اگر توسعه‌دهنده مستقل هستید و می‌خواهید اپلیکیشنی بسازید، فاصله میان یک پروتوتایپ ساده و یک محصول واقعی همان جایی است که اکثر پروژه‌ها شکست می‌خورند. در ۱۸ ژوئن ۲۰۲۶، یک برنامه نویس نقشه‌ی معماری goNutriTrack را منتشر کرد؛ یک ردیاب تغذیه رایگان و چندزبانه که ورودی‌های دستی را با هوش مصنوعی زاینده (Generative AI) جایگزین کرده است.
به نقل از گزارش وب‌سایت dev.to، این برنامه به کاربران اجازه می‌دهد تنها با گرفتن یک عکس یا توصیف شفاهی، وعده غذایی خود را ثبت کنند. اکثر اپلیکیشن‌های تغذیه به دلیل خسته‌کننده بودن ثبت دستی داده‌ها شکست می‌خورند. این پروژه با نگاه به AI نه به عنوان یک چت‌بات، بلکه به عنوان یک تجزیه‌کننده (Parser) سریع، این اصطکاک را از بین برده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی کاهش هزینه‌های استنتاج اشاره کردیم، بهینه‌سازی مسیر داده از مدل به کاربر، کلید پذیرش محصول است. در همین راستا، استفاده از ابزارهای بهینه‌سازی مانند سیستم نقاط کش در SDKهای جدید می‌تواند سرعت پاسخ‌دهی عامل‌های هوش مصنوعی را به شدت افزایش دهد.
برای پیاده‌سازی این سیستم، توسعه‌دهنده از یک معماری بدون سرور (Serverless) — شبیه به اجاره کردن یک آشپزخانه صنعتی که فقط هنگام پخت غذا هزینه پرداخت می‌کنید و نیازی به مدیریت کل ساختمان ندارید — استفاده کرده تا از پیچیدگی‌های Docker یا سرورهای اختصاصی فاصله بگیرد. طبق مستندات فنی پروژه، ستک تکنولوژی این اپلیکیشن شامل موارد زیر است:
- مدل‌های Anthropic Claude (نسخه‌های Vision و Haiku) برای شناسایی اجزا و پردازش صدا
- پایگاه‌های داده OpenFoodFacts و USDA برای جستجوی بارکد و متن
- فرانت‌اند: React و Vite PWA
- بک‌اند: Cloudflare Workers برای مدیریت درخواست‌های API
- پایگاه داده: Supabase
- میزبانی: Cloudflare Pages
یکی از چالش‌های اصلی، باگ «صفحه سفید» در iOS بود که با تغییر استراتژی مدیریت کش در Service Worker حل شد. همچنین برای مدیریت قطع و وصل شدن اینترنت، یک صف در localStorage تعبیه شده تا درخواست‌های Supabase پس از بازگشت کاربر به شبکه، به‌طور خودکار همگام‌سازی شوند.
در نهایت، برای مقابله با توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه به دوستی که خاطره‌ای را اشتباه تعریف می‌کند — هر مورد شناسایی‌شده پیش از ذخیره، قابل ویرایش است. این رویکرد ثابت می‌کند که در ابزارهای کاربردی، گنجاندن مرحله ویرایش توسط انسان (Human-in-the-loop) بسیار ارزشمندتر از تلاش برای رسیدن به دقت ۱۰۰٪ مدل است.
گام بعدی شما
- اگر در حال ساخت ابزارهای AI هستید، به جای تمرکز بر دقت مطلق مدل، روی رابط‌های ویرایشی برای کاربر تمرکز کنید.
- معماری Cloudflare Workers را برای کاهش تأخیر در فراخوانی APIهای مدل‌های زبانی بررسی کنید.
- از استراتژی cache-first برای بهبود تجربه کاربری در PWAهای مبتنی بر هوش مصنوعی استفاده کنید.
اما داستان سخت‌افزاری این تحولات حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو