مدل اختصاصی سفید

مدل زبانی بزرگ (LLM) چیست و دقیقا چه کاری می‌کند؟

هر چت‌بات هوش مصنوعی که امروز روی سایت فروشگاه‌ها می‌بینید، در مرکزش یک مدل زبانی بزرگ دارد. LLM کوتاه‌شده‌ی Large Language Model است، یعنی همین «مدل زبانی بزرگ»، و «بزرگ» به حجم عظیم متنی برمی‌گردد که مدل با آن ساخته شده و به تعداد زیاد تنظیم‌های درونی‌اش. کار این مدل، به زبان ساده، حدس زدن ادامه‌ی متن است. دوره‌ی آموزشی یادگیری ماشین گوگل همین را می‌گوید: مدل‌های زبانی بزرگ یک «توکن» یا دنباله‌ای از توکن‌ها را پیش‌بینی می‌کنند، و توکن می‌تواند یک کلمه، تکه‌ای از یک کلمه یا حتی یک حرف باشد.

یعنی مدل چیزی شبیه پیشنهاد کلمه‌ی بعدی در صفحه‌کلید گوشی است، ولی با حافظه و مهارتی بسیار بیشتر. مثلا وقتی می‌نویسید «سلام، وقت‌تان»، صفحه‌کلید «بخیر» را پیشنهاد می‌دهد، چون این ترکیب را بارها دیده است. مدل زبانی هم همین کار را بر اساس حجم بسیار بزرگی از متن که پیش از ساخته شدن خوانده انجام می‌دهد؛ فقط به جای یک کلمه، می‌تواند چند پاراگراف منسجم، مودبانه و درست از نظر دستور زبان بنویسد.

این توانایی برای پاسخ‌گویی به مشتری خیلی ارزشمند است. مدل می‌فهمد «کفش مردونه‌ی سایز چهل‌وسه دارین؟» و «کفش مردانه ۴۳ موجود است؟» یک سوال‌اند، لحن مودبانه را بلد است، و می‌تواند جواب را کوتاه و قابل فهم بنویسد. ولی یک نکته‌ی اساسی همین‌جا پنهان است: مدل از روی متن‌هایی ساخته شده که پیش از یک تاریخ مشخص جمع شده‌اند، و هیچ‌کدام از آن متن‌ها قیمت امروز فروشگاه شما، موجودی انبار شما یا شرایط ارسال شما نبوده‌اند. مدل می‌داند جمله‌ها معمولا چطور ادامه پیدا می‌کنند؛ نمی‌داند در انبار شما چه خبر است.

توهم هوش مصنوعی چیست و چرا مدل جواب را از خودش می‌سازد؟

به جوابی که مدل با اطمینان می‌دهد ولی درست نیست، معمولا «توهم» (hallucination) می‌گویند. اسمش کمی دراماتیک است، ولی دلیلش ساده است. پژوهشی در سال ۲۰۲۵ با عنوان «Why Language Models Hallucinate» توضیح می‌دهد که مدل‌های زبانی وقتی مطمئن نیستند، گاهی حدس می‌زنند و جمله‌ای باورپذیر ولی غلط می‌سازند، چون روش آموزش و سنجش آن‌ها به حدس زدن بیشتر از اعتراف به ندانستن پاداش می‌دهد.

یعنی مدل مثل دانش‌آموزی است که در امتحان تستی یاد گرفته جای خالی نگذارد، چون جواب خالی حتما نمره‌ی صفر دارد ولی حدس شاید درست دربیاید. حالا همین عادت را روی سایت یک فروشگاه تصور کنید. مشتری می‌پرسد «ارسال به کرمان چند روز طول می‌کشد؟». اگر این اطلاعات جلوی مدل نباشد، مدل جمله‌ای را می‌نویسد که در هزاران سایت دیگر دیده؛ مثلا «ارسال به شهرستان‌ها معمولا ۳ تا ۵ روز کاری است». جمله کاملا طبیعی است، با اطمینان گفته شده، و ممکن است برای فروشگاه شما کاملا غلط باشد.

در فروشگاه اینترنتی این خطا فقط یک اشتباه متنی نیست. چند نمونه از چیزهایی که یک مدل بی‌ساختار می‌تواند از خودش بسازد:

• قیمت. قیمت محصولی که دیروز عوض کرده‌اید، یا قیمتی که اصلا وجود نداشته.
• موجودی. «بله، در سایز ۴۳ موجود است» برای محصولی که سه روز پیش تمام شده.
• قول. «تا ۱۴ روز می‌توانید مرجوع کنید» در حالی که قانون مرجوعی شما چیز دیگری است.
• کد و لینک. کد تخفیفی که وجود ندارد، یا لینکی که به صفحه‌ی خطا می‌رود.

یک پرونده‌ی واقعی نشان می‌دهد چرا این موضوع جدی است. در فوریه‌ی ۲۰۲۴، دیوان حل اختلاف مدنی بریتیش کلمبیا در کانادا در پرونده‌ی Moffatt علیه Air Canada بررسی کرد که چت‌بات سایت این شرکت هواپیمایی به مشتری گفته بود می‌تواند تخفیف سفر برای سوگواری را بعدا و پس از خرید بلیت درخواست کند؛ حرفی که با صفحه‌ی دیگری از همان سایت جور درنمی‌آمد. طبق گزارش موسسه‌ی حقوقی McCarthy Tétrault، دیوان گفت شرکت مسئول همه‌ی اطلاعاتی است که روی سایتش آمده و فرقی نمی‌کند این اطلاعات از یک صفحه‌ی ثابت آمده باشد یا از چت‌بات، و شرکت را به جبران خسارت مشتری محکوم کرد.

درس این پرونده برای هر صاحب فروشگاه روشن است: از نگاه مشتری، چیزی که چت‌بات می‌گوید حرف خود فروشگاه است. پس سوال اصلی در انتخاب مدل هوش مصنوعی برای پاسخ‌گویی به مشتری این نیست که مدل چقدر باهوش است؛ سوال این است که چه چیزی جلوی ساختن جواب از هیچ را می‌گیرد.

مدل بزرگ‌تر این مشکل را حل نمی‌کند

واکنش طبیعی به این مشکل این است که «مدل قوی‌تر و گران‌تر بگیریم». مدل‌های بزرگ‌تر واقعا چیزهای بیشتری بلدند: زبان‌های بیشتر، استدلال پیچیده‌تر، اطلاعات عمومی بیشتر. ولی بزرگ‌ترین مدل دنیا هم قیمت امروز مانتوی شما را نمی‌داند، چون این اطلاعات هرگز در متن‌هایی که با آن آموزش دیده نبوده است. مدل بزرگ‌تر فقط حدس‌های قانع‌کننده‌تری می‌زند.

در مقابل، مدل بزرگ‌تر دو هزینه‌ی روشن دارد. اول کندی: مدل‌های بزرگ و مدل‌هایی که پیش از جواب «فکر می‌کنند» (به آن‌ها مدل‌های استدلالی یا thinking می‌گویند) معمولا دیرتر جواب می‌دهند، و مشتری‌ای که با گوشی منتظر جواب «این سایز داره؟» است، حوصله‌ی چند ثانیه انتظار اضافه را ندارد. دوم قیمت: هر جواب چت‌بات برای ارائه‌دهنده‌اش هزینه‌ی مستقیم دارد، و مدل گران‌تر یعنی هر جواب گران‌تر؛ هزینه‌ای که آخر سر در قیمت اشتراک فروشگاه پیدا می‌شود.

یک راه حل وسوسه‌انگیز دیگر هم هست: کل سایت، همه‌ی محصولات و همه‌ی قانون‌ها را یک‌جا در ورودی مدل بریزیم تا «همه‌چیز را بداند». پژوهشی با عنوان «Lost in the Middle» در سال ۲۰۲۳ نشان داد این کار هم مشکل دارد: کارکرد مدل‌ها معمولا وقتی بهتر است که اطلاعات مرتبط در ابتدا یا انتهای ورودی باشد، و وقتی اطلاعات لازم وسط یک متن طولانی گم شده باشد، به‌طور محسوسی افت می‌کند. یعنی ورودی طولانی‌تر لزوما جواب بهتر نمی‌دهد؛ گاهی فقط کندتر، گران‌تر و پرخطاتر است.

نتیجه این است که کیفیت جواب از جای دیگری می‌آید: از اینکه چه چیزی، به چه اندازه و با چه قاعده‌ای جلوی مدل گذاشته شود. به این، ساختار می‌گوییم.

ساختار یعنی چه؟ قطعه‌هایی که جواب درست را می‌سازند

ساختار یعنی مجموعه‌ای از کارها که پیش و پس از مدل انجام می‌شود تا مدل فقط همان کاری را بکند که در آن خوب است: فهمیدن سوال و نوشتن جمله. این قطعه‌ها در چت‌بات‌های مختلف اسم‌های متفاوتی دارند، ولی هر چت‌بات فروشگاهی قابل اعتمادی کم‌وبیش همین‌ها را دارد.

۱. بازیابی دانش خود فروشگاه (RAG چیست؟)

پیش از اینکه مدل حتی یک کلمه بنویسد، سیستم در اطلاعات خود فروشگاه می‌گردد: صفحه‌های سایت، قانون ارسال و مرجوعی، فایل‌هایی که صاحب فروشگاه اضافه کرده. بعد فقط تکه‌های مرتبط را جلوی مدل می‌گذارد. به این روش بازیابی و تولید یا RAG (Retrieval-Augmented Generation) می‌گویند. مقاله‌ای که این اسم را رایج کرد، Lewis و همکاران در سال ۲۰۲۰، گزارش داد مدل‌هایی که پیش از نوشتن به یک منبع بیرونی رجوع می‌کنند، متنی دقیق‌تر، متنوع‌تر و مستندتر از مدلی می‌نویسند که فقط به حافظه‌ی خودش تکیه دارد.

یعنی به جای اینکه از مدل بپرسیم «ارسال به کرمان چند روز است؟»، از او می‌پرسیم «این بخش از قانون ارسال این فروشگاه است؛ با توجه به همین، به این مشتری جواب بده». مدل حالا لازم نیست حدس بزند؛ فقط باید بخواند و خلاصه کند.

یک نکته‌ی مهم: در زبان روزمره به این کار «آموزش دادن چت‌بات» می‌گویند، ولی در عمل اطلاعات شما در خود مدل نوشته نمی‌شود. هر بار که سوالی می‌رسد، بخش لازم پیدا و جلوی مدل گذاشته می‌شود. به همین دلیل اگر قانون ارسال‌تان را امروز عوض کنید، لازم نیست کسی مدل را از نو بسازد؛ کافی است متن تازه در دانش چت‌بات باشد.

۲. عددها فقط از داده‌ی ساختاریافته

قیمت، موجودی، سایز، رنگ، کد سفارش و کد رهگیری نباید از «دانش» مدل بیایند. این‌ها باید از پایگاه داده‌ی محصولات یا سفارش‌ها، در همان لحظه، خوانده شوند. داده‌ی ساختاریافته یعنی اطلاعاتی که در جدول منظم نگه داشته می‌شود: هر محصول یک ردیف، با ستون قیمت و ستون موجودی. وقتی قیمت از همین جدول در جواب می‌آید، مدل فرصتی برای ساختن عدد ندارد، چون عددی که اجازه دارد بگوید همان است که جلویش گذاشته‌اند.

۳. یک قالب ثابت برای جواب

چت‌بات خوب فقط متن آزاد تولید نمی‌کند. از مدل خواسته می‌شود جوابش را در یک قالب مشخص بدهد: متنی که مشتری می‌خواند، به‌اضافه‌ی چند علامت برای سیستم؛ مثلا «این سه محصول را نشان بده»، «این مشتری می‌خواهد درخواستش ثبت شود»، یا «این سوال درباره‌ی سفارش است، اول سفارش را پیدا کن». بعد کد، نه مدل، این علامت‌ها را اجرا می‌کند. یعنی نشان دادن کارت محصول، ثبت درخواست و پیدا کردن سفارش کار برنامه‌ای است که قاعده‌ی مشخص دارد، و مدل فقط می‌گوید چه چیزی لازم است.

۴. اجازه‌ی گفتن «نمی‌دانم» و یک راه بعد از آن

همان پژوهش ۲۰۲۵ می‌گوید مشکل از جایی شروع می‌شود که حدس زدن پاداش دارد و اعتراف به ندانستن نه. چت‌بات فروشگاهی باید برعکس طراحی شود: وقتی جواب در اطلاعات فروشگاه نیست، صادقانه بگوید نمی‌داند. ولی «نمی‌دانم» به‌تنهایی مشتری را رها می‌کند. پس قطعه‌ی دوم این بخش یک راه بعدی است؛ مثلا ثبت درخواست مشتری تا فروشنده‌ی واقعی پیگیری کند.

۵. حافظه‌ی گفتگو

مشتری‌ها جمله‌ی کامل نمی‌نویسند. اول می‌پرسند «این کتونی مشکی داره؟» و بعد می‌نویسند «۴۲ چی؟». مدل باید بداند «۴۲» درباره‌ی همان کتونی است. برای این کار، چند پیام آخر گفتگو هم همراه سوال تازه به مدل داده می‌شود. این حافظه باید کوتاه و هدفمند باشد، چون همان‌طور که دیدیم، ورودی طولانی‌تر لزوما بهتر نیست.

۶. سنجش پیوسته

هیچ ساختاری بار اول کامل نیست. چت‌بات خوب جواب‌های واقعی‌اش را دوباره می‌سنجد، خطاها را پیدا می‌کند و ساختار را درست می‌کند. اینجا هم تفاوت روشن است: درست کردن یک قاعده در ساختار ارزان و سریع است، و منتظر ماندن برای مدل بعدی یک شرکت دیگر نه.

مدل زبانی فارسی: وقتی مشتری همان‌طور می‌نویسد که حرف می‌زند

بیشتر مدل‌های زبانی بزرگ با متن‌هایی ساخته شده‌اند که سهم انگلیسی در آن‌ها خیلی بیشتر از فارسی است. به همین دلیل خیلی‌ها دنبال «مدل زبانی فارسی» یا «مدل زبانی بزرگ فارسی» می‌گردند. ولی برای یک فروشگاه، سوال اصلی این نیست که مدل یک متن رسمی فارسی را چقدر خوب می‌فهمد؛ سوال این است که با فارسی واقعی مشتری‌ها چه می‌کند.

فارسی‌ای که در چت فروشگاه نوشته می‌شود، با فارسی کتاب فرق دارد. مشتری با گوشی و با عجله می‌نویسد؛ نیم‌فاصله نمی‌گذارد، گاهی «ي» و «ك» عربی صفحه‌کلیدش را به کار می‌برد، شکسته می‌نویسد («دارین؟»، «میخوام»)، رقم را گاهی فارسی و گاهی لاتین می‌زند، و کلمه را همان‌طور می‌نویسد که می‌گوید؛ مثلا «کتون» به جای «کتان». مدل زبانی معمولا منظور جمله را می‌فهمد، ولی مشکل یک قدم قبل‌تر است: اگر جستجو در محصولات و دانش فروشگاه با همین املای شکسته چیزی پیدا نکند، چیزی هم جلوی مدل قرار نمی‌گیرد و مدل یا می‌گوید «نداریم» یا حدس می‌زند.

یعنی فارسی‌فهم بودن یک چت‌بات فقط به مدل وابسته نیست؛ به این هم وابسته است که جستجوی پیش از مدل با فارسی چه می‌کند. در سفید، دو نمونه‌ی مشخص از این کار را در ادامه‌ی همین مقاله می‌بینید: «کتون» به «کتان» می‌رسد، و پسوندهای فارسی پیش از جستجو کنار گذاشته می‌شوند تا مثلا «نصبش» همان «نصب» پیدا شود.

برای اینکه خودتان این را بسنجید، لازم نیست اسم مدل پایه را بدانید. همان سوالی را که مشتری‌هایتان واقعا می‌پرسند، با همان املا، روی نسخه‌ی آزمایشی هر چت‌باتی بفرستید. آزمون چهارم فهرست بعدی برای همین است.

بهترین مدل زبانی هوش مصنوعی برای فروشگاه را با هفت آزمون پیدا کنید

جستجوی «بهترین مدل زبانی هوش مصنوعی» معمولا به فهرست‌هایی می‌رسد که مدل‌ها را با آزمون‌های عمومی مقایسه می‌کنند: ریاضی، برنامه‌نویسی، معلومات عمومی. این فهرست‌ها برای کار خودشان مفیدند، ولی هیچ‌کدام نمی‌گویند یک چت‌بات با قیمت امروز فروشگاه شما چه می‌کند. بهترین مدل برای پاسخ‌گویی به مشتری، مدلی است که داخل یک ساختار درست، روی داده‌ی شما، درست و سریع و ارزان جواب بدهد، و این را فقط با امتحان روی فروشگاه خودتان می‌شود فهمید.

لازم نیست برنامه‌نویس باشید تا کیفیت مدل هوش مصنوعی برای پاسخ‌گویی به مشتری را بسنجید. پیش از اینکه برای هر چت‌باتی پول بدهید، این آزمون‌ها را روی نسخه‌ی آزمایشی‌اش انجام دهید؛ هر کدام چند دقیقه بیشتر وقت نمی‌گیرد.

1. قیمت را عوض کنید. قیمت یک محصول را در فروشگاه تغییر دهید و چند دقیقه بعد از چت‌بات بپرسید. اگر هنوز قیمت قدیم را می‌گوید، یعنی جوابش را از جایی غیر از داده‌ی امروز شما می‌آورد.
2. محصول تمام‌شده را بخواهید. محصولی را که موجودی‌اش صفر است بخواهید. چت‌بات خوب آن را پیشنهاد نمی‌دهد و اگر بپرسید، می‌گوید تمام شده.
3. چیزی بپرسید که در سایت نیست. مثلا «شعبه‌ی شیراز هم دارید؟» در حالی که هیچ‌جای سایت درباره‌اش چیزی ننوشته‌اید. جواب درست «این را نمی‌دانم» است، نه «بله، در خیابان…».
4. با غلط تایپی بنویسید. همان‌طور که مشتری با عجله و با گوشی می‌نویسد: «ي» عربی، بدون نیم‌فاصله، با غلط املایی. ببینید هنوز محصول درست را پیدا می‌کند یا نه.
5. سوال بی‌ربط بپرسید. «یک شعر برایم بخوان» یا «هوا امروز چطور است؟». چت‌بات فروشگاه نباید تبدیل به سرگرمی رایگان شود؛ هر جواب بی‌ربط هم هزینه دارد و هم مشتری را از خرید دور می‌کند.
6. عصبانی بنویسید. «سه روز است سفارشم نرسیده، خیلی بدقولی کردید». ببینید لحن جواب آرام و محترمانه است و راهی برای پیگیری می‌دهد یا فقط عذرخواهی کلیشه‌ای می‌کند.
7. زمان و هزینه را بشمارید. چند سوال بپرسید و ببینید هر جواب چند ثانیه طول می‌کشد. بعد حساب کنید با قیمت آن سرویس، هر جواب چقدر برایتان تمام می‌شود.

یک معیار دیگر هم ارزش پرسیدن دارد: آیا می‌توانید ببینید هر جواب از کدام منبع آمده؟ چت‌باتی که منبع جوابش را نشان می‌دهد، به شما امکان می‌دهد خطا را پیدا و درست کنید؛ چت‌باتی که نشان نمی‌دهد، از شما می‌خواهد فقط اعتماد کنید.

مدل sefid-1.0-stable: آنچه صفحه‌ی مدل سفید می‌گوید

سفید، چت‌بات هوش مصنوعی فروشگاه‌های اینترنتی، موتور پاسخ‌گویی‌اش را sefid-1.0-stable می‌نامد. صفحه‌ی مدل چند چیز را درباره‌ی آن روشن می‌گوید که اینجا خلاصه می‌کنیم.

پایه‌ی اوپن‌سورس. sefid-1.0-stable بر پایه‌ی مدل‌های هوش مصنوعی اوپن‌سورس ساخته شده است. اوپن‌سورس یعنی مدلی که سازنده‌اش آن را برای استفاده‌ی عمومی منتشر کرده است. صفحه‌ی مدل تصریح می‌کند که مدل پایه فقط زیرساخت اولیه است، و تجربه‌ای که کاربر می‌گیرد حاصل لایه‌ی اختصاصی سفید روی آن است. یعنی همان حرفی که در بخش‌های قبل زدیم: کیفیت از ساختار می‌آید.

تحقیق روی رفتار واقعی کاربران. طبق صفحه‌ی مدل، سفید بررسی کرده کاربران در شرایط مختلف چطور سوال می‌پرسند و انتظار چه جوابی دارند، و این کار سه مرحله داشته است: بررسی گفتگوهای واقعی کاربران با فروشگاه‌ها، پیدا کردن موقعیت‌های پرتکرار و واکنش درست به هر کدام، و اعمال این الگوها همراه با سنجش پیوسته‌ی کیفیت جواب‌ها.

پنج رفتار. صفحه‌ی مدل پنج رفتار را با یک نمونه پیام برای هر کدام فهرست کرده است:

• فروش. وقتی می‌فهمد کاربر دنبال محصول است، گزینه‌های مرتبط را پیشنهاد می‌دهد و خرید را پیش می‌برد؛ مثلا برای «دنبال یه هدفون بی‌سیم می‌گردم».
• درک لحن و حال کاربر. حالت کاربر را می‌فهمد و لحنش را هماهنگ می‌کند و کاربر عصبانی را آرام می‌کند؛ مثلا برای «سفارشم سه روزه نرسیده، خیلی بدقولی کردین».
• ماندن در موضوع. اگر گفتگو منحرف شود، کاربر را با ملایمت به موضوع کسب‌وکار برمی‌گرداند؛ مثلا برای «راستی امروز هوا چطوره؟».
• محافظت از تمرکز گفتگو. نمی‌گذارد سوال‌های بی‌ربط گفتگو را از هدف اصلی دور کنند؛ مثلا برای «یه شعر حافظ برام بخون».
• ثبت درخواست برای پیگیری. برای موردی که خودش نمی‌تواند حل کند، درخواست را ثبت می‌کند تا تیم فروشگاه پیگیری کند؛ مثلا برای «می‌خوام این محصول رو به‌صورت عمده سفارش بدم».

هشت بخش لایه‌ی اختصاصی. صفحه‌ی مدل لایه‌ی سفید را در هشت بخش توضیح می‌دهد: مسیریابی هر درخواست بسته به نوعش، دستورالعمل‌هایی که رفتار مدل را با لحن و قواعد کسب‌وکار هماهنگ می‌کنند، بازیابی دانش اختصاصی که جواب را روی محتوای واقعی سایت و محصولات بنا می‌کند و نه دانش عمومی مدل، حافظه‌ی گفتگو، تنظیم رفتار بر اساس تحقیق، ارزیابی پیوسته‌ی کیفیت جواب‌ها، ایمنی و هماهنگی لحن با برند، و بهینه‌سازی سرعت و هزینه‌ی هر جواب.

پشت صحنه‌ی یک جواب در سفید، با عدد

حرف کلی درباره‌ی «لایه‌ی اختصاصی» زدن آسان است؛ پس اینجا مسیر یک پیام را در سفید، همان‌طور که امروز کار می‌کند، قدم به قدم می‌نویسیم.

1. پیام می‌رسد. مشتری می‌نویسد «کتون مشکی سایز ۴۳». سفید می‌فهمد منظور «کتان» است؛ همان مثالی که روی صفحه‌ی اصلی هم آمده است.
2. دانش فروشگاه جستجو می‌شود. جستجو با خود پیام انجام می‌شود، با سوال قبلی مشتری وقتی پیام تازه خیلی کوتاه است (مثل «۴۲ چی؟»)، و با ریشه‌ی کلمه‌ها؛ یعنی پسوندهای فارسی کنار گذاشته می‌شوند تا مثلا «نصبش» همان «نصب» پیدا شود. اگر دانش فروشگاه کوچک باشد، همه‌اش یک‌جا جلوی مدل گذاشته می‌شود.
3. محصولات مرتبط پیدا می‌شوند. حداکثر پنج محصول مرتبط، با قیمت واقعی همان لحظه، کنار سوال جلوی مدل گذاشته می‌شوند. اگر کل فروشگاه پانزده محصول یا کمتر داشته باشد، همه‌ی محصولات جلوی مدل قرار می‌گیرند.
4. یک بسته‌ی کوچک ساخته می‌شود. همه‌ی این‌ها، به‌اضافه‌ی ده پیام آخر گفتگو، در بسته‌ای حدود ۱۲٬۰۰۰ حرف (تقریبا ۴٬۰۰۰ توکن) جا می‌گیرد. این سقف عمدی است: ورودی کوچک و دقیق، سریع‌تر و ارزان‌تر است و مدل در آن گم نمی‌شود.
5. مدل یک بار فراخوانده می‌شود. در حالت عادی هر جواب فقط یک بار سراغ مدل می‌رود. فقط وقتی کاری به داده‌ی تازه نیاز دارد، مثلا پیدا کردن سفارش‌های مشتری یا ثبت درخواست، یک فراخوانی دوم انجام می‌شود تا نتیجه‌ی واقعی آن کار به جمله تبدیل شود. هرگز فراخوانی سوم در کار نیست.
6. کارت‌های محصول با قاعده انتخاب می‌شوند. حداکثر سه محصول نشان داده می‌شود، فقط از میان همان محصولاتی که در این نوبت جلوی مدل بوده‌اند و فقط اگر موجود باشند. صفحه‌ی اصلی سفید هم همین را می‌گوید: سه محصول موجود، با همان قیمتی که الان در فروشگاه است.
7. جواب یک‌جا می‌رسد. مشتری اول نشانه‌ی «در حال نوشتن» را می‌بیند و بعد کل جواب با هم می‌رسد، مثل پیام‌رسان‌ها. جواب کلمه به کلمه روی صفحه تایپ نمی‌شود.

دو تصمیم دیگر هم پشت این مسیر هست که ارزش گفتن دارند. اول اینکه سفید هیچ جواب آماده یا ذخیره‌شده‌ای ندارد؛ هر جواب همان لحظه و برای همان مشتری نوشته می‌شود، چون جواب دیروز ممکن است برای قیمت و موجودی امروز غلط باشد. دوم اینکه مدل در حالت بدون «فکر کردن» کار می‌کند. فکر کردنی که مدل‌های استدلالی پیش از جواب انجام می‌دهند، در سفید پیش از مدل و در ساختار انجام شده است: جستجو، انتخاب محصول و قاعده‌ها.

وقتی مدل نمی‌داند

صفحه‌ی اصلی سفید درباره‌ی این لحظه صریح است: اگر نداند، می‌گوید نمی‌دانم و حدس نمی‌زند. بعد درخواست مشتری را با یک کد پیگیری برای فروشگاه ثبت می‌کند تا مشتری بی‌جواب نماند.

این ماجرا یک ادامه‌ی مفید هم دارد. سوالی که سفید جوابش را نداشته در پنل فروشگاه می‌ماند. صاحب فروشگاه یک بار جوابش را می‌نویسد و از آن به بعد سفید خودش آن را جواب می‌دهد. یعنی چت‌بات با گذشت زمان کامل‌تر می‌شود، بدون اینکه مدل از نو ساخته شود؛ فقط دانش فروشگاه بیشتر شده است. کنار هر گفتگو هم در پنل دیده می‌شود جواب از کدام صفحه آمده، که همان معیار «منبع جواب» در فهرست آزمون‌های بالا است.

برای درک بهتر، فرض کنید مشتری می‌پرسد «ارسال به شهرستان چند روز طول می‌کشد؟». اگر فروشگاه صفحه‌ای درباره‌ی قوانین ارسال داشته باشد، سفید جواب را از همان صفحه می‌دهد و در پنل نوشته می‌شود منبع کدام صفحه بوده است. اگر چنین صفحه‌ای نباشد، سفید عددی از خودش نمی‌گوید؛ می‌گوید این اطلاعات را ندارد و راه ثبت درخواست را پیشنهاد می‌دهد. صاحب فروشگاه بعدا این سوال را در پنل می‌بیند، جوابش را می‌نویسد، و دفعه‌ی بعد مشتری جواب دقیق می‌گیرد.

مسیریابی: هر سوال به جای درستش

یکی از هشت بخشی که صفحه‌ی مدل نام می‌برد مسیریابی است. در عمل یعنی همه‌ی پیام‌ها یک جور جواب داده نمی‌شوند. سوال درباره‌ی ویژگی یک محصول با دانش و فهرست محصولات جواب داده می‌شود. «سفارشم کجاست؟» به پیدا کردن سفارش همان مشتری می‌رسد؛ این امکان در سفید فعلا آزمایشی است و برای هر سایت به درخواست فروشگاه روشن می‌شود، و پیش از نشان دادن سفارش، شماره‌ی مشتری با یک کد پیامکی تایید می‌شود؛ اگر مشتری در سایت وارد حسابش شده باشد، همین کد هم لازم نیست. درخواستی مثل سفارش عمده یا تماس با فروشنده به ثبت درخواست می‌رسد.

نکته‌ی ظریف این است که تصمیم درباره‌ی مسیر از روی فهم مدل از کل پیام گرفته می‌شود، نه از روی فهرستی از کلمه‌ها. چون فهرست کلمه‌ها در زبانی مثل فارسی، با این همه شکل نوشتن، خیلی زود می‌شکند: «سفارشم کو؟»، «بسته‌م نرسید»، «کی میاد دستم؟» همه یک چیز می‌خواهند و هیچ کلمه‌ی مشترکی ندارند.

سرعت و هزینه، دو نتیجه‌ی همین ساختار

ساختار فقط جواب را درست‌تر نمی‌کند؛ ارزان‌تر و سریع‌ترش هم می‌کند. وقتی هر جواب معمولا با یک فراخوانی و ورودی حدود ۴٬۰۰۰ توکن ساخته می‌شود، هزینه‌ی هر جواب پایین می‌ماند و منتظر ماندن مشتری کوتاه می‌شود. سفید یک کار دیگر هم برای سرعت می‌کند: اگر سروری که مدل را اجرا می‌کند از میانگین زمان همیشگی‌اش دیرتر کند، همان درخواست به سرور دیگری هم فرستاده می‌شود و اولین جواب سالم به مشتری می‌رسد.

این ساختار مستقیما در قیمت دیده می‌شود. در سفید فقط جواب‌هایی که چت‌بات داده حساب می‌شود و پیام مشتری رایگان است. هر ماه ۵۰ جواب رایگان دارید. پلن فعال ماهی ۱٬۰۰۰٬۰۰۰ تومان است و ۱٬۰۰۰ جواب در ماه دارد. طبق صفحه‌ی قیمت‌ها، اگر جواب بیشتری لازم شد، بسته‌های جواب اضافه از ۵۰٬۰۰۰ جواب شروع می‌شوند و هر جواب حدود ۵۶۰ تومان است. اگر هم تا ۳۰ روز پشیمان شوید، پول اعتبار استفاده‌نشده برمی‌گردد.

سرعت سایت خود فروشگاه هم بخشی از همین حساب است. مدل هر چقدر هم خوب باشد، اگر ویجت چت سایت را کند کند، به فروش ضرر زده است. کل ویجت سفید طبق صفحه‌ی اصلی ۳۴ کیلوبایت است؛ کمتر از یک عکس کوچک.

محدودیت‌ها، صادقانه

هیچ مدل هوش مصنوعی برای پاسخ‌گویی به مشتری بی‌خطا نیست، و بهتر است این را از اول بدانید تا بعدا غافلگیر نشوید.

• کیفیت جواب به کیفیت اطلاعات شما وابسته است. قوانین سفید همین را می‌گوید: کیفیت پاسخ‌ها به کیفیت و به‌روز بودن محتوای سایت شما وابسته است. اگر قانون ارسال در سایت قدیمی باشد، چت‌بات هم همان قانون قدیمی را می‌گوید.
• تضمین صددرصد وجود ندارد. قوانین سفید صریحا می‌گوید سفید تضمینی بر صحت کامل پاسخ‌های مدل نمی‌دهد و بازبینی پاسخ‌ها در کاربردهای حساس با خود کسب‌وکار است. ساختار احتمال خطا را خیلی کم می‌کند؛ صفرش نمی‌کند.
• پیگیری سفارش آزمایشی است. این امکان برای هر سایت جداگانه و به درخواست روشن می‌شود و هنوز در مرحله‌ی آزمایش است.
• جواب سوال تازه را خودش به دانش فروشگاه اضافه نمی‌کند. سوال بی‌جواب در پنل می‌ماند و جوابش را باید شما یک بار بنویسید. این محدودیت به نفع شماست: چیزی که چت‌بات به مشتری‌های بعدی می‌گوید، از دانشی می‌آید که خودتان وارد کرده‌اید.

چطور مدل مناسب کسب‌وکارتان را انتخاب کنید

اگر بخواهیم همه‌ی این مقاله را در چند معیار خلاصه کنیم، این‌ها چیزهایی است که پیش از انتخاب مدل هوش مصنوعی برای پاسخ‌گویی به مشتری باید جوابش را بدانید:

• منبع عددها کجاست؟ قیمت و موجودی باید از داده‌ی همان لحظه‌ی فروشگاه بیاید و آزمون «قیمت را عوض کنید» این را نشان می‌دهد.
• وقتی نمی‌داند چه می‌کند؟ «نمی‌دانم» به‌اضافه‌ی یک راه بعدی، بهتر از هر جواب قانع‌کننده‌ی ساختگی است.
• منبع جواب را نشان می‌دهد؟ بدون منبع، نمی‌توانید خطا را پیدا کنید.
• فارسی واقعی را می‌فهمد؟ غلط تایپی، حروف عربی، رقم فارسی و نیم‌فاصله‌ی جاافتاده بخشی از هر گفتگوی واقعی است.
• هر جواب چقدر طول می‌کشد و چقدر هزینه دارد؟ با عدد، نه با صفت.
• سایت را کند می‌کند؟ اندازه‌ی ویجت را بپرسید.

اسم مدل پایه، تعداد پارامترهایش یا اینکه کدام شرکت آن را ساخته، در این فهرست نیامده است. این‌ها بی‌اهمیت نیستند، ولی جواب این شش سوال را عوض نمی‌کنند؛ جواب آن‌ها را ساختار تعیین می‌کند.

پرسش‌های رایج

یعنی سفید مدل زبانی را از صفر ساخته است؟

نه. طبق صفحه‌ی مدل، sefid-1.0-stable بر پایه‌ی مدل‌های اوپن‌سورس ساخته شده و مدل پایه فقط زیرساخت اولیه است. چیزی که سفید ساخته، لایه‌ی روی آن است: جستجو در دانش فروشگاه، انتخاب محصولات، حافظه‌ی گفتگو، دستورالعمل‌ها، قالب جواب، سنجش و بهینه‌سازی سرعت و هزینه.

اگر قیمت محصول را عوض کنم، چت‌بات قیمت قدیم را نمی‌گوید؟

قیمت و موجودی در سفید از خود فروشگاه می‌آید، نه از حافظه‌ی مدل. صفحه‌ی اصلی می‌گوید اگر قیمت یا موجودی را در ووکامرس عوض کنید، سفید خودش متوجه می‌شود و لازم نیست کاری بکنید. برای اطمینان، همان آزمون اول این مقاله را روی نسخه‌ی رایگان انجام دهید.

چرا جواب کلمه به کلمه روی صفحه نمی‌آید؟

چون گفتگو با فروشگاه باید شبیه گفتگو با یک آدم باشد. مشتری نشانه‌ی «در حال نوشتن» را می‌بیند و بعد کل جواب یک‌جا می‌رسد، مثل وقتی که در یک پیام‌رسان با فروشنده حرف می‌زند.

جواب‌های تکراری را از یک فهرست آماده می‌دهد؟

نه. سفید جواب آماده و ذخیره‌شده ندارد و هر جواب برای همان مشتری و با اطلاعات همان لحظه نوشته می‌شود. دو مشتری که یک سوال را در دو روز مختلف می‌پرسند، ممکن است جواب متفاوت بگیرند، چون شاید قیمت یا موجودی در این فاصله عوض شده باشد.

جواب‌های سفید همیشه درست است؟

هیچ چت‌باتی نمی‌تواند این را قول بدهد، و قوانین سفید هم صریحا تضمین صحت کامل نمی‌دهد. کاری که ساختار سفید می‌کند این است که عددها را فقط از داده‌ی فروشگاه بیاورد، جواب را روی دانش خود شما بنا کند، و وقتی جواب را ندارد بگوید نمی‌داند. پنل هم به شما نشان می‌دهد هر جواب از کجا آمده تا اگر جایی خطا بود، پیدایش کنید.

سفید از کدام مدل زبانی بزرگ استفاده می‌کند؛ مدل ایرانی است؟

صفحه‌ی مدل اسم مدل پایه را نمی‌برد؛ می‌گوید sefid-1.0-stable بر پایه‌ی مدل‌های اوپن‌سورس ساخته شده است. چیزی که سفید ساخته، لایه‌ای است که فارسی مشتری‌ها، دانش فروشگاه و قاعده‌های جواب را روی آن مدل پایه سوار می‌کند. پس اگر منظور از «مدل هوش مصنوعی ایرانی» مدلی است که از صفر در ایران ساخته شده، sefid-1.0-stable چنین ادعایی ندارد؛ چت‌باتی فارسی‌محور است که روی مدل‌های اوپن‌سورس کار می‌کند.

مدل هوش مصنوعی رایگان هم هست؟ برای امتحان کردن باید پول بدهم؟

برای امتحان سفید نه. ساخت چت‌بات رایگان است و هر ماه ۵۰ جواب رایگان دارید؛ فقط با شماره موبایل. ولی هیچ جوابی برای ارائه‌دهنده‌اش بی‌هزینه نیست، چون هر بار که مدل اجرا می‌شود هزینه‌ی سرور دارد؛ برای همین پلن‌های پولی سفید بر اساس تعداد جواب حساب می‌شوند.

اگر می‌خواهید همین آزمون‌ها را روی فروشگاه خودتان انجام دهید، رایگان شروع کنید و چت‌بات را با اطلاعات واقعی فروشگاه‌تان امتحان کنید.