تصور کنید یک مبل لوکس را برای فروش می‌گذارید، اما هوش مصنوعی به‌دلیل یک عکس بد از یک کوسن، قیمت آن را تنها ۳.۵ پوند پیشنهاد می‌دهد. این اتفاق در پلتفرم 24ad.info رخ داد و نشان داد که بین تشخیص اشیا توسط ماشین و درک واقعی ارزش بازار، شکافی خطرناک وجود دارد. این شکست که در یک تحلیل فنی به تفصیل شرح داده شده، ریسک‌های ذاتی قیمت‌گذاری خودکار را برملا کرد؛ تا جایی که یک تیکت پشتیبانی با این پرسش که «آیا پلتفرم تبدیل به مؤسسه خیریه شده است؟» باز شد تا عمق این بحران را نشان دهد.
برای اکثر کاربران، فرم‌های هوشمند شبیه جادو هستند، اما در واقع مجموعه‌ای از درخواست‌های زنجیره‌ای (Piped Requests) هستند. در این پلتفرم، سیستم سعی می‌کند فرآیند خسته‌کننده نوشتن آگهی را با تبدیل پیکسل‌ها به برچسب قیمت خودکار کند. این رویکرد بخشی از موج گسترده‌تر صنعت به سمت «تولید محتوای صفر-تلاش» (Zero-effort content creation) است که در آن هوش مصنوعی پیش‌نویس اول یک آگهی تجاری را بر عهده می‌گیرد. این چالش‌ها در واقع نمونه‌ای از همان شکاف هماهنگی در ابزارهای فروش AI است که پیش‌تر بررسی کردیم و نشان می‌دهد چگونه عدم تطابق مدل با واقعیت بازار منجر به شکست عملیاتی می‌شود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی توهمات مدل‌های بینایی اشاره کردیم، تکیه مطلق بر خروجی مدل بدون لایه اعتبارسنجی می‌تواند منجر به نتایج مضحک شود. در اینجا، خطای تشخیص یک شیء کوچک به جای کل محصول، منجر به تخمین قیمتی شد که با واقعیت بازار فاصله داشت.
طبق گزارش فنی این پلتفرم، آن‌ها از مدل Gemini 2.5 Flash (از طریق OpenRouter) برای پردازش تصاویر استفاده می‌کنند. در این گزارش به‌طور خاص اشاره شده که این مدل نسخه ۲.۰ متنی نیست، بلکه نسخه‌ای است که قابلیت بینایی دارد. این مدل — که شبیه به یک تحلیل‌گر سریع است که هزاران عکس را در ثانیه می‌بیند — مراحل زیر را طی می‌کند:
- تحلیل تصویر: شناسایی شیء (مثلاً «آیفون ۱۲، ۶۴ گیگابایت، وضعیت خوب»)، تشخیص نشانه‌های محیطی (Context Clues) — مانند تفاوت بین گوشی روی میز که نشان‌دهنده قصد فروش است در مقابل گوشی در یک تعمیرگاه که نشان‌دهنده ارائه خدمات است — و شناسایی نقص‌های ظاهری مثل خط و خش یا صفحات شکسته.
- جایگاه‌سازی در بازار: تطبیق کالا با آگهی‌های مشابه اخیر در کشور کاربر، بررسی منحنی‌های استهلاک بر اساس سن کالا و تحلیل سیگنال‌های تقاضای محلی، مانند حجم جست‌وجو برای مدل‌های خاص در آن منطقه جغرافیایی.
- پیشنهاد قیمت: محاسبه قیمت میانه (Median Price) کالاهای مشابه و اعمال یک «تخفیف تشویقی» ۱۵ درصدی (فرمول:
medianPrice * 0.85) برای تسریع در فروش. همچنین سیستم برای جلوگیری از نمایش قیمت‌های مضحک، سقف و کف قیمتی تعیین کرده تا کاربر هرگز پیشنهادهایی در حد ۰.۰۱ پوند نبیند.
به نقل از تیم توسعه، علاوه بر قیمت‌گذاری، یک باگ بحرانی در یکپارچگی با Stripe شناسایی شد که ناشی از یک «شکست در فرض‌های اولیه» (Assumption Failure) بود. در جریان (Flow) اولیه، تابع verifyCheckoutSession پرداخت را تایید می‌کرد اما در فراخوانی تابع applyPackageToPost() شکست می‌خورد. نتیجه این بود که کاربران هزینه بسته‌های «Premium» را می‌پرداختند اما هیچ نشان (Badge) یا امتیازی دریافت نمی‌کردند و این موضوع منجر به انفجار تعداد تیکت‌های پشتیبانی شد.
