شود که از مرحله آزمایش شخصی عبور کند و به بخشی قابل‌کنترل، ارزیابی‌پذیر و پایدار از فرایندهای کسب‌وکار تبدیل شود.

استفاده چند کارمند از ابزارهای هوش مصنوعی می‌تواند بهره‌وری فردی را افزایش دهد، اما برای ساخت یک سامانه سازمانی کافی نیست. یک سازمان باید بداند:

چه داده‌ای به مدل ارسال می‌شود؟
هر کاربر به چه قابلیت‌هایی دسترسی دارد؟
کدام مدل برای هر وظیفه انتخاب می‌شود؟
کیفیت پاسخ چگونه سنجیده می‌شود؟
هزینه هر واحد یا قابلیت چقدر است؟
اگر مدل اشتباه کرد، چه اتفاقی می‌افتد؟
چه کسی مسئول تأیید نتیجه نهایی است؟
درخواست‌ها و تغییرات چگونه ثبت و بررسی می‌شوند؟

Enterprise AI یا هوش مصنوعی سازمانی به معماری، فرایندها و ابزارهایی گفته می‌شود که امکان استفاده کنترل‌شده و قابل‌گسترش از هوش مصنوعی را در سطح یک سازمان فراهم می‌کنند.

در این راهنما بررسی می‌کنیم هوش مصنوعی سازمانی چیست، چه تفاوتی با استفاده معمولی از ابزارهای هوش مصنوعی دارد و چگونه می‌توان نخستین قابلیت سازمانی را با API درواره پیاده‌سازی کرد.

هوش مصنوعی سازمانی چیست؟

هوش مصنوعی سازمانی یا Enterprise AI به استفاده برنامه‌ریزی‌شده از فناوری‌های هوش مصنوعی برای حل مسائل واقعی یک سازمان گفته می‌شود.

این فناوری‌ها ممکن است شامل موارد زیر باشند:

مدل‌های زبانی بزرگ
مدل‌های پردازش تصویر
تبدیل گفتار به متن
تبدیل متن به گفتار
مدل‌های Embedding
جست‌وجوی معنایی
سیستم‌های RAG
مدل‌های پیش‌بینی‌کننده
دستیارهای هوشمند
عامل‌های هوش مصنوعی
مدل‌های تولید تصویر و ویدئو
سیستم‌های پردازش هوشمند اسناد

براساس تعریف Google Cloud از Enterprise AI، هوش مصنوعی سازمانی استفاده از فناوری‌های هوش مصنوعی برای حل مسائل کسب‌وکار، خودکارسازی فرایندها، بهبود تصمیم‌گیری و ایجاد محصولات یا خدمات جدید است.

بنابراین Enterprise AI نام یک مدل یا نرم‌افزار مشخص نیست. این اصطلاح یک رویکرد کامل برای طراحی، پیاده‌سازی، مدیریت و ارزیابی سامانه‌های هوش مصنوعی در سازمان است.

تفاوت استفاده معمولی از هوش مصنوعی با Enterprise AI

فرض کنید یکی از کارکنان یک شرکت، متن یک نامه را در یک چت‌بات وارد می‌کند و از آن می‌خواهد پاسخ مناسبی تولید کند. این نمونه‌ای از استفاده فردی از هوش مصنوعی است.

حالا فرض کنید سامانه مکاتبات سازمان:

متن نامه را دریافت می‌کند.
اطلاعات حساس یا غیرضروری را حذف می‌کند.
موضوع نامه را تشخیص می‌دهد.
اطلاعات مرتبط را از پایگاه دانش سازمان بازیابی می‌کند.
پیش‌نویس پاسخ را تولید می‌کند.
نتیجه را در قالب مشخص برمی‌گرداند.
پاسخ را برای تأیید به کارشناس مسئول نمایش می‌دهد.
مدل، زمان پاسخ و میزان مصرف را ثبت می‌کند.

این نمونه به Enterprise AI نزدیک‌تر است؛ زیرا هوش مصنوعی داخل یک فرایند مشخص، قابل‌کنترل و قابل‌اندازه‌گیری قرار گرفته است.

استفاده معمولی	هوش مصنوعی سازمانی
وابسته به اقدام شخصی کاربر	متصل به فرایند رسمی سازمان
استفاده مستقیم از ابزار	اتصال از طریق Backend و API
انتخاب مدل توسط هر کاربر	انتخاب مدل براساس سیاست سازمان
خروجی متنی آزاد	خروجی ساختاریافته و اعتبارسنجی‌شده
بدون ارزیابی ثابت	دارای مجموعه آزمون و معیار کیفیت
هزینه نامشخص	ثبت مصرف براساس واحد و قابلیت
دسترسی پراکنده	دسترسی مبتنی بر نقش
بدون مسئول مشخص	دارای مالک محصول و مسئول نتیجه

آیا Enterprise AI همان هوش مصنوعی مولد است؟

خیر. هوش مصنوعی مولد یا Generative AI دسته‌ای از فناوری‌های هوش مصنوعی است که می‌تواند محتوای جدیدی مانند متن، تصویر، صوت، ویدئو و کد تولید کند.

هوش مصنوعی سازمانی مفهوم گسترده‌تری است و می‌تواند از چند نوع فناوری استفاده کند:

مدل مولد برای تهیه پیش‌نویس
مدل Embedding برای جست‌وجوی معنایی
مدل بینایی برای خواندن فاکتور
مدل پیش‌بینی برای برآورد فروش
قوانین نرم‌افزاری برای کنترل تصمیم
پایگاه داده برای نگه‌داری اطلاعات
گردش کار برای تأیید انسانی
API برای اتصال اجزای مختلف

در یک سامانه سازمانی، مدل مولد تنها یکی از اجزای معماری است و نباید جایگزین کامل منطق کسب‌وکار، پایگاه داده یا کنترل‌های قطعی شود.

برای آشنایی بیشتر می‌توانید مقاله هوش مصنوعی مولد چیست؟ را مطالعه کنید.

تفاوت Enterprise AI با AIaaS

AIaaS یا هوش مصنوعی به‌عنوان سرویس، روشی برای دریافت قابلیت‌های هوش مصنوعی از طریق API یا سرویس ابری است.

Enterprise AI به نحوه استفاده سازمان از این قابلیت‌ها اشاره دارد.

برای مثال، یک کسب‌وکار می‌تواند مدل‌های موردنیاز خود را از طریق یک سرویس AIaaS دریافت کند، اما همچنان باید موارد زیر را در نرم‌افزار خود مدیریت کند:

داده‌های سازمانی
نقش‌ها و دسترسی‌ها
قواعد کسب‌وکار
ارزیابی خروجی
تأیید انسانی
گزارش‌گیری
گردش کار
تجربه کاربری
ثبت رویدادها
مدیریت خطا

بنابراین AIaaS می‌تواند یکی از زیرساخت‌های Enterprise AI باشد، اما به‌تنهایی تمام سامانه سازمانی را تشکیل نمی‌دهد.

راهنمای AIaaS چیست؟ این مدل ارائه خدمات را با جزئیات بیشتری توضیح می‌دهد.

اجزای اصلی معماری هوش مصنوعی سازمانی

رابط کاربری

کاربر باید از طریق محیطی متناسب با فرایند کاری خود با قابلیت هوش مصنوعی تعامل کند.

این محیط ممکن است بخشی از موارد زیر باشد:

CRM
سامانه پشتیبانی
اتوماسیون اداری
نرم‌افزار حسابداری
پنل منابع انسانی
اپلیکیشن فروش
پرتال مشتریان
ابزار داخلی سازمان

در بیشتر موارد، ساخت یک چت‌بات عمومی بهترین رابط برای همه فرایندها نیست. برای بعضی وظایف، یک دکمه «خلاصه‌سازی»، «استخراج اطلاعات» یا «پیشنهاد پاسخ» تجربه بهتری ایجاد می‌کند.

Backend سازمان

کلید API و منطق اصلی ارتباط با مدل باید در سمت سرور نگه‌داری شود.

Backend وظایفی مانند این موارد را انجام می‌دهد:

احراز هویت کاربر
بررسی سطح دسترسی
آماده‌سازی ورودی
انتخاب مدل
ارسال درخواست
اعتبارسنجی پاسخ
ثبت مصرف
مدیریت خطا
اجرای قواعد کسب‌وکار
ارسال نتیجه برای تأیید

کلید API نباید داخل کد مرورگر، اپلیکیشن عمومی یا فایل قابل‌دسترسی کاربران قرار گیرد.

لایه داده

مدل معمولاً به‌صورت پیش‌فرض به اطلاعات داخلی سازمان دسترسی ندارد. داده مرتبط باید از منابع مجاز بازیابی و در زمان مناسب در اختیار مدل قرار گیرد.

این داده ممکن است از منابع زیر دریافت شود:

پایگاه داده
سامانه CRM
فایل‌های سازمانی
مستندات محصول
تیکت‌های پشتیبانی
قراردادها
گزارش‌های مالی
فهرست محصولات
سامانه منابع انسانی
APIهای داخلی

بهتر است فقط اطلاعات موردنیاز همان درخواست انتخاب شود. ارسال حجم زیادی از داده بدون ارتباط مستقیم، هزینه و احتمال خطا را افزایش می‌دهد.

مدل هوش مصنوعی

سازمان باید مدل را متناسب با وظیفه انتخاب کند. یک مدل واحد الزاماً بهترین انتخاب برای تمام کاربردها نیست.

برای مثال:

مدل سریع برای دسته‌بندی پیام‌ها
مدل قدرتمندتر برای تحلیل قرارداد
مدل دارای Vision برای پردازش تصویر
مدل Embedding برای جست‌وجوی معنایی
مدل صوتی برای پیاده‌سازی مکالمات
مدل مناسب برنامه‌نویسی برای دستیار توسعه

انتخاب مدل باید براساس داده و ارزیابی واقعی انجام شود، نه فقط نام، اندازه یا شهرت مدل.

لایه اعتبارسنجی

پاسخ مدل نباید بدون بررسی وارد فرایندهای حساس شود.

اعتبارسنجی می‌تواند شامل موارد زیر باشد:

معتبر بودن JSON
وجود تمام فیلدهای ضروری
نوع صحیح داده‌ها
محدودبودن مقادیر به گزینه‌های مجاز
کنترل طول پاسخ
بررسی شناسه‌ها
تطبیق با قواعد کسب‌وکار
تشخیص پاسخ خالی
ارجاع موارد کم‌اطمینان به کارشناس

لایه مشاهده‌پذیری

در سامانه‌های هوش مصنوعی فقط ثبت خطای سرور کافی نیست. سازمان باید بتواند رفتار مدل را نیز بررسی کند.

اطلاعات مفید عبارت‌اند از:

قابلیت فراخوانی‌شده
مدل استفاده‌شده
زمان پاسخ
وضعیت موفق یا ناموفق
تعداد توکن
هزینه درخواست
نسخه پرامپت
نتیجه اعتبارسنجی
امتیاز ارزیابی
تعداد Retry
مدل جایگزین
تأیید یا رد کارشناس

راهنمای جدید مایکروسافت نیز بر اهمیت مشاهده‌پذیری سامانه‌های هوش مصنوعی مولد تأکید می‌کند؛ زیرا رفتار این سامانه‌ها برخلاف نرم‌افزارهای قطعی، همیشه کاملاً یکسان نیست.

معماری پیشنهادی Enterprise AI

یک معماری پایه می‌تواند به این صورت باشد:

کاربر سازمان
    ↓
نرم‌افزار یا پنل داخلی
    ↓
احراز هویت و کنترل دسترسی
    ↓
Backend سازمان
    ↓
آماده‌سازی داده و اعمال سیاست‌ها
    ↓
انتخاب مدل و ساخت درخواست
    ↓
API درواره
    ↓
مدل انتخاب‌شده
    ↓
اعتبارسنجی و ارزیابی پاسخ
    ↓
تأیید انسانی یا اجرای اقدام مجاز
    ↓
ثبت نتیجه، هزینه و بازخورد

در این معماری، مدل مستقیماً به پایگاه داده یا سیستم‌های عملیاتی دسترسی ندارد. تمام دسترسی‌ها از طریق Backend و توابع محدودشده انجام می‌شوند.

مهم‌ترین کاربردهای هوش مصنوعی سازمانی

دستیار دانش سازمانی

کارکنان می‌توانند درباره آیین‌نامه‌ها، راهنماهای داخلی، محصولات یا فرایندهای سازمان سؤال کنند.

برای کاهش پاسخ‌های حدسی، اطلاعات مرتبط ابتدا از منابع سازمان بازیابی و سپس همراه پرسش برای مدل ارسال می‌شود. این معماری معمولاً با RAG پیاده‌سازی می‌شود.

پردازش اسناد

مدل‌های متنی و تصویری می‌توانند در پردازش موارد زیر کمک کنند:

فاکتور
قرارداد
نامه
فرم
رزومه
گزارش
صورت‌جلسه
سفارش خرید
رسید
مستند فنی

خروجی بهتر است به‌صورت ساختاریافته تولید و پیش از ثبت در سیستم اعتبارسنجی شود.

پشتیبانی مشتری

کاربردهای مناسب عبارت‌اند از:

دسته‌بندی تیکت
تشخیص اولویت
خلاصه‌سازی مکالمه
پیشنهاد پاسخ
بازیابی مقاله مرتبط
تشخیص نیاز به ارجاع
استخراج اطلاعات مشتری
آماده‌سازی گزارش مشکلات پرتکرار

در مراحل اولیه بهتر است مدل پاسخ را پیشنهاد کند و ارسال نهایی با تأیید کارشناس انجام شود.

فروش و CRM

هوش مصنوعی می‌تواند به تیم فروش در این وظایف کمک کند:

خلاصه‌سازی تماس
استخراج نیاز مشتری
آماده‌سازی پیش‌نویس پیام
پیشنهاد اقدام بعدی
دسته‌بندی سرنخ
تکمیل اطلاعات CRM
تولید گزارش جلسه
تحلیل بازخورد مشتریان

امتیازدهی یا رد خودکار مشتری نباید فقط براساس پاسخ آزاد مدل انجام شود. قواعد قطعی و داده‌های معتبر باید در Backend باقی بمانند.

منابع انسانی

کاربردهای کم‌ریسک‌تر می‌توانند شامل این موارد باشند:

تهیه پیش‌نویس شرح شغل
خلاصه‌سازی رزومه
دسته‌بندی مهارت‌ها
پاسخ به پرسش‌های مربوط به آیین‌نامه
تولید محتوای آموزشی
خلاصه‌سازی بازخوردهای کارکنان

تصمیم‌های استخدام، ارتقا یا خاتمه همکاری نباید بدون نظارت انسانی به مدل واگذار شوند.

توسعه نرم‌افزار

تیم‌های فنی می‌توانند از هوش مصنوعی برای موارد زیر استفاده کنند:

توضیح کد
تولید تست
تکمیل مستندات
تحلیل خطا
بررسی Pull Request
ساخت نمونه اولیه
جست‌وجو در مستندات فنی
مهاجرت کد
تولید Query
پیشنهاد Refactor

تحلیل داده

مدل زبانی می‌تواند درخواست کاربر را به یک ساختار قابل‌استفاده تبدیل کند، توضیح متنی گزارش بسازد یا به تحلیل‌گر در بررسی نتایج کمک کند.

بااین‌حال، محاسبات اصلی باید توسط ابزار مناسب مانند پایگاه داده، موتور تحلیلی یا کتابخانه پردازش داده انجام شود. مدل می‌تواند سؤال را تفسیر یا نتیجه را توضیح دهد، اما نباید جایگزین کامل موتور محاسباتی شود.

نقش RAG در هوش مصنوعی سازمانی

مدل زبانی معمولاً اطلاعات جدید، اختصاصی یا داخلی سازمان را در داده‌های آموزشی خود ندارد.

RAG یا تولید تقویت‌شده با بازیابی، پیش از تولید پاسخ، اطلاعات مرتبط را از منابع سازمان پیدا می‌کند.

فرایند ساده RAG:

اسناد سازمان جمع‌آوری می‌شوند.
متن به بخش‌های کوچک‌تر تقسیم می‌شود.
برای هر بخش Embedding ساخته می‌شود.
بردارها در پایگاه داده برداری ذخیره می‌شوند.
پرسش کاربر به بردار تبدیل می‌شود.
بخش‌های مرتبط بازیابی می‌شوند.
متن بازیابی‌شده همراه سؤال به مدل ارسال می‌شود.
پاسخ براساس همان Context تولید می‌شود.

RAG تضمین نمی‌کند تمام پاسخ‌ها صحیح باشند، اما می‌تواند ارتباط پاسخ با منابع داخلی را افزایش دهد.

برای مطالعه بیشتر به مقاله RAG چیست؟ مراجعه کنید.

معماری تک‌مدلی یا چندمدلی؟

در معماری تک‌مدلی، تمام قابلیت‌ها از یک مدل استفاده می‌کنند. شروع کار با این روش ساده‌تر است، اما محدودیت‌هایی دارد:

هزینه یکسان برای وظایف ساده و پیچیده
وابستگی بیشتر به یک مدل
محدودیت در قابلیت‌های تخصصی
دشواری جایگزینی هنگام اختلال
نبود امکان مقایسه مستقل

در معماری چندمدلی، مدل براساس نوع وظیفه انتخاب می‌شود.

وظیفه	ویژگی مدل مناسب
دسته‌بندی پیام	سریع، اقتصادی و دارای خروجی پایدار
تحلیل سند	پنجره زمینه مناسب و درک دقیق متن
پردازش تصویر	پشتیبانی از ورودی تصویری
تولید کد	عملکرد مناسب در زبان و چارچوب پروژه
جست‌وجوی معنایی	مدل Embedding متناسب با زبان داده
پاسخ سازمانی	تبعیت مناسب از دستور و Context
Agent	عملکرد قابل‌اعتماد در Tool Calling

با API یکپارچه می‌توان مدل را از طریق تنظیمات Backend تغییر داد و چند مدل را بدون ایجاد اتصال کاملاً جداگانه ارزیابی کرد.

حاکمیت هوش مصنوعی چیست؟

حاکمیت هوش مصنوعی یا AI Governance مجموعه‌ای از نقش‌ها، سیاست‌ها و کنترل‌هاست که مشخص می‌کند هوش مصنوعی چگونه در سازمان انتخاب، توسعه، استفاده و ارزیابی شود.

چارچوب مدیریت ریسک هوش مصنوعی NIST چهار فعالیت اصلی را مطرح می‌کند:

Govern: تعیین مسئولیت‌ها و سیاست‌ها
Map: شناخت کاربرد، ذی‌نفعان و زمینه استفاده
Measure: سنجش عملکرد و ریسک
Manage: کنترل و مدیریت نتایج

این چارچوب داوطلبانه برای کمک به سازمان‌ها در مدیریت ریسک سامانه‌های هوش مصنوعی ارائه شده است. نسخه مخصوص هوش مصنوعی مولد نیز در NIST AI 600-1 منتشر شده است.

برای شروع، سازمان باید حداقل این موارد را مشخص کند:

مالک هر قابلیت هوش مصنوعی
هدف و محدوده استفاده
کاربران مجاز
داده‌های مجاز و غیرمجاز
مدل‌های تأییدشده
معیارهای ارزیابی
روش ثبت رویدادها
سطح نظارت انسانی
فرایند گزارش خطا
شرایط توقف یا بازگشت به روش قبلی

Shadow AI چیست؟

Shadow AI به استفاده کارکنان از ابزارهای هوش مصنوعی بدون تأیید یا نظارت رسمی سازمان گفته می‌شود.

برای مثال، ممکن است کارمند یک سند داخلی را در ابزاری وارد کند که واحد فناوری اطلاعات از آن اطلاعی ندارد. در این شرایط سازمان نمی‌داند:

چه اطلاعاتی ارسال شده است؟
سرویس چه سیاستی برای داده دارد؟
خروجی در کجا استفاده شده است؟
چه کسی مسئول نتیجه است؟
هزینه‌ها چگونه مدیریت می‌شوند؟

تعریف کامل‌تر این مفهوم در راهنمای Shadow AI شرکت IBM ارائه شده است.

ایجاد یک مسیر رسمی، ساده و قابل‌استفاده برای دسترسی به مدل‌های تأییدشده می‌تواند نیاز کارکنان به استفاده پراکنده از ابزارهای ناشناخته را کاهش دهد.

چرا تأیید انسانی اهمیت دارد؟

Human-in-the-loop یعنی انسان در نقطه مناسب فرایند، نتیجه مدل یا اقدام پیشنهادی را بررسی کند.

میزان نظارت باید با حساسیت کاربرد متناسب باشد.

کاربرد	سطح پیشنهادی نظارت
تولید ایده اولیه	بررسی سبک
خلاصه‌سازی سند	بازبینی نمونه‌ای
پیش‌نویس پاسخ مشتری	تأیید کارشناس
استخراج مبلغ فاکتور	اعتبارسنجی سیستمی و انسانی
پیشنهاد تصمیم مالی	بررسی متخصص
اجرای پرداخت یا تغییر قرارداد	تأیید صریح مسئول مجاز

تأیید انسانی زمانی مؤثر است که کارشناس اطلاعات کافی برای بررسی نتیجه داشته باشد. نمایش یک دکمه «تأیید» بدون نمایش منبع، دلیل یا داده اصلی کنترل واقعی ایجاد نمی‌کند.

ارزیابی مدل‌های هوش مصنوعی در سازمان

Benchmarkهای عمومی برای شناخت اولیه مدل مفیدند، اما تصمیم نهایی باید براساس داده‌های واقعی سازمان گرفته شود.

یک مجموعه ارزیابی مناسب می‌تواند شامل موارد زیر باشد:

درخواست‌های رایج
ورودی‌های ناقص
متن‌های فارسی رسمی و محاوره‌ای
نمونه‌های طولانی
موارد دارای ابهام
درخواست‌های خارج از محدوده
داده‌های دارای قالب متفاوت
مواردی که باید به کارشناس ارجاع شوند
نمونه‌هایی که مدل نباید برای آن‌ها اقدام کند

برای هر نمونه، خروجی مطلوب یا معیار موفقیت تعریف می‌شود.

معیارهای کاربردی عبارت‌اند از:

صحت پاسخ
ارتباط با سؤال
رعایت ساختار
کیفیت زبان فارسی
نرخ ارجاع صحیح
زمان پاسخ
هزینه
ثبات پاسخ
نرخ خطا
رضایت کارشناس
درصد خروجی‌های قابل‌استفاده بدون ویرایش

پس از تغییر مدل، پرامپت، منابع RAG یا منطق Backend باید همان مجموعه دوباره اجرا شود.

مدیریت هزینه Enterprise AI

مصرف را براساس قابلیت ثبت کنید

ثبت هزینه فقط براساس کل سازمان کافی نیست. بهتر است مصرف هر قابلیت جداگانه مشخص شود:

خلاصه‌سازی تیکت
پاسخ پیشنهادی
تحلیل قرارداد
پردازش فاکتور
دستیار منابع انسانی
دستیار برنامه‌نویسی

این تفکیک نشان می‌دهد کدام قابلیت واقعاً ارزش ایجاد می‌کند.

برای همه وظایف از قوی‌ترین مدل استفاده نکنید

کارهای ساده مانند دسته‌بندی یا استخراج چند فیلد ممکن است با مدل اقتصادی‌تر نیز به نتیجه مطلوب برسند.

مدل قوی‌تر را می‌توان برای موارد پیچیده یا زمانی استفاده کرد که مدل اولیه اطمینان کافی ندارد.

طول Context را محدود کنید

ارسال تمام تاریخچه مشتری یا تمام اسناد سازمان برای هر درخواست معمولاً لازم نیست. فقط داده مرتبط باید انتخاب شود.

خروجی را متناسب با نیاز محدود کنید

اگر نرم‌افزار فقط به نام واحد، اولویت و خلاصه نیاز دارد، مدل نباید یک گزارش طولانی تولید کند.

از کش استفاده کنید

پاسخ پرسش‌های ثابت یا نتایج پردازش‌های تکراری را می‌توان با توجه به ماهیت داده و نیاز محصول ذخیره کرد.

بودجه و محدودیت مصرف تعریف کنید

محدودیت تعداد درخواست، طول ورودی و بودجه هر قابلیت کمک می‌کند افزایش غیرعادی مصرف زودتر شناسایی شود.

راهنمای مایکروسافت نیز استفاده از یک Gateway مرکزی برای ثبت توکن، کنترل مصرف و مسیریابی درخواست‌ها را یکی از روش‌های مدیریت هزینه معرفی می‌کند: Azure AI governance.

استفاده از API درواره در معماری سازمانی

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

آدرس پایه API:

https://api.darvareh.ir/v1

در معماری سازمانی، بهتر است فقط Backend به این API متصل شود:

کارمند یا مشتری
    ↓
نرم‌افزار سازمان
    ↓
Backend و سیاست‌های داخلی
    ↓
API درواره
    ↓
مدل انتخاب‌شده

این ساختار مزایای زیر را دارد:

کلید API در سمت سرور باقی می‌ماند.
انتخاب مدل از طریق تنظیمات انجام می‌شود.
مصرف کاربران قابل ثبت است.
خروجی پیش از استفاده اعتبارسنجی می‌شود.
مدل بدون تغییر رابط کاربری قابل‌تعویض است.
قواعد سازمان بر پاسخ مدل اولویت دارند.
چند مدل را می‌توان روی یک مجموعه آزمون مقایسه کرد.

نمونه عملی: تحلیل درخواست خرید سازمانی

در این مثال، مدل فقط درخواست خرید را تحلیل می‌کند. مدل اجازه تأیید خرید، انتخاب تأمین‌کننده یا انجام پرداخت ندارد.

ابتدا کتابخانه‌ها را نصب کنید:

pip install openai pydantic

متغیرهای محیطی را تنظیم کنید:

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 PurchaseRequestAnalysis(BaseModel):
    department: Literal[
        "technology",
        "operations",
        "marketing",
        "finance",
        "human_resources",
        "other",
    ]
    priority: Literal["low", "normal", "high", "urgent"]
    summary: str = Field(min_length=1, max_length=500)
    missing_information: list[str]
    requires_human_review: bool
    suggested_next_step: str = Field(min_length=1, max_length=300)


def analyze_purchase_request(
    request_text: str,
) -> PurchaseRequestAnalysis:
    prompt = f"""
درخواست خرید زیر را تحلیل کن.

محدودیت‌ها:
- فقط درخواست را تحلیل کن.
- خرید را تأیید یا رد نکن.
- قیمت یا تأمین‌کننده تخیلی تولید نکن.
- اگر مبلغ، تعداد، زمان تحویل یا دلیل خرید مشخص نیست،
  آن را در missing_information قرار بده.
- درخواست‌های فوری باید requires_human_review برابر true داشته باشند.
- پاسخ را فقط به‌صورت JSON معتبر برگردان.
- هیچ متن یا Markdown خارج از JSON ننویس.

ساختار خروجی:
{{
  "department": "technology | operations | marketing | finance | human_resources | other",
  "priority": "low | normal | high | urgent",
  "summary": "خلاصه درخواست",
  "missing_information": ["اطلاعات ناقص"],
  "requires_human_review": true,
  "suggested_next_step": "اقدام پیشنهادی بعدی"
}}

متن درخواست:
{request_text}
"""

    completion = client.chat.completions.create(
        model=MODEL_ID,
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": (
                    "شما دستیار تحلیل درخواست‌های داخلی سازمان هستید. "
                    "شما اختیار تأیید خرید یا ایجاد تعهد مالی ندارید."
                ),
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
    )

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

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

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


result = analyze_purchase_request(
    """
    برای تیم فنی به چند مانیتور جدید نیاز داریم.
    بهتر است تجهیزات تا پایان هفته تهیه شوند، چون دو نیروی جدید
    از شنبه کار خود را شروع می‌کنند.
    """
)

print(result.model_dump_json(indent=2))

نمونه خروجی:

{
  "department": "technology",
  "priority": "high",
  "summary": "تیم فنی برای آماده‌سازی تجهیزات دو نیروی جدید به مانیتور نیاز دارد.",
  "missing_information": [
    "تعداد دقیق مانیتورها",
    "بودجه خرید",
    "مشخصات فنی موردنیاز"
  ],
  "requires_human_review": true,
  "suggested_next_step": "تکمیل تعداد، مشخصات فنی و بودجه و سپس ارسال درخواست برای بررسی مسئول خرید"
}

در این مثال، مدل فقط متن را به اطلاعات ساختاریافته تبدیل می‌کند. تصمیم نهایی و عملیات مالی همچنان در اختیار کاربران و سیستم‌های مجاز سازمان باقی می‌ماند.

در نسخه عملی بهتر است موارد زیر نیز اضافه شوند:

احراز هویت کاربر
شناسه درخواست
محدودیت نرخ
ثبت نسخه پرامپت
Timeout
Retry محدود
ثبت مدل استفاده‌شده
گزارش تعداد توکن
کنترل خروجی در Backend
صف بررسی انسانی
مجموعه آزمون خودکار

مراحل اجرای اولین پروژه Enterprise AI

مرحله اول: انتخاب یک مسئله محدود

به‌جای پروژه کلی «هوشمندسازی سازمان»، یک فرایند مشخص انتخاب کنید.

نمونه مناسب:

خلاصه‌سازی تیکت‌ها
استخراج اطلاعات فاکتور
جست‌وجو در آیین‌نامه‌ها
تهیه پیش‌نویس پاسخ
خلاصه‌سازی جلسه
دسته‌بندی درخواست‌ها

مرحله دوم: تعیین معیار موفقیت

پیش از انتخاب مدل مشخص کنید نتیجه مطلوب چیست.

برای مثال:

کاهش زمان بررسی
کاهش ورود دستی اطلاعات
افزایش سرعت پاسخ‌گویی
کاهش خطای دسته‌بندی
افزایش درصد خروجی قابل‌استفاده
کاهش هزینه هر فرایند

مرحله سوم: جمع‌آوری نمونه واقعی

مجموعه‌ای از ورودی‌های واقعی و خروجی‌های مطلوب تهیه کنید. اطلاعات غیرضروری یا حساس را از نسخه آزمایشی حذف کنید.

مرحله چهارم: ساخت نمونه اولیه

یک Backend کوچک بسازید که ورودی را دریافت، به مدل ارسال، پاسخ را اعتبارسنجی و نتیجه را ثبت کند.

مرحله پنجم: مقایسه چند مدل

مدل‌ها را روی ورودی‌های یکسان از نظر کیفیت، سرعت، هزینه و ثبات مقایسه کنید.

مرحله ششم: اجرای آزمایشی محدود

قابلیت را ابتدا برای یک تیم یا گروه کوچک فعال کنید. خروجی مدل باید در این مرحله پیشنهادی باشد و اقدام نهایی توسط کاربر انجام شود.

مرحله هفتم: ثبت بازخورد

ثبت کنید کاربر نتیجه را:

بدون تغییر پذیرفته است.
ویرایش کرده است.
رد کرده است.
برای بررسی بیشتر ارجاع داده است.

مرحله هشتم: توسعه تدریجی

پس از اثبات ارزش اولیه، قابلیت را به واحدهای دیگر توسعه دهید یا وظایف مکمل را اضافه کنید.

اشتباهات رایج در پروژه‌های هوش مصنوعی سازمانی

شروع با انتخاب مدل

اولین سؤال نباید «از کدام مدل استفاده کنیم؟» باشد. ابتدا مسئله، کاربر، داده و معیار موفقیت را مشخص کنید.

ساخت یک چت‌بات برای همه‌چیز

یک رابط گفت‌وگویی عمومی الزاماً بهترین روش برای تمام وظایف نیست. گاهی یک فرم، دکمه یا گردش کار محدود نتیجه بهتری دارد.

ارسال مستقیم درخواست از مرورگر

این کار می‌تواند کلید API را در معرض کاربران قرار دهد و کنترل مصرف را دشوار کند.

واگذاری قوانین قطعی به پرامپت

محدودیت بودجه، نقش کاربران، وضعیت سفارش و اقدامات مجاز باید در Backend کنترل شوند.

استفاده از خروجی آزاد برای عملیات سیستمی

اگر نتیجه قرار است در کد استفاده شود، خروجی باید ساختاریافته و اعتبارسنجی شود.

نداشتن مجموعه ارزیابی

بدون Eval نمی‌توان فهمید تغییر مدل یا پرامپت واقعاً کیفیت را بهتر کرده است یا خیر.

خودکارسازی کامل در مرحله اول

بهتر است سیستم ابتدا پیشنهاد تولید کند. پس از اندازه‌گیری عملکرد و شناخت خطاها می‌توان بخشی از عملیات کم‌ریسک را خودکار کرد.

نادیده‌گرفتن هزینه واقعی

هزینه فقط قیمت هر درخواست نیست. زمان بررسی انسانی، نگه‌داری، خطا، توسعه و نظارت نیز باید در ارزیابی پروژه در نظر گرفته شوند.

هوش مصنوعی سازمانی چه زمانی انتخاب مناسبی است؟

Enterprise AI زمانی می‌تواند ارزش ایجاد کند که:

فرایند مشخص و پرتکراری وجود داشته باشد.
حجم زیادی متن، تصویر، صوت یا سند پردازش شود.
نتیجه قابل‌اندازه‌گیری باشد.
داده کافی برای ارزیابی در دسترس باشد.
امکان نظارت انسانی وجود داشته باشد.
قابلیت به نرم‌افزار موجود متصل شود.
سازمان بتواند مالک مشخصی برای پروژه تعیین کند.

اگر فرایند مبهم، کم‌تکرار یا فاقد معیار موفقیت باشد، افزودن هوش مصنوعی الزاماً نتیجه مناسبی ایجاد نمی‌کند.

پرسش‌های متداول

Enterprise AI چیست؟

Enterprise AI یا هوش مصنوعی سازمانی به استفاده کنترل‌شده و قابل‌گسترش از فناوری‌های هوش مصنوعی برای حل مسائل واقعی سازمان گفته می‌شود.

تفاوت Enterprise AI با یک چت‌بات چیست؟

چت‌بات یک رابط یا کاربرد مشخص است. Enterprise AI معماری کامل‌تری شامل مدل، داده، API، کنترل دسترسی، ارزیابی، گزارش مصرف و گردش کار سازمانی است.

آیا هوش مصنوعی سازمانی فقط برای شرکت‌های بزرگ است؟

خیر. شرکت‌های کوچک و متوسط نیز می‌توانند با یک کاربرد محدود مانند دسته‌بندی پیام یا خلاصه‌سازی اسناد شروع کنند.

آیا برای Enterprise AI به مدل اختصاصی نیاز داریم؟

در بسیاری از پروژه‌ها خیر. می‌توان با مدل‌های آماده، پرامپت مناسب، RAG و قواعد Backend شروع کرد. مدل اختصاصی زمانی بررسی می‌شود که مدل‌های موجود به کیفیت موردنیاز نرسند.

آیا می‌توان از چند مدل در یک سازمان استفاده کرد؟

بله. وظایف مختلف ممکن است به مدل‌های متفاوتی نیاز داشته باشند. معماری چندمدلی امکان انتخاب مدل براساس کیفیت، سرعت، هزینه و قابلیت را فراهم می‌کند.

RAG چه نقشی در هوش مصنوعی سازمانی دارد؟

RAG اطلاعات مرتبط را از منابع داخلی بازیابی و همراه درخواست در اختیار مدل قرار می‌دهد. این روش برای ساخت دستیار دانش سازمانی و پاسخ براساس اسناد داخلی مناسب است.

چگونه کیفیت مدل را ارزیابی کنیم؟

مجموعه‌ای از ورودی‌های واقعی تهیه کنید و مدل‌ها را براساس صحت، ارتباط، کیفیت فارسی، رعایت ساختار، سرعت، هزینه و میزان نیاز به ویرایش انسانی مقایسه کنید.

آیا خروجی مدل می‌تواند مستقیماً اجرا شود؟

برای عملیات حساس خیر. آرگومان‌ها، دسترسی کاربر و قواعد کسب‌وکار باید در Backend اعتبارسنجی شوند و در موارد لازم تأیید انسانی دریافت شود.

درواره چه نقشی در Enterprise AI دارد؟

درواره لایه دسترسی به مدل‌های هوش مصنوعی را فراهم می‌کند. سازمان می‌تواند با یک API سازگار با OpenAI به مدل‌های مختلف متصل شود و انتخاب مدل را در Backend خود مدیریت کند.

آیا درواره جایگزین CRM یا پایگاه داده سازمان است؟

خیر. درواره سرویس دسترسی به مدل‌های هوش مصنوعی است. اطلاعات سازمان، منطق کسب‌وکار، نقش کاربران و گردش کار در نرم‌افزارهای خود سازمان مدیریت می‌شوند.

جمع‌بندی

هوش مصنوعی سازمانی فقط خرید یک ابزار یا اضافه‌کردن چت‌بات به وب‌سایت نیست. Enterprise AI زمانی شکل می‌گیرد که مدل هوش مصنوعی درون یک معماری قابل‌کنترل قرار گیرد و به داده، نرم‌افزار، کاربران و فرایندهای واقعی سازمان متصل شود.

برای اجرای موفق یک پروژه هوش مصنوعی سازمانی:

با یک مسئله محدود شروع کنید.
معیار موفقیت را پیش از انتخاب مدل تعریف کنید.
چند مدل را با داده واقعی مقایسه کنید.
ارتباط با مدل را در Backend قرار دهید.
از خروجی ساختاریافته استفاده کنید.
پاسخ مدل را اعتبارسنجی کنید.
برای تصمیم‌های حساس تأیید انسانی در نظر بگیرید.
مصرف و هزینه هر قابلیت را جداگانه ثبت کنید.
پس از هر تغییر، ارزیابی‌ها را دوباره اجرا کنید.
اختیار سیستم را فقط پس از اثبات عملکرد افزایش دهید.

اگر قصد دارید یک دستیار سازمانی، سامانه پردازش اسناد، قابلیت هوشمند داخل CRM یا ابزار تحلیل متن بسازید، می‌توانید از مستندات API درواره شروع کنید.

درواره با API سازگار با OpenAI، پرداخت ریالی و دسترسی یکپارچه به مدل‌های مختلف، امکان آزمایش و انتخاب مدل مناسب برای کاربردهای سازمانی را فراهم می‌کند.

مقالات مرتبط

منابع

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها، سیاست‌های داخلی سازمان و صفحه سلب مسئولیت درواره را مطالعه کنید.