اتوماسیون کارهای تکراری با هوش مصنوعی: از کجا شروع کنیم

آخرین به‌روزرسانی: ۷ مهر ۱۴۰۵

وقتی کسی تصمیم می‌گیرد «کارها را با هوش مصنوعی خودکار کند»، اغلب از بزرگ‌ترین رؤیا شروع می‌کند: ایجنتی که ایمیل‌ها را بخواند، جواب بدهد، سفارش ثبت کند و گزارش بفرستد. چند هفته بعد پروژه نیمه‌کاره مانده است، چون هیچ‌کس نمی‌داند ایجنت چرا گاهی کار عجیبی می‌کند.

راه مطمئن‌تر برعکس است: یک کار کوچک، یک قدم هوش مصنوعی، و بقیه‌ی مسیر کد معمولی. اتوماسیون با هوش مصنوعی یعنی جریان کاری که قدم‌هایش را شما تعیین کرده‌اید و فقط قدم‌هایی که به فهم متن نیاز دارند به مدل سپرده می‌شوند.

اتوماسیون با هوش مصنوعی چند سطح دارد؟#

سه سطح، و بیشترین سود در سطح وسط است: جریان کار معمولی با یک قدم هوش مصنوعی.

سطح دوم قابل‌پیش‌بینی است، هزینه‌اش را می‌شود حساب کرد، و وقتی خراب شد می‌دانید کجا را نگاه کنید. تفاوت ایجنت و اتوماسیون را در ایجنت هوش مصنوعی چیست باز کرده‌ایم.

کدام کار را اول خودکار کنیم؟#

کاری که زیاد تکرار می‌شود، به فهم متن نیاز دارد، خروجی‌اش راحت بررسی می‌شود و اشتباهش ارزان است. هر چهار معیار با هم:

• تکرار زیاد: هر روز یا هر هفته، نه سالی یک بار.
• نیاز به فهم متن: اگر نیاز ندارد، اسکریپت ساده کافی است.
• خروجی قابل‌بررسی: برچسب، عدد، خلاصه‌ی کوتاه.
• اشتباه ارزان: یک برچسب غلط را می‌شود عوض کرد، یک پرداخت غلط را نه.

چند نمونه برای یک سایت وردپرسی یا فروشگاه کوچک:

چطور یک کار را قدم‌به‌قدم خودکار کنیم؟#

اول دستی، بعد با چت، بعد با کد، و در آخر زمان‌بندی‌شده. این هشت قدم را به ترتیب بروید:

1. یک هفته یادداشت بردارید. کار را دستی انجام دهید و بنویسید هر بار چه تصمیمی گرفتید و چرا. این یادداشت بعداً پرامپت شما می‌شود.
2. با چت امتحان کنید. بیست نمونه‌ی واقعی و پاک‌سازی‌شده را به یک دستیار هوش مصنوعی بدهید و جواب را با تصمیم خودتان مقایسه کنید.
3. پرامپت را اصلاح کنید تا روی همان بیست نمونه نتیجه‌ی قابل‌قبول بدهد. نمونه‌هایی را که اشتباه شد، به‌عنوان مثال در پرامپت بگذارید.
4. خروجی را ساخت‌یافته کنید. از مدل JSON با فیلدهای مشخص بخواهید، نه متن آزاد. روشش در گرفتن خروجی JSON از هوش مصنوعی.
5. در کد اعتبارسنجی کنید. هر خروجی که با قالب یا مقدارهای مجاز نخواند، به صف بررسی دستی برود.
6. اول پیش‌نویس، بعد اقدام. در هفته‌های اول، اتوماسیون فقط پیشنهاد بدهد و انسان تأیید کند.
7. زمان‌بندی کنید، با کرون‌جاب روی هاست یا یک ابزار بدون کد. نکته‌های کرون در کرون‌جاب سی‌پنل و مسیر PHP.
8. لاگ و سقف هزینه بگذارید. ورودی، خروجی و تصمیم نهایی را نگه دارید و در پنل سرویس API سقف مصرف تعیین کنید. راه‌های کم‌کردن هزینه در محاسبه و کاهش هزینه‌ی API هوش مصنوعی.

مثال: برچسب‌زدن پیام‌های فرم تماس#

پیام ذخیره می‌شود، یک قدم هوش مصنوعی برچسب می‌زند، کد برچسب را بررسی می‌کند و پیام به صف مربوط می‌رود. قلب کار بخش اعتبارسنجی است، چون مدل ممکن است برچسبی بسازد که در فهرست شما نیست یا به‌جای JSON متن توضیحی برگرداند:

function di9_label_message( string $message ): string {
    $allowed = [ 'sales', 'support', 'partnership', 'spam', 'other' ];

    // di9_ai_request(): تابع اتصال به API که جداگانه نوشته‌اید
    $raw  = di9_ai_request( 'label_prompt', mb_substr( $message, 0, 4000 ) );
    $data = json_decode( (string) $raw, true );

    $label = is_array( $data ) ? ( $data['label'] ?? '' ) : '';

    if ( ! in_array( $label, $allowed, true ) ) {
        error_log( 'AI label rejected: ' . mb_substr( (string) $raw, 0, 200 ) );
        return 'other'; // به صف بررسی دستی می‌رود
    }

    return $label;
}

تابع اتصال به API را در اولین اتصال به API هوش مصنوعی با PHP نوشته‌ایم. این تابع را نه موقع ارسال فرم، بلکه در یک کار زمان‌بندی‌شده صدا بزنید تا کندی یا قطعی سرویس، فرم سایت را از کار نیندازد.

رایج‌ترین اشتباه‌ها کدام‌اند؟#

بزرگ شروع کردن و اعتماد زودهنگام. بقیه‌ی اشتباه‌ها معمولاً از همین دو می‌آیند:

• شروع با ایجنت برای کاری که یک اسکریپت و یک پرامپت کافی بود.
• آزمایش با سه نمونه‌ی ساده. داده‌ی واقعی همیشه عجیب‌تر است.
• اعتماد به خروجی بدون اعتبارسنجی. مدل گاهی قالب را رعایت نمی‌کند.
• ارسال خودکار از روز اول. اول اعتماد، بعد خودکارسازی کامل.
• نبودن لاگ. وقتی مشکلی گزارش شد، نمی‌دانید مدل چه دیده و چه گفته است.
• فرستادن داده‌ی حساس بی‌دلیل. نام و شماره‌ی مشتری را اگر لازم نیست، نفرستید.

این موضوع به کجا می‌رود#

قدم هوش مصنوعی دارد به بخش عادی ابزارهای اتوماسیون تبدیل می‌شود و مدل‌ها در خروجی ساخت‌یافته و صدا زدن ابزار دقیق‌تر می‌شوند. ایجنت‌ها هم تکه‌های بزرگ‌تری از کار را برمی‌دارند. ولی الگوی پایه عوض نمی‌شود: اسکلت قابل‌پیش‌بینی، قدم هوش مصنوعی، اعتبارسنجی در کد و بررسی انسانی برای کارهای پرخطر.

برای آمادگی:

• نمونه‌های واقعی و جواب درستشان را به‌عنوان مجموعه‌ی آزمون نگه دارید تا عوض کردن مدل یا پرامپت را بتوانید بسنجید.
• قدم هوش مصنوعی را پشت یک تابع جدا بگذارید تا عوض کردن سرویس، بقیه‌ی کد را تکان ندهد.
• روال دستی کار را مکتوب نگه دارید؛ هم پرامپت بهتری می‌سازد، هم برنامه‌ی جایگزین روز قطعی است.

خلاصه#

• بیشتر اتوماسیون‌های موفق، جریان کار معمولی با یک قدم هوش مصنوعی‌اند.
• کاری را انتخاب کنید که تکراری است، به فهم متن نیاز دارد و اشتباهش ارزان است.
• اول دستی و با نمونه‌ی واقعی امتحان کنید، بعد خودکار.
• خروجی را ساخت‌یافته بگیرید و در کد اعتبارسنجی کنید.
• پیش‌نویس قبل از اقدام، و لاگ و سقف هزینه از روز اول.