این مشکل در نسخه ۱.۴.۴ با اضافه کردن فراخوانی تابع مفقود شده به جریان تاییدیه و اجرای تست‌های End-to-End برای شبیه‌سازی (Mock) جلسات پرداخت برطرف شد.
در بخش زیرساخت، این پلتفرم برای جست‌وجوی مکان از یک رویکرد ساده SQL استفاده می‌کند. به‌جای لایه‌های پیچیده جست‌وجوی تمام-متن (Full-text search) همراه با فیلترهای بعدی، یک کوئری تک‌مرحله‌ای با استفاده از Bounding-box و فرمول Haversine در جاوااسکریپت به کار می‌رود. این روش از خطای رایج «فیلتر کردن بر اساس مکان و سپس مرتب‌سازی مجدد بر اساس ارتباط» جلوگیری می‌کند. برای کد پستی بریتانیا (مثلاً SW1A 1AA)، سیستم از تطبیق دقیق (Exact Match) روی یک ستون varchar(20) ایندکس شده در جدول شهرها استفاده می‌کند. این بهینه‌سازی در جست‌وجو، در حالی رخ می‌دهد که نرخ تبدیل ترافیک AI-Search در مقایسه با جست‌وجوی سنتی به شدت افزایش یافته و اهمیت دقت در نتایج محلی را دوچندان کرده است.
برای جلوگیری از پاک شدن داده‌ها، اسکریپت استقرار (Deployment) به‌روزرسانی شد. پیش از این، استفاده از دستور rsync --delete ./dist /var/www/24ad.info/ باعث پاک شدن تصادفی پوشه locales/ و حذف تمام ترجمه‌های آلمانی و فرانسوی شده بود. اسکریپت جدید deploy_prod.sh اکنون این پوشه را به‌طور صریح استثنا (Exclude) می‌کند و یک چک‌لیست پیش از استقرار را الزامی کرده است تا فایل enabled-languages.json تایید شود و ابتدا در محیط dev.24ad.info تست گردد.
از نظر معماری، API این سامانه با tRPC ساخته شده تا از الگوی ضدِ «مگا-روتر» (Mega-router) دوری کنند. آن‌ها روترها را به بخش‌های مجزا تقسیم کرده‌اند تا مرزهای کد و استک‌های Middleware مجزا باقی بمانند:
adminRouterبرای عملیات داشبورد مدیریتیpostsRouterبرای عملیات CRUD (ایجاد، خواندن، به‌روزرسانی و حذف)aiRouterبرای قابلیت‌های بینایی و ترجمهpaymentsRouterبرای مدیریت تراکنش‌های استرایپsearchRouterبرای عملیات مکان‌یابی
این ساختار ماژولار اجازه می‌دهد با رشد پلتفرم، کدها راحت‌تر تقسیم (Code Splitting) شوند. شفافیت این گزارش نشان می‌دهد حتی پلتفرم‌های «مبتنی بر هوش مصنوعی» در هسته خود به کوئری‌های ساده دیتابیس و منطق‌های صلب تکیه دارند. برای کاربر نهایی، این یعنی هوش مصنوعی ابزاری برای سرعت است، نه منبع حقیقت. اثر مرتبه دوم این موضوع، بازگشت ضروری به تاییدیه انسانی (Human-in-the-loop) برای جلوگیری از خطاهای قیمت‌گذاری در سطح «خیریه» است.
توسعه‌دهندگان اکنون می‌توانند نقشه راه آینده پلتفرم را دنبال کنند که شامل امتیازدهی به کیفیت آگهی توسط AI، قیمت‌گذاری مجدد خودکار برای پست‌های قدیمی (Stale Posts) و تحلیل دسته‌جمعی تصاویر برای آپلودهای چندگانه است.
گام بعدی شما
- اگر از ابزارهای قیمت‌گذاری خودکار استفاده می‌کنید، حتماً یک لایه «تأیید انسانی» (Human-in-the-loop) برای قیمت‌های خارج از محدوده (Outliers) تعریف کنید.
- در استقرار برنامه‌ها، از دستورات حذف کلی (مانند
--deleteدر rsync) در محیط عملیاتی پرهیز کنید و از لیست‌های استثنا (Exclude) استفاده کنید. - برای مدیریت APIهای پیچیده، معماری ماژولار tRPC را برای جلوگیری از تبدیل شدن روترها به فایل‌های هزار خطی بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو