استانداردسازی
تبدیل صورتهای مختلف نوشتاری به اجزای روشن و قابل مقایسه؛ بدون حذف متن خام و بدون دستکاری شناسههای محافظتشده.
فصل ۰۱ · آموزش پایه
مبانی، بدون سادهسازیِ گمراهکننده
برای فهم GS1AI لازم نیست برنامهنویس باشید؛ اما باید فرق «قاعده»، «پیشنهاد»، «اطمینان» و «صحت» را بدانید. این فصل زبان مشترک مدیر، کارشناس استاندارد و تیم IT را میسازد.
قواعد قطعی LIVEAssist PILOTAI/RAG UNAVAILABLE
در ۶۰ ثانیه
دادهٔ محصول وقتی مفید است که معنای آن روشن، شکل نوشتن آن یکسان و تصمیم دربارهٔ آن قابل پیگیری باشد. GS1AI برای این سه مسئله یک خط کنترل کیفیت میسازد.
تشخیص قطعیت
اگر قاعده و مرجع دقیق کافی باشند، نتیجه قطعی است. اگر ابهام باقی بماند، پرونده به بازبینی میرود.
پیشنهاد هوش مصنوعی
در طراحی سامانه، مدل فقط میتواند پیشنهاد بدهد. در تولید فعلی همین مسیر نیز خاموش و UNAVAILABLE است.
مثال ساده
مثل ویراستاری که ابتدا غلطهای روشن را با دستور زبان اصلاح میکند، بعد فرهنگ لغت را میبیند و فقط در مورد مبهم از متخصص میپرسد. تفاوت مهم این است که همهٔ مراحل و دلیل تصمیم ثبت میشوند.
شش مفهوم کلیدی
این مفاهیم پایهٔ تمام فصلهای بعدیاند.
دادهٔ خام
همان چیزی که کاربر وارد کرده است. باید برای audit و مقایسه حفظ شود؛ نرمالسازی نباید آن را پنهان کند.
قاعدهٔ قطعی
محاسبه یا تبدیل قابل تکرار مانند یکسانسازی حروف، کنترل رقم GTIN یا تبدیل ۱۰۰۰ گرم به ۱ کیلوگرم.
نام پایه و facet
ماهیت اصلی محصول و ویژگیهای اتمی آن؛ مانند «گوشت» بهعنوان نام پایه و «بدون استخوان» بهعنوان ویژگی.
confidence
برآورد سامانه از میزان اطمینان است؛ تضمین correctness نیست. اطمینان بالا هم باید روی دادهٔ واقعی کالیبره شود.
RAG
بازیابی بخشهای مرتبط از منابع نسخهدار، سپس پاسخ با استناد. بدون corpus رسمی و citation معتبر، پاسخ باید متوقف شود.
بازبینی انسانی
تصمیم مستند کارشناس دربارهٔ مورد مبهم. این تصمیم فقط پس از کنترل میتواند نامزد تغییر قاعده یا حافظه شود.
یک ورودی چگونه بررسی میشود؟
سناریوی زیر آموزشی و SYNTHETIC است.
«گوشت گوساله بی استخوان 1000 گرم»متن خام حفظ میشود
←نرمالسازیفاصله، حروف، عدد و واحد
←تفکیکنام پایه + ویژگیها
←کنترل ریسکابهام یا leftover؟
←نتیجه یا بازبینیهمراه دلیل و نسخه
LIVE
آنچه امروز فعال است
نرمالسازی فارسی، واحدها، نام پایه، قفل نام خاص، قواعد دامنه و صف بازبینی در مسیر قطعی اجرا میشوند.
UNAVAILABLE
آنچه فعال نیست
پیشنهاد ابری و پاسخ RAG تولیدی. وجود کد یا قرارداد به معنای فعالبودن inference نیست.
مسیر یادگیری پیشنهادی
مقدماتی: زبان مشترک
همین فصل، سپس سناریوهای عملیات. هدف: تشخیص فرق خروجی قطعی، پیشنهاد و نیازمند بررسی.
کارشناس پایش: تصمیم و evidence
فصل استانداردسازی، داده/RAG و ارزیابی. هدف: reason code، golden case و تشخیص drift.
فناوری اطلاعات: قرارداد و کنترل
فصل معماری، امنیت و API. هدف: هویت، اتصال backend-to-backend، خطا، audit و بازیابی.
مدیر و سیاستگذار: پذیرش خدمت
فصل KPI و حکمرانی. هدف: تصویب آستانه، مالک، ریسک، بودجه و ادعای مجاز.
واژهنامهٔ جستوجوپذیر
- Canonical / مقدار مرجع
- صورت پذیرفتهشده و نسخهدار؛ با پیشنهاد مدل یکی نیست.
- Deterministic / قطعی
- خروجی یکسان برای ورودی و نسخهٔ یکسان؛ قابل تکرار و آزمون.
- Facet / ویژگی اتمی
- جزء معنایی مستقل مانند جنس، رنگ، وزن یا وضعیت استخوان.
- Provenance / تبار داده
- منبع، نسخه، زمان، حقوق و مسیر تبدیل یک داده یا ادعا.
- RAG
- تولید پاسخ با بازیابی شواهد؛ نیازمند corpus مجاز و citation متصل.
- Embedding
- نمایش عددی متن برای شباهت؛ برای کدهای رسمی جایگزین تطبیق دقیق نیست.
- ECE
- خطای کالیبراسیون؛ فاصلهٔ اطمینان اعلامشده با صحت مشاهدهشده.
- PSI / Drift
- تغییر توزیع داده نسبت به خط پایه که ممکن است کیفیت را فرسوده کند.
- Idempotency
- تکرار امن یک درخواست بدون ساخت نتیجهٔ تکراری ناخواسته.
- SLA / SLO / SLI
- تعهد، هدف داخلی و شاخص اندازهگیری خدمت؛ سه مفهوم نزدیک اما متفاوت.
- OIDC و mTLS
- هویت کاربر/سرویس و احراز متقابل سامانهها در مسیر هدف سازمانی.
- Holdout کور
- مجموعهای که برای تنظیم سامانه استفاده نشده و داوری آن مستقل است.