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.
در این گزارش 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 ارزیابی میکنیم. مثال مقاله فرضی است و برای شرح ساختار درخواست و منطق برنامه طراحی شده است.
فرض کنید فروشرسانیگاهی 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 گزارشها را با جستوجوی معمولی به دست آورد. اما وقتی مشتری مینویسد «بسته رسید، ولی کفشی که فرستادید اندازهام نیست»، تشخیص مسئله 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 مرور 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 تبیین 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 مرور قواعد فروشرسانیگاه معلوم میشود. قرار دادن هر کار در بخش مناسب، مسیر ارزیابی خطا را کوتاهتر میکند.
سه جزء اصلی این الگو را در نظر بگیرید.
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 مرور 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 ویرایش محصول است. مدل میتواند متن گزارش را ارزیابی کرده و بین مشکل ورود، مشکل نمایش و محور نامشخص انتخاب کند. ثبت نسخه جدید همچنان از داده واقعی انجام میشود. اگر دستهبندی اشتباه باشد، تیم میتواند تعریف گروهها را بازبینی کند. اگر نسخه جدید اشتباه باشد، باید داده ورودی یا جستوجوی پایگاه داده را تحلیل 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 تحلیل 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 تحلیل 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.
برای نصب اپلیکیشن بدون هزینه مجله فرادرس، کلیک کنید.
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 بیان هر گزینه را از قبل تعریف میکنیم. برای مثال:
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. بیان 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.
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 ارزیابیتر 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 ارزیابی جامع 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 برآیندای دیده است. اگر هدف تعیین جامع بودن گزارشها است، لحن مودبانه یا طول پیام نباید بهخودیخود امتیاز را بالا ببرد. مقیاس را مطابق 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 کم شدن پیدا کند. بنابراین خواندن احتمال گزینه برنده و خواندن Confidence دو کار متفاوتاند. هر کدام را در جای مناسب به کار بگیرید و مرور 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 فرصتات آزمایشی آورده است. مثال متنی این مقاله به آن وابسته نیست. برای تیکتهای معمولی، همان انتخاب گروه، تشخیص گزاره و امتیازدهی به کیفیت دادهها، نیازهای متفاوت برنامه را پوشش میدهند.
هوش مصنوعی با پردازش دادهها و شناسایی الگوها، به کسبوکارها کمک میکند تا تصمیمهای دقیقتر و با سرعتتری بگیرند. ابزارهایی مانند Jev نیز با قابلیت دستهبندی و امتیازدهی، فرایند ارزیابی دادهها 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 نحوه 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 مجانی ChatGPT و نحوه استفاده به زبان ساده» با مبانی کار با این ابزار آشنا میشوید. در ادامه 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.
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 مشخص میکند و خروجی آن در این مقاله با حساب واقعی آزمایش نشده است.
{
"model": "jev-1.14.0",
"state": "کالا به دستم رسید اما اندازه اشتباه است. راه تعویض چیست؟",
"questions": {
"department": {
"type": "choice",
"instructions": "Classify the main issue in the support message.",
"criteria": {
"shipping": "Delivery status, delay or a missing package",
"billing": "Payment, charges or an incorrect invoice",
"returns": "Exchange, wrong item or request to return a product",
"other": "No clear match or insufficient information"
}
}
}
}
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 [fdboutput]{“content”:”returns%20″,”type”:”inline”}[/fdboutput] است، چون کالا رسیده و مشتری برای تعویض آن راهنمایی میخواهد. در پاسخ واقعی، برای دیدن گزینه منتخب به فیلد [fdboutput]{“content”:”answers.department.choice%20″,”type”:”inline”}[/fdboutput] مراجعه میکنیم.
برای ارزیابی ابهام میتوانیم [fdboutput]{“content”:”answers.department.probabilities”,”type”:”inline”}[/fdboutput] و از سوی دیگر [fdboutput]{“content”:”answers.department.Confidence”,”type”:”inline”}[/fdboutput] را هم بخوانیم. عدد مشخصی را از قبل به این پیام نسبت نمیدهیم. آزمون واقعی باید مدل، دستور و داده را در کنار هم تحلیل کند.
برای تبدیل مثال به درخواست قابل اجرا، ابتدا از محیط سمت سرور به نشانی [fdboutput]{“content”:”https%3A%2F%2Fapi.typesafe.ai%2Fv1%2Fsystemone”,”type”:”inline”}[/fdboutput] 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 ارزیابی کنید. اگر پاسخ موفق نبود، مسیر تعیین شده برای خطا را اجرا کنید. برای مثال، تیکت در صف مرور باقی بماند تا هیچ درخواستی بهدلیل خطای شبکه گم نشود.
در ویرایش 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 محور دارند. اگر اکثر خطاها بین ارسال و صورتحساب است، بیان 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 ویرایش سوال و تاریخ آزمایش، برای مقایسه حاصلها کافی است.
مستندات Choice نشان میدهند که میتوان چند سوال را به وضعیت مشترکی فرستاد. در مثال عرضهگاه، 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 ارزیابی کرد. در طراحی درخواست، فقط گزارشها و سوالهایی را نگه دارید که برای این کار لازماند.
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 جدید ثابت مثال نیز کمک میکند که تغییر مدل هنگام بازآزمایی متغیر پنهان نباشد.
از آنجا که هوش مصنوعی Jev میتواند دادهها را تحلیل کرده و بر پایه 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.
بعد از دریافت پاسخ، اولین کار تشخیص موفقیت درخواست و جامع 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 فیلمآموزش بدون هزینه مدل تصمیم Jev همراه با تحلیل نحوه نحوه عملکرد و کاربردها را در زمان آیندهرس تماشا بکنید. لینک دسترسی مستقیم به این فیلم را در پایین نیز قرار دادهایم.
منطق نمونه را میتوان در چند گام روشن کرد:
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 فروشرسانیگاه 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 فروشرسانیگاه تغییر کند، لزوما نیازی به تغییر تعریف تکتک قضاوتهای مدل نیست. TypeSafe همین ایده تفکیک قضاوت و منطق را در مثال معماری پشتیبانی خود شرح داده است.
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 قابلیت بازپرداخت را باید با داده و قواعد معتبر برنامه مرور 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 مرور 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 مبحث 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 ادیشن مدل را هم ثبت کنید. این دادهها مشخص میکند اختلافها در کدام دسته و تحت کدام نسخه جدید رخ دادهاند. در ثبت رویداد، گزارشها شخصی غیرضروری را کنار بگذارید تا سامانه تحلیل داخلی به نسخه جدید 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 صعود یافت، صف عمومی همچنان باید کار کند. اگر کارشناس مسیر پیشنهادی را اصلاح کرد، رویداد اصلاح باید از انتقال نخست متمایز باشد. علاوه بر این در بازآزمایی، تنها تیکتهایی را که مدل از آنها مطمئن بوده ارزیابی نکنید. نمونههای کماطمینان و مواردی که نظر کارشناس با مدل تفاوت دارد، برای شناخت مرز کاربرد ارزش بیشتری دارند.
در نهایت برآیند موفقیت را با هدف فرایند بسنجید. رشد تعداد انتقالهای خودکار وقتی مفید است که زمان رسیدن تیکت به کارشناس مناسب کم شدن 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.
کاربرد هوش مصنوعی به تولید متن و تصویر، محدود نمیشود. در روز جاریه میتوان از ابزارهای مختلف این فناوری برای تحلیل دادهها، 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.
آزمون هوش مصنوعی Jev را با دادهای شروع کار 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 خروجی 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 مرور 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 تبیین سوال را تغییر میدهید، بخشی از نمونهها را برای آزمون نهایی کنار بگذارید. تنظیم مداوم سوال فقط با همان مثالهای اولیه ممکن است حاصلای خوب روی نمونههای آشنا و ضعیف روی پیامهای تازه بدهد.
در تحلیل خروجی، دقت کلی تنها معیار نیست. اگر پیامهای صورتحساب کماند، برآیند 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 نزول 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، ادیشن مدل و تاریخ آزمون ثبت کنید. مستندات TypeSafe بیان میدهند که نام مستعار مدل میتواند به ویرایش نوینی اشاره کند. اگر آستانه را با نسخه جدید خاصی تنظیم کردهاید، پیش از تغییر ادیشن آن را دوباره اعتبارسنجی کنید.
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. در ادامه شرایط مصرف، ارزش جاری و مدیریت داده را در ارائهدهندهای مرور کنید که درخواست را از آن میفرستید.
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.
نوشته هوش مصنوعی Jev چیست؟ آموزش دستهبندی و امتیازدهی با مثال API اولین بار در فرادرس - مجله. پدیدار شد.
جزئیات مهم و نکات قابل توجه درباره مصنوعی در متن مقاله بررسی شده است.
این موضوع به دلیل اطلاعات و کاربردهای مرتبط، مورد توجه کاربران قرار گرفته است.
در این مطلب اطلاعات، جزئیات و نکات مرتبط با هوش مصنوعی Jev چیست؟ آموزش دستهبندی و امتیازدهی با مثال API بررسی شده است.
برچسب:
نویسنده: خنجی