https://virgool.io/feed/@omirabzadeh fa 2026-06-07 04:42:24 https://static.virgool.io/images/default-avatar.jpg https://virgool.io/@omirabzadeh https://virgool.io/@omirabzadeh/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%D8%AF%D8%B3%D8%AA%DB%8C%D8%A7%D8%B1-%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF-%D9%85%DA%A9%D8%A7%D9%84%D9%85%D9%87-%D8%A7%DB%8C-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D8%B1%D8%B3%D8%A7-%D9%82%D8%B3%D9%85%D8%AA-%D8%AF%D9%88%D9%85-qliqendaucce بخش درک زبان طبیعیتوسعۀ دستیار هوش مصنوعی در رسا با طراحی مکالمه شروع می‌شود.در فرایند طراحی مکالمه، دربارۀ این‌ها سؤال می‌شود:کاربران چه کسانی هستند؟برای چه منظوری از دستیار استفاده می‌کنند؟طراحی مکالمه گام بسیار مهمی است که به شما کمک می‌کند تا مقصود و کاربردپذیری (usability) دستیارتان را بهتر درک کنید.بهترین راه برای شروع طراحی مکالمه این است که به چیزهایی که از قبل دربارۀ مخاطب بالقوۀ خود می‌دانید رجوع کنید.برای مثال:کار کردن با خبره‌های دامنه و اهرم کردن دانش آن‌ها دربارۀ کاربران شما؛بیشترین کوئری‌های جست‌وجوی کاربران در وب‌سایت؛رایج‌ترین سؤال‌هایی که از تیم پشتیبانی مشتریان پرسیده شده است.اطلاعاتی نظیر این‌ها به شما کمک می‌کند تا رایج‌ترین سؤال‌هایی را که ممکن است مخاطب بالقوه از دستیار شما بپرسد تعریف کنید.در حالت کلی، طراحی مکالمه کاری چالشی است، چراکه در زندگی واقعی، مکالمه‌ها معمولاً از تعاملات رفت‌وبرگشتی زیادی شکل می‌گیرند؛به همین دلیل، توصیه می‌شود در مراحل اولیه به مکالمه‌های ساده‌ اکتفا کنید و دستیارتان را توسعه دهید و آن را در اولین فرصت در اختیار کاربرانتان قرار دهید.همان‌طور که در مطلب اول به‌اختصار اشاره شد، بخش درک زبان طبیعی مبتنی بر دو مفهوم اینتنت و انتیتی عمل می‌کند.تعریف اینتنت و انتیتی‌ها در رسا در فایل nlu.yml انجام می‌شود. قالب تعریف انتیتی به این صورت است:[entity_name] (entity_type)نکته‌هایی که در زمان ایجاد مجموعۀ تعلیم باید به آن‌ها دقت کنید:برای شروع، معمولاً ۵ تا ۱۰ نمونه به‌ازای هر اینتنت عدد خوبی است.واضح است که هرچه تعداد نمونه‌ها بیشتر باشد بهتر است، اما هم‌زمان باید اطمینان پیدا کنید داده‌ای که برای تعلیم مدل به کار گرفته می‌شود دادۀ باکیفیتی باشد.نیازی نیست که تمامی تنوع‌های هر ورودی بخصوص را بنویسید تا اینتنت را تعلیم دهید.بررسی کنید که نمونه‌ها مربوط به اینتنت‌های واقعی (actual intent) باشند.اطمینان حاصل کنید که نمونه‌ها به‌اندازۀ کافی متنوع باشند (از منظر واژگان و از منظر ساختار جمله).برای اینکه دستیار شما بتواند اینتنت‌ها را درک کند و انتیتی‌ها را استخراج کند (همان‌طور که اشاره شد، این‌ها در فایل NLU تعریف می‌شوند)، باید یک مدل بسازید.این کار در ماژول درک زبان طبیعی، از طریق تعریف کردن پایپ‌لاین پردازش، انجام می‌شود.پایپ‌لاین را می‌شود به‌عنوان دنباله‌ای از گام‌های پردازشی در نظر گرفت که برای استخراج ویژگی‌های خاص متن و تعلیم مؤلفه‌های بخصوصی استفاده می‌شود که به مدل اجازه می‌دهد تا الگوهای زیرین را از مثال‌های ارائه‌شده یاد بگیرد.با استفاده از رسا، شما هم می‌توانید پایپ‌لاین شخصی‌شده‌ای بسازید و هم می‌توانید از پایپ‌لاین‌های از پیش پیکربندی‌شده استفاده کنید.دو نمونه از پایپ‌لاین‌های از پیش پیکربندی‌شدۀ موجود در رسا در شکل ۱ نشان داده شده است.شکل ۱: دو نمونه از پایپ‌لاین‌های از پیش پیکربندی‌شدۀ موجود در رسا.در این مطلب، جزئیات گام‌های این پایپ‌لاین‌ها را بیان نمی‌کنیم، صرفاً به چند قانون سرانگشتی برای انتخاب پایپ‌لاین مناسب برای کاربرد شما اشاره می‌کنیم:اگر دستیارتان را در زبانی می‌سازید که word embeddingهای pre-trained برای آن وجود ندارد، سراغ پایپ‌لاین supervised_embeddings بروید.اگر دستیار شما قرار است نمونه‌های پیشرفته‌ای مثل پیام‌های دارای چندین اینتنت را مدیریت کند، سراغ پایپ‌لاین supervised_embeddings بروید.اگر اصطلاح‌ها و acronymهای مختص دامنۀ شما خیلی زیاد است و درعین‌حال، داده‌های تعلیم زیادی در اختیار دارید، سراغ پایپ‌لاین supervised_embeddings بروید.برای تعداد نمونه‌های مجموعۀ تعلیم عدد دقیقی را نمی‌شود بیان کرد، اما اگر هزار دادۀ برچسب‌خورده یا بیشتر دارید، می‌توانید از پایپ‌لاین supervised_embeddings استفاده کنید.ساختن و پیکربندی کردن هر پایپ‌لاین کاری است که معمولاً از مجموعه‌ای از گام‌های رو به جلو و رو به عقب (رفت و برگشت) تا زمان رسیدن به بهترین نتایج تشکیل می‌شود.هرچه دادۀ تعلیم بیشتری داشته باشید و بیشتر دربارۀ آن‌ها یاد بگیرید، می‌توانید مدل‌های بهتری بسازید.داده مهم‌ترین بخش ساخت مدل‌های NLU خوب است. با داشتن داده‌های کافی و خوب می‌توانید اطمینان حاصل کنید که تمامی مؤلفه‌هایی که در پایپ‌لاین تعریف کرده‌اید به‌خوبی تعلیم دیده‌اند و مدل شما کاری را که انتظار می‌رود انجام می‌دهد.در انتهای این بخش، به بررسی پرسش‌های متداول توسعه‌دهندگان و پاسخ آن‌ها می‌پردازیم:آیا ترتیب قرارگیری مؤلفه‌ها در پایپ‌لاین مهم است؟بله.آیا باید نگران نامتوازن بودن کلاس‌ها در داده‌های تعلیم NLU باشیم؟برخی اوقات، بعضی اینتنت‌ها به‌صورت درخور توجهی، حجم نمونۀ بیشتری نسبت به سایر کلاس‌ها دارند. در یادگیری ماشین به این مسئله، class imbalance می‌گویند و ممکن است روی مدل تأثیر بگذارد و باعث شود که مدل ضعیف عمل کند. چند کار هست که می‌توانید برای حل این مسئله انجام دهید.باید سعی کنید کم‌وبیش تعداد مشابهی نمونه در هر کلاس داشته باشید.رسا کارهایی را برای مدیریت این مسئله انجام داده است: پایپ‌لاین supervised_embeddings از استراتژی balanced batching strategy برای حل این مسئله استفاده می‌کند.آیا علامت‌گذاری در داده‌های تعلیم مهم است؟خیر، چون علامت‌گذاری‌ها به‌عنوان توکن استخراج نمی‌شوند و در نتیجه، به‌عنوان ویژگی‌های مدل در نظر گرفته نمی‌شوند؛ به همین دلیل، علامت‌گذاری روی خروجی intent classification یا NER تأثیر نمی‌گذارد.آیا intent classification و Entity Extraction حساس به کوچک یا بزرگ بودن کاراکترها هستند؟این مسئله به وظیفۀ در حال انجام بستگی دارد. به‌صورت پیش‌فرض، NER به کوچک و بزرگ بودن کاراکترها حساس است، NER توکن‌ها را همان‌طور که هستند (با حروف کوچک و بزرگ) می‌گیرد.در نقطۀ مقابل، intent classification به‌صورت پیش‌فرض، به کوچک یا بزرگ بودن کاراکترها حساس نیست، چراکه featurizer‌ هر چیزی را به حروف کوچک تبدیل می‌کند.احساس می‌کنم برخی اینتنت‌ها در مجموعۀ دادۀ تعلیم من خیلی به هم شبیه هستند. دربارۀ این‌ها باید چه‌کار کنم؟در این صورت برای مدل خیلی سخت است که بین این اینتنت‌‌ها (کلاس‌ها) تمایز قائل شود.با وجود این خیلی مهم است که در زمان ساخت مجموعۀ تعلیم مراقب باشید. معمولاً ایجاد اینتنت‌های جدید ضروری نیست، چراکه نمونه‌ها ممکن است توسط انتیتی‌ها از هم تفکیک شوند.در شکل‌های ۲ و ۳، نمونه‌ای از ادغام دو اینتنت و تفکیک آن‌ها از طریق انتیتی نشان داده شده است.شکل ۲. نمونه‌ای از دو اینتنت شبیه به هم.برای این منظور، به‌جای دو اینتنت مجزای نام و تاریخ، می‌توانیم یک اینتنت اطلاعات در نظر بگیریم که نوع انتیتی آن در هر نمونه متمایز است.شکل ۳. نمونه‌ای از ادغام دو اینتنت شبیه به هم و تفکیک آنها به کمک انتیتی.در ادامه و در داده‌های تعلیم dialogue management می‌توانید story pathهای مختلفی تعریف کنید، بر حسب اینکه NLU چه انتیتی‌ای را استخراج کرده است.اگر بخواهم از ورودی‌های تک‌کلمه‌ای انتیتی استخراج کنم باید چه‌کار کنم؟این کار خیلی چالش‌برانگیز است. بهترین تکنیکی که می‌توانید در حال حاضر به کار بگیرید این است که یک اینتنت بخصوص بسازید (برای مثال inform) که شامل مثال‌ها و نمونه‌هایی خواهد بود از اینکه کاربر چطور اطلاعات ارائه می‌کند، حتی اگر آن ورودی‌ها فقط شامل یک کلمه باشد. شما باید این نمونه‌ها را همان‌طوری برچسب بزنید که هر نمونۀ NLU دیگری را برچسب می‌زنید و آن‌ها را برای intent classification و entity extraction به کار بگیرید.آیا می‌توانم بیش از یک مدل intent classification در پایپ‌لاینم مشخص کنم؟اگرچه ازنظر تکنیکی می‌توانید چنین کاری کنید، اما در واقع انجام این کار مزیتی ندارد، چراکه باتوجه‌به نحوۀ کار کردن رسا در حال حاضر، پیش‌بینی‌های آخرین مدل intent classification مشخص‌شده، همواره برنده خواهد شد.چطور غلط‌های املایی کاربران را در ورودی‌ها مدیریت کنم؟در دنیای واقعی، غلط‌های املایی در ورودی‌های کاربر چیزی است که نمی‌توان از آن اجتناب کرد، اما کارهای کمی هست که می‌توانید انجام دهید تا این مسئله را دور بزنید یا آن را کاهش دهید.یکی از کارهایی که می‌توانید بکنید پیاده‌سازی نوعی spell checker شخصی‌سازی‌شده و اضافه کردن آن به پیکربندی پایپ‌لاین شخصی‌سازی‌شده‌تان است. این راه خیلی خوبی برای اصلاح غلط‌های املایی در انتیتی‌های استخراج‌شده است. کار دیگری که می‌توانید بکنید این است که نمونه‌هایی با غلط املایی در داده‌های تعلیمتان اضافه کنید تا مدل شما آن‌ها را هم بردارد و ببیند.بخش مدیریت دیالوگ (Core)با ساخت مدل‌های NLU، دستیار شما قادر خواهد بود تا ورودی‌های کاربر را بفهمد.از طریق مدیریت دیالوگ، دستیار شما درحالی‌که زمینۀ مکالمه را حفظ می‌کند، می‌تواند به مکالمه پاسخ بدهد.همان‌طور که در بخش اول این مجموعه مطالب بیان شد، در حال حاضر رایج‌ترین روش ساخت دستیارهای هوشمند مکالمه‌ای در بازار از طریق استفاده از مجموعه‌ای از قوانین یا یک ماشین حالت است. این رویکرد مدیریت کردن مسیر موردانتظار را خیلی ساده می‌کند.اما در مکالمۀ طبیعی، انحراف از این مسیر موردانتظار اجتناب‌ناپذیر است و امکان ندارد شما بتوانید قوانینی برای همۀ انحراف‌های احتمالی از مسیر مکالمه بنویسید.در صورت استفاده از ماشین حالت، زمانی که مکالمۀ کاربر از مسیر موردانتظار منحرف می‌شود، دستیار شما از کار می‌افتد که این مسئله به خلق تجربۀ کاری ناامیدکننده‌ای منجر می‌شود.چالش دیگر استفاده از ماشین حالت این است که وقتی مسئله بزرگ می‌شود، کار کردن با دستیارهای مبتنی بر قوانین خیلی دشوار است، چراکه مدیریت کردن، نگهداری و دیباگ کردن مجموعۀ عظیمی از قوانین خیلی دشوار است و با گذشت زمان دشوارتر می‌شود؛به همین دلیل، رسا رویکرد کاملاً متفاوتی برای مدیریت دیالوگ انتخاب کرده است.رسا به‌جای ایجاد قوانین و تحمیل کردن آن‌ها به کاربران، از یادگیری ماشین استفاده می‌کند تا از روی داده‌های مکالمه‌ای نمونه، الگوهای مکالمه‌ای را یاد بگیرد و پیش‌بینی کند که در هر وضعیت بخصوص، باتوجه‌به زمینه و تاریخچۀ مکالمه و جزئیات دیگر، دستیار چطور باید پاسخ دهد.مؤلفه‌ای که در رسا مسئولیت مدیریت دیالوگ را به عهده دارد Core نامیده می‌شود.در توسعۀ دستیار هوش مصنوعی مکالمه‌ای با استفاده از رسا، همه‌چیز از داده‌‌های تعلیم شروع می‌شود. در مدیریت دیالوگ، این داده‌ها، stories نامیده می‌شود: مکالمه‌ای مثالی بین کاربر و دستیار که در قالبی خاص نوشته شده است.این فرمت بسیار ساده است. ورودی‌های کاربر در قالب اینتنت و انتیتی‌های متناظر بیان می‌شود، درحالی‌که پاسخ‌های دستیار در قالب action name‌ها بیان می‌شود.در کل، دو نوع action وجود دارد که در رسا می‌توانید از آن‌ها استفاده کنید: Utterances و Custom Actions.در رسا، Utteranceها پیام‌های hardcodeشده‌ای هستند که بازو/ دستیار می‌تواند با کمک آن‌ها به کاربر پاسخ بدهد.از طرف دیگر، custom actions می‌تواند دربردارندۀ مجموعه‌ای کد شخصی باشد که قابلیت اجرا شدن دارد.تعلیم ماژول مدیریت دیالوگ هم مثل تعلیم ماژول NLU به مجموعۀ متنوعی از نمونه‌های تعلیم نیاز دارد، به همین دلیل است که stories در داده‌های تعلیم شما باید انواع تغییر جهت‌های دیالوگ را پوشش دهد.درحالی‌که قانون مشخصی وجود ندارد که برای تعلیم ماژول مدیریت دیالوگ و ساخت یک مدل خوب به چه تعداد نمونۀ تعلیم نیاز دارید، یک نکتۀ مهم که باید به خاطر بسپارید این است که دستیار شما باید در کوتاه‌ترین زمان ممکن، شروع به یاد گرفتن از کاربران واقعی کند.توصیه می‌شود ابتدا روی ساخت نوعی برنامۀ کاربردی ساده تمرکز کنید، برنامه‌ای کاربردی که بتواند مسیر موردانتظار و شاید هم برخی انحراف‌ها از مسیر موردانتظار را به‌خوبی مدیریت کند و دستیار شما را در کوتاه‌ترین زمان ممکن در دسترس کاربران قرار دهد، چراکه مکالمه‌هایی که با کاربران واقعی اتفاق می‌افتد، بهترین دادۀ تعلیمی است.یک جزء بسیار مهم دیگر در ساخت مدل مدیریت دیالوگ دامنه است.دامنه جهانی را تعریف می‌کند که دستیار در آن جهان کار می‌کند. دستیار می‌تواند چه اینتنت و انتیتی‌هایی را بفهمد؟ دستیار باید آماده باشد تا به چه custom actionها و utteranceهایی پاسخ بدهد؟ آن utteranceها چطور به نظر می‌رسند؟ دستیار باید در طول مکالمه، چه اطلاعاتی را به خاطر بسپارد و در هر زمینۀ بخصوص به کار بگیرد؟شکل ۴ اجزای تشکیل‌دهندۀ دامنه را نشان می‌دهد.شکل ۴. اجزاء تشکیل‌دهنده دامنه.فایل دامنه سه جزء اصلی دارد که برای ساخت هر دستیاری با استفاده از پلتفرم رسا ضروری هستند:Intentsجزئیات این بخش باید از مدل NLU بیاید.نکته: انتیتی‌ها هم باید در فایل domain آورده شوند.Actionsفهرست همۀ utteranceها و custom actionهایی که دستیار باید از آن‌ها استفاده کند تا به کاربر پاسخ بدهد.Templatesاینجا جایی است که می‌توانید پاسخ‌های حقیقی‌ای را تعریف کنید که دستیار، وقتی که یک utterance بخصوص پیش‌بینی شده است، باید ارائه کند.مشخص کردن پاسخ‌ها از دو طریق اضافه کردن قالب‌های پاسخ به فایل دامنه یا از طریق custom actionها انجام می‌شود.ممکن است هر utterance بیش از یک قالب داشته باشد و پاسخ ممکن است از پاسخ‌های سادۀ متنی فراتر برود (استفاده از تصاویر، دکمه‌ها و...).بخش دیگری که در فایل domain وجود دارد و برای مدیریت دیالوگ با رسا خیلی مهم است بخش slots است.در رسا، Slotها حافظۀ دستیار شما هستند و دستیار شما را قادر می‌سازند که جزئیات مهم را به خاطر بسپارد و زمانی که مکالمه به پیش می‌رود، از این slotها در زمینه‌ای بخصوص استفاده کند.مقادیر slotها تا زمانی که ریست نشوند در حافظه نگهداری می‌شوند.در این مجموعه مطالب، به معرفی انواع slotهایی که در رسا موجود است و کاربرد هرکدام نمی‌پردازیم.در رسا، ماژول‌های مدیریت دیالوگ از طریق dialogue policies تعریف می‌شوند.سیاست مؤلفه‌ای است که مسئول تصمیم‌گیری دربارۀ این مسئله است که دستیار در مرحلۀ بعدی باید چطور پاسخ دهد.سیاست‌های تعلیم ممکن است به‌سادگیِ تقلید کردن مدل از مکالمه‌هایی باشد که با استفاده از آن‌ها تعلیم دیده است یا الگوریتم‌های یادگیری ماشین کاملاً پیچیده‌ای باشد که قابلیت دارند اقدام بعدی را بر اساس بسیاری از جزئیات مثل سابقۀ مکالمه، زمینه و اطلاعات دیگر پیش‌بینی کنند.پیکربندی سیاست شما ممکن است متشکل از چندین سیاست مختلف باشد؛ در این صورت، سیاست با بیشترین اطمینان از پیش‌بینی خود برنده می‌شود. اگر چندین سیاستْ اقدام بعدی را با امتیاز اطمینان یکسان پیش‌بینی کنند، سیاستی برنده می‌شود که policy priority بالاتری دارد.در این مجموعه مطالب، به معرفی انواع هایپرپارامترهای سیاست و همچنین انواع سیاست‌هایی که در رسا موجود است و کاربرد هرکدام نمی‌پردازیم.منابعPeart, A. (2020, May 19). Chatbot Statistics: 2020 & Beyond. Linkedin. https://www.linkedin.com/pulse/chatbot-statistics-2020-beyond-andy-peart/, Last accessed July 2021.Meese M. (2021, April 8). CB Insights reveals 2021 cohort of 100 most-promising AI companies. TechRepublic. https://www.techrepublic.com/article/cb-insights-reveals-2021-cohort-of-100-most-promising-ai-companies/, Last accessed July 2021.Revang, M., Baker, V., Manusama, B., Mullen, A., and Lee, A. Market Guide for Conversational Platforms. Gartner. https://www.gartner.com/en/documents/3953723/market-guide-for-conversational-platforms, Last accessed July 2021.Rasa. (2019, October). Rasa Masterclass: Developing Contextual AI assistants with Rasa tools. https://www.youtube.com/playlist?app=desktop&list=PL75e0qA87dlHQny7z43NduZHPo6qd-cRc, Last accessed July 2021.The Rasa Masterclass Handbook. 2019. The Rasa Masterclass Handbook; A Companion Guide to the Rasa Masterclass Video Series. Rasa Publication, 2019, https://cdn2.hubspot.net/hubfs/6711345/ebook-v3.pdf?__hstc=&__hssc=&hsCtaTracking=2cf912f3-4137-4338-829e-08bb4713f0f6%7Cda22eae5-512d-48fe-b46a-c74517f3d870. امید میراب زاده اردکانی امید میراب زاده اردکانی Sun, 31 Oct 2021 12:10:22 +0330 https://virgool.io/baleacademy/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%D8%AF%D8%B3%D8%AA%DB%8C%D8%A7%D8%B1-%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF-%D9%85%DA%A9%D8%A7%D9%84%D9%85%D9%87-%D8%A7%DB%8C-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D8%B1%D8%B3%D8%A7-%D9%82%D8%B3%D9%85%D8%AA-%D8%A7%D9%88%D9%84-rybym2d2remc مقدمهمطابق گزارش‌های معتبر در خصوص فناوری‌های در حال ظهور و آینده‌دار (Trending Techs)، دستیارهای مبتنی بر هوش مصنوعی و چت‌بات‌ها از فناوری‌های کلیدی در حال ظهور هستند که بازار آن‌ها در سال‌های گذشته رشد چشمگیری را تجربه کرده است.مطابق «آمار چت‌بات‌ها: ۲۰۲۰ و فراتر»، که Andy Peart در لینکدین منتشر کرده است، گردش مالی هوش مصنوعی مکالمه‌ای رشد شایان توجهی را از سر می‌گذراند.مطلب منتشرشدۀ Andy Peart اشاره می‌کند که مطابق گزارش Markets and Markets، انتظار می‌رود که اندازۀ بازار جهانی هوش مصنوعی مکالمه‌ای از ۴.۲ میلیارد دلار آمریکا در سال ۲۰۱۹ میلادی تا ۱۵.۷ میلیارد دلار آمریکا در سال ۲۰۲۴ میلادی رشد کند، همچنین نرخ رشد مرکب سالیانۀ مورد انتظار برای آن ۳۰.۲ درصد است.دستیارهای مجازی هوشمند و چت‌بات‌ها دو دستۀ اصلی موجود در گزارش بازار هوش مصنوعی مکالمه‌ای هستند.نکتۀ درخور توجه این است که دستۀ چت‌بات‌ها بازار بزرگ‌تری را در طول بازۀ پیش‌بینی به خود اختصاص می‌دهد. آمارهای Research and States نشان می‌دهد که بازار چت‌بات‌ها در سال ۲۰۱۸ میلادی ۱.۲ میلیارد دلار ارزش داشته است، درحالی‌که انتظار می‌رود ارزش این بازار در سال ۲۰۲۴ میلادی به ۷.۵ میلیارد دلار برسد و در طول این مدت، رشد مرکب سالیانۀ ۳۴.۷۵ درصد را ثبت کند.عوامل عمده‌ای که موجب رشد بازار چت‌بات‌ها شده است شامل تقاضای فزاینده برای خدمات پشتیبانی مشتریان مبتنی بر هوش مصنوعی، استقرار اُمنی‌ـ‌چنل و هزینه‌های کاهش‌یافتۀ توسعۀ چت‌بات‌ها می‌شود.گزارش‌های متعدد از منابع مختلف نشان می‌دهد که استفاده از چت‌بات‌ها در صنایع مختلفی نظیر بانکداری، بیمه، خرده‌فروشی و حتی در کارهای اداری کارمندان یقه‌سفید رو به رشد بوده و موجب صرفه‌جویی‌های درخور توجهی شده است. در مجموع، داده‌های متعدد از منابع مختلف نشان می‌دهد که استفاده از چت‌بات‌ها و تعامل با آن‌ها رو به رشد است؛بااین‌حال، انتخاب پلتفرم توسعۀ مناسب برای ساخت چت‌بات‌ها تصمیمی کلیدی است.مطابق گزارش گارتنر، شانزده شرکت از بین شرکت‌هایی که در زمینۀ توسعۀ دستیارهای هوشمند یا زیرساخت توسعۀ آن‌ها فعالیت می‌کنند شاخص‌تر هستند. یکی از این شرکت‌ها Rasa است که مطابق گزارش CBInsights2021 در بین برترین استارتاپ‌های حوزۀ هوش مصنوعی در سال ۲۰۲۱ در زمینۀ پردازش زبان طبیعی و هوش مصنوعی مکالمه‌ای قرار دارد.در این مجموعه مطالب، به معرفی پلتفرم رسا و بررسی مفاهیم اساسی توسعۀ دستیار هوش مصنوعی مکالمه‌ای/ دستیارهای زمینه‌ای با استفاده از این پلتفرم می‌پردازیم. در واقع این مجموعه مطالب برداشتی از