تصور کنید مشتری شما در یک فروشگاه آنلاین، جمله‌ای را به ترکیبی از انگلیسی و زبان محلی می‌نویسد و پیش از آنکه پلک بزند، دقیق‌ترین محصول را می‌بیند. این همان تجربه‌ای است که TonuAI با کاهش زمان بازیابی به زیر ۵ میلی‌ثانیه ایجاد کرده است. این سیستم ثابت می‌کند که برای تجارت الکترونیک ساختاریافته، همیشه به پایگاه‌های داده برداری پیچیده نیاز نیست.
بسیاری از دستیارهای هوش مصنوعی امروزی بر پایه بردار معنایی (Embedding) — که شبیه کارت معرفی عددی برای هر واژه است و می‌گوید این کلمه همسایه‌ی چه کلمات دیگری است — کار می‌کنند. اما این روش در مقیاس‌های کوچک یا داده‌های ساختاریافته، باعث ایجاد تأخیر و هزینه‌های اضافی می‌شود. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی استنتاج اشاره کردیم، همیشه پیچیدگی بیشتر به معنای کارایی بالاتر نیست.
این سامانه که توسط اس. ام. آصف انام (S M Asif Anam)، معمار ارشد سیستم، برای فروشگاه Tonu در بنگلادش توسعه یافته، با چالشی جدی روبروست: کاربران در این منطقه از «بنگلش» (Banglish) استفاده می‌کنند؛ یعنی نوشتن زبان بنگالی با حروف لاتین. در این بازار منطقه‌ای، سیالیت زبانی یک چالش است، زیرا مشتریان در یک جمله واحد، بنگالی، انگلیسی و بنگلش را با هم ترکیب می‌کنند.
زمینه و اهداف سیستم
هدف از طراحی TonuAI این بود که مشتریان بتوانند سوالاتی طبیعی درباره مراقبت از پوست بپرسند و توصیه‌های مرتبط را با سرعت بسیار بالا دریافت کنند. این سیستم به‌طور خاص برای بازار بنگلادش طراحی شده است و ترکیب زبان‌های بنگالی، بنگلش و انگلیسی را نه به عنوان یک لایه اضافی، بلکه به عنوان یک نیاز اصلی در هسته سیستم در نظر گرفته است.
به عنوان مثال، این سیستم می‌تواند سه نسخه مختلف از یک درخواست را به‌طور یکسان پردازش کند: «?Oily skin er jonno kon cleanser ta valo» (بنگلش)، «তৈলাক্ত ত্বকের জন্য কোন cleanser ভালো؟» (بنگالی) یا «?Which cleanser is good for oily skin» (انگلیسی).
به نقل از مستندات فنی منتشر شده در ۲۰ اوت ۲۰۲۶، معماری این سیستم به دو لایه مجزا تقسیم می‌شود. لایه اول یک خط لوله پردازش داده مبتنی بر پایتون است که داده‌های پراکنده از پایگاه‌های داده MySQL، محتوای سئو و مشخصات محصول را به یک رکورد یکپارچه تبدیل می‌کند. برای تضمین دقت، توسعه‌دهنده قوانین «حفاظت از برند» را اجرا کرده است تا از تطبیق اشتباه محصولات بین برندهای مختلف توسط هوش مصنوعی جلوگیری شود. این رویکرد یادآور استراتژی‌های مهندسی لایه‌ای برای حذف توهمات در تولید انبوه صفحات محصول است که دقت داده‌ها را در مقیاس بالا تضمین می‌کند.
لایه‌ی پردازش داده‌ها
برای ایجاد یک پایگاه داده یکپارچه، خط لوله (Pipeline) پردازش داده‌ها اطلاعات را از چندین منبع مختلف جمع‌آوری و ترکیب می‌کند:
- توضیحات و مشخصات فنی محصولات
- محتوای سئو (SEO)
- داده‌های پایگاه داده MySQL (شامل قیمت‌ها و وضعیت موجودی)
- تصاویر محصولات
برای مدیریت فرمت‌های نامنظم، سیستم از منطق نرمال‌سازی و تطبیق بر اساس نام محصول، اسلاگ‌ها (Slugs)، توکن‌ها و اطلاعات برند استفاده می‌کند. در بخش تطبیق تصاویر، قوانین خاصی تعریف شده تا از تطبیق‌های نادرست فرم جلوگیری شود؛ به این معنا که تصویر یک سرم تنها به دلیل شباهت نام، به یک کرم اختصاص نیابد. همچنین، تصاویر تکراری با استفاده از هش فایل‌ها (File Hashes) شناسایی و حذف می‌شوند.
لایه‌ی RAG و اپلیکیشن
بخش دوم سامانه، یک اپلیکیشن تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — است که با Next.js ساخته شده است. طبق گزارش توسعه‌دهنده، TonuAI به‌جای جست‌وجوی برداری سنتی، از یک مکانیزم امتیازدهی وزنی برای کلیدواژه‌ها استفاده می‌کند. منطق امتیازدهی اولویت‌ها را به این ترتیب قرار می‌دهد:
- تطابق برند: ۳۵ امتیاز
- تطابق نوع پوست: ۳۰ امتیاز
- تطابق دسته‌بندی: ۲۵ امتیاز
- تطابق مشکل پوستی: ۲۰ امتیاز
- تطابق کلمات نام: ۱۵ امتیاز
- تطابق ترکیبات: ۵ امتیاز
برای مدیریت رفتارهای پیچیده مشتری، مؤلفه‌ای به نام splitIntoSegments() تعبیه شده است. این ابزار اجازه می‌دهد پرسش‌های چندمنظوره — مثلاً درخواست پیشنهاد یک محصول، پرسش درباره قیمت آن و بررسی گزینه‌های ارسال به شهر چیتاگونگ — به‌جای یک پرامپت گیج‌کننده، به عنوان وظایف مستقل پردازش شوند.
رابط گفتگو که ایرا (Ira) نام دارد، به‌طور سخت‌گیرانه فقط به موضوعات مراقبت از پوست محدود شده است. این محدودیت مانع از آن می‌شود که بات به سمت گفتگوهای عمومی منحرف شود و تجربه کاربر را متمرکز بر فروش و پشتیبانی نگه می‌دارد. این سیستم در حال حاضر بیش از ۵۵ محصول تأییدشده و ۳۰ تصویر نقشه‌برداری‌شده را مدیریت می‌کند و قابلیت ردیابی لحظه‌ای جلسات پشتیبانی ادمین را فراهم می‌سازد.
این رویکرد، این فرض رایج در صنعت را که RAG برای اثربخشی حتماً باید پیچیده باشد، به چالش می‌کشد. با استفاده از قوانین خاص دامنه و نرمال‌سازی چندزبانه، توسعه‌دهندگان می‌توانند به سرعت در سطح تولید دست یابند، بدون اینکه هزینه‌های ایندکس‌گذاری برداری با ابعاد بالا را متحمل شوند. این تجربه نشان می‌دهد که برای کاتالوگ‌های ساختاریافته، یک لایه‌ی بازیابی «کم‌عمق» اغلب در دنیای واقعی و از نظر تأخیر (Latency)، بهتر از لایه‌های «عمیق» عمل می‌کند.
گام بعدی شما
- اگر صاحب فروشگاه آنلاین هستید، بررسی کنید آیا داده‌های شما به‌قدری ساختاریافته هست که به‌جای دیتابیس‌های برداری گران‌قیمت، از امتیازدهی کلیدواژه‌ای استفاده کنید.
- برای کاهش نرخ توهم در بات‌های فروشگاهی، محدودیت‌های موضوعی (مثل مدل ایرا) را در پرامپت سیستمی اعمال کنید.
- در صورت استفاده از داده‌های چندزبانه، لایه‌ی نرمال‌سازی را پیش از ارسال داده به مدل قرار دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو