تصور کنید یک آشپز خانگی هستید که هر روز ده‌ها پیام متناقض مثل «فردا ناهار نمی‌خوام» در واتس‌اپ دریافت می‌کند. این هرج‌ومرج در مدیریت سفارشات، حالا با DukaanFlow AI به یک جریان داده‌ای منظم تبدیل شده است.
این ابزار به عنوان یک میز سفارش محلی عمل می‌کند و پیام‌های نامنظم مشتریان را بدون نیاز به اشتراک‌های ابری گران‌قیمت، به داده‌های ساختاریافته تبدیل می‌کند. مدیریت اشتراک‌های غذایی معمولاً با ردیابی دستی تغییرات روزانه همراه است که منجر به خطاهای هزینه‌بر می‌شود؛ برای یک فروشنده خانگی، نادیده گرفتن یک پیام «جمعه را لغو کن» یعنی دور ریختن غذا و از دست دادن درآمد. این رویکرد در تبدیل متن به سفارش، یادآور راهکار هوش مصنوعی DoorDash است که برای جایگزینی اپلیکیشن‌ها در پیام‌رسان‌ها طراحی شده تا تجربه سفارش‌دهی را ساده‌تر کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های زبانی کوچک اشاره کردیم، بهینه‌سازی مدل برای کاربردهای خاص، کارایی را به‌شدت بالا می‌برد. DukaanFlow AI دقیقاً همین نقش را ایفا می‌کند و مانند یک فیلتر هوشمند بین چت مشتری و دفتر حسابات فروشنده قرار می‌گیرد.
بر اساس مستندات ارسالی در ۱۶ اکتبر ۲۰۲۶، این سامانه برای تضمین حریم خصوصی و کاهش هزینه، بر یک پشتهٔ فنی محلی متکی است:
- Ollama: موتور اصلی برای اجرای مدل‌های زبانی روی سخت‌افزار محلی.
- Qwen2.5 1.5B: یک مدل زبانی کوچک (SLM) — شبیه به یک دستیار متخصص که به‌جای دانستن همه چیز، فقط در یک زمینه خاص مهارت دارد — که برای تفسیر زبان طبیعی انتخاب شده است.
- Rule-based Fallbacks: لایه‌ای از قوانین ثابت که در صورت تردید هوش مصنوعی، رفتار سیستم را پیش‌بینی‌پذیر می‌کند.
- Human-in-the-Loop: مرحله‌ای که در آن فروشنده باید تغییرات مهم سفارش را تأیید کند. این مدل نظارت انسانی، مشابه ساختار اتوماسیون در n8n برای پشتیبانی دوزبانه است که در آن دقت سیستم با تایید نهایی انسان تضمین می‌شود.
این معماری، توازن قدرت را به نفع توسعه‌دهندگان مستقل و صاحبان کسب‌وکارهای کوچک تغییر می‌دهد. با انتقال استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، مثل خودِ آشپزی و نه دوره‌ی آموزش آشپز — از APIهای پولی به سخت‌افزار محلی، هزینه‌های هر درخواست حذف می‌شود. همچنین، پیام‌های حساس مشتریان دیگر به سرورهای خارجی ارسال نمی‌شوند.
برای کاربر نهایی، این یعنی هوش مصنوعی دیگر فقط «گپ نمی‌زند»، بلکه «اجرا می‌کند». این سیستم به‌جای یک چت‌بات عمومی، برای حل مشکل لجستیک اشتراک‌های غذایی تنظیم شده است. نتیجهٔ این اتفاق، کاهش «مالیات اداری» است؛ همان کارهای تکراری که مانع از رشد کسب‌وکارهای خانگی می‌شد.
توسعه‌دهندگان در حال حاضر می‌توانند کد منبع را در گیت‌هاب بررسی کنند. گام بعدی این پروژه، اعتبارسنجی مدل‌های قیمت‌گذاری با تامین‌کنندگان واقعی است تا مشخص شود آیا هزینه‌ی سخت‌افزار از صرفه‌جویی در API بیشتر است یا خیر.
گام بعدی شما
- اگر کسب‌وکار کوچکی دارید، بررسی کنید آیا بخشی از مدیریت سفارشات شما می‌تواند به فرمت داده‌های ساختاریافته تبدیل شود.
- ابزار Ollama را نصب کنید تا قدرت اجرای مدل‌های کوچک را روی سیستم خود تجربه کنید.
- مدل‌های خانواده Qwen را برای کارهای تخصصی‌تر آزمایش کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های لبه (Edge AI) مراجعه کنید.
گفتگو