هم‌کلام؛ هوش مصنوعی با مرز تحویل انسانی

هم‌کلام یک چت‌بات عمومی نیست؛ کارمند هوشمند چندمستاجری است که از دانش همان کسب‌وکار پاسخ می‌دهد، منبع می‌آورد و در نقطه درست مکالمه را به انسان تحویل می‌دهد.

PRODUCT INTERFACES تصاویر رابط نسخه فعلی؛ داده‌های عددی داخل داشبورد نمایشی‌اند و در این مطالعه به‌عنوان KPI گزارش نشده‌اند.

پاسخ سریع، اگر اشتباه باشد ارزش نیست.

کسب‌وکارها پاسخ‌گویی شبانه‌روزی می‌خواهند، اما دانش آن‌ها پراکنده است و هر پاسخ اشتباه می‌تواند اعتماد مشتری را کم کند. چالش فقط اتصال یک مدل زبانی نبود؛ باید دانش، کانال، هزینه و مسئولیت پاسخ در یک محصول کنترل می‌شد.

مرزهای اعتماد باید قبل از Prompt طراحی شوند.

در محصول چندمستاجری، نشت دانش میان دو مشتری یک خطای ساده نیست. در پاسخ هوشمند نیز متن روان بدون منبع، تضمین درستی نیست. به همین دلیل امنیت داده، استناد و تحویل انسانی بخشی از هسته تجربه‌اند.

شناسه Tenant در منطق برنامه و سیاست RLS پایگاه داده اعمال می‌شود.

پاسخ قابل استناد از بازیابی دانش همان کسب‌وکار ساخته می‌شود.

ابهام یا درخواست کاربر، مکالمه را به اپراتور قابل پیگیری منتقل می‌کند.

مصرف توکن و هزینه مدل در سطح Tenant قابل اندازه‌گیری می‌ماند.

پاسخ‌دادن تنها یکی از حالت‌های سیستم است.

معماری تجربه به‌جای فرض «هر پیام باید جواب خودکار بگیرد»، سه خروجی روشن دارد: پاسخ مستند، درخواست روشن‌سازی یا تحویل به انسان. این تصمیم هم اعتماد را حفظ می‌کند و هم وضعیت مکالمه را برای اپراتور قابل فهم نگه می‌دارد.

از سند خام تا پاسخ، یک مسیر قابل مشاهده.

منابع فارسی نرمال، بخش‌بندی و بردارسازی می‌شوند. بازیابی ترکیبی نتایج را از جست‌وجوی واژگانی و معنایی می‌گیرد، RRF و rerank آن‌ها را مرتب می‌کنند و Router براساس پیچیدگی، هزینه و دسترسی Provider مدل مناسب را انتخاب می‌کند.

• ۰۱ Ingest Parse، نرمال‌سازی و Chunk knowledge

• ۰۲ Retrieve Hybrid search + RRF + rerank pgvector

• ۰۳ Route مدل سبک/سنگین و fallback cost-aware

• ۰۴ Answer / Handoff پاسخ مستند یا تحویل انسانی policy

اسکلت محصول کامل است؛ ادعای بهره‌برداری کامل زود است.

بازاریابی، احراز هویت، پنل، مدیریت دانش، چت، Widget، کانال تلگرام، Billing و زیرساخت RAG در ساختار محصول تعریف و پیاده‌سازی شده‌اند. رابط فعلی در بخش‌هایی از داده Mock استفاده می‌کند؛ بنابراین این صفحه آن را به‌عنوان محصول عملیاتی با KPI واقعی معرفی نمی‌کند.

قبل از مدل بهتر، سیاست پاسخ بهتر می‌خواهید.

اگر AI بخشی از محصول شماست، مرز دانش، اعتماد، هزینه و مسئولیت را از ابتدا طراحی کنیم.

میم‌یار استودیوی محصول دیجیتال است؛ از شفاف‌سازی مسئله و طراحی تا مهندسی، عرضه و رشد کنار تیم‌ها می‌ماند.

مطالعات موردی