آموزش هوش مصنوعی روی دانش شما
RAG و قطعهبندی.
اسناد شرکت به قطعههای معنادار تبدیل میشوند و چتبات فقط از همان قطعهها جواب میدهد. کنار هر پاسخ، نام سند و بخش آن میآید تا تیم شما بتواند جواب را با منبع اصلی تطبیق دهد.
از سند تا جواب مشتری
منابع دانش
آموزش از اسنادی شروع میشود که تیم شما همین حالا به آنها رجوع میکند: PDF دستورالعمل، صفحات سایت، فایل اکسل قیمت، کاتالوگ محصول، پرسشهای پرتکرار و تیکتهای بستهشده پشتیبانی. هر منبع با تاریخ و مسئول مشخص وارد پایگاه میشود تا بعداً معلوم باشد جواب از کدام فایل آمده است.
نسخه تکراری، سند منسوخ و فایلی که متن قابلخواندن ندارد کنار گذاشته میشود. اگر قیمت یا یک قانون عوض شود، فقط همان سند بهروز میشود و لازم نیست مدل را از اول بسازید.
قطعهبندی متن
متن بلند به قطعههایی تقسیم میشود که هر کدام یک موضوع را کامل بگوید. مرز قطعهها روی عنوان، پاراگراف و جدول مینشیند. بین دو قطعه همپوشانی میگذاریم تا اگر جواب روی مرز دو بخش باشد، هر دو تکه در جستجو پیدا شوند.
اندازه قطعه با نوع سند تنظیم میشود: بند کوتاه برای سوالات پرتکرار، قطعه بلندتر برای قرارداد و دفترچه فنی. این همان Chunking است. مدل در هر سوال همین قطعهها را میخواند، نه کل فایل را.
بردار معنایی
هر قطعه به یک بردار عددی تبدیل میشود که معنی جمله را نگه میدارد. جستجو به عین کلمه محدود نمیماند. سوال «مهلت گارانتی چقدر است» میتواند بندی را پیدا کند که در آن «ضمانت هجدهماهه» نوشته شده، حتی اگر واژه گارانتی در سند نیامده باشد.
بردار با مدلی ساخته میشود که فارسی را درست بفهمد. نام محصول، کد کالا و عددها داخل متن قطعه میمانند تا جستجوی معنایی و جستجوی دقیق کنار هم کار کنند.
پایگاه برداری
بردارها در یک پایگاه برداری ذخیره میشوند. با هر سوال، نزدیکترین قطعهها از نظر معنی برمیگردند؛ چند بند مرتبط، نه کل آرشیو. بازیابی را میتوان به یک محصول، یک زبان یا یک دسته سند محدود کرد تا جواب فروش با جواب پشتیبانی مخلوط نشود.
وقتی سندی عوض میشود، فقط قطعههای همان سند دوباره ساخته و جایگزین میشوند. پایگاه برای حجم کاتالوگ و آرشیو تیکت اندازه گرفته میشود و زمان پیدا کردن بند مناسب را کوتاه نگه میدارد.
تولید پاسخ
مدل زبانی قطعههای پیداشده را میخواند و جواب را به زبان مشتری مینویسد. اگر در آن قطعهها پاسخی نباشد، موضوع را حدس نمیزند؛ میگوید در منابع فعلی نیست یا گفتگو را به همکار شما میسپارد.
بسته به سختی سوال از GPT، Claude، Gemini یا یک مدل متنباز استفاده میکنیم. سوال ساده با مدل سبکتر و سوال فنی با مدل دقیقتر جواب میگیرد. مشتری یک پاسخ واحد میبیند و انتخاب مدل در لایه مسیریابی انجام میشود.
پاسخ به مشتری
همان جواب، همراه با نام سند و بخش، در ویجت سایت، واتساپ، تلگرام، بله، روبیکا و ایتا فرستاده میشود. مشتری یک گفتگوی عادی میبیند و تیم شما در پنل منبع را چک میکند.
اگر اطمینان مدل پایین باشد، گفتگو با خلاصه و قطعههای پیداشده به اپراتور میرسد. اپراتور پرونده را از صفر نمیخواند؛ زمینه سوال و بندهای مرتبط جلوی اوست.
کنار مسیر آموزش
یک API برای همه مدلها
ChatGPT، Claude، Gemini، DeepSeek و مدلهای متنباز از یک اتصال در دسترساند. تعویض مدل، قرارداد جدا با هر شرکت لازم ندارد.
مسیریابی و کنترل هزینه
هر سوال به مدلی میرود که برای همان کار از نظر کیفیت و قیمت مناسب است. اگر یک سرویس قطع باشد، مدل بعدی جواب میدهد و مصرف توکن در پنل دیده میشود.
پاسخ مستند و داخل سازمان
جواب فقط از منابع شما ساخته میشود و سندش کنارش میآید. در پلن سازمانی مدل میتواند روی سرور خودتان باشد تا داده از شرکت خارج نشود.
مسیر کار
جمعآوری منابع
فایلها، آدرس سایت و تیکتهای منتخب را یکجا میگیریم و موارد تکراری یا منسوخ را کنار میگذاریم.
ساخت پایگاه دانش
متن قطعهبندی میشود، بردار معنایی میگیرد و در پایگاه برداری ذخیره میشود. یک دور نمونه سوال روی همین پایگاه تست میشود.
انتشار روی کانالها
همان دانش به ویجت سایت و پیامرسانها وصل میشود. تیم شما منبع هر جواب را در پنل میبیند و در صورت نیاز گفتگو را تحویل میگیرد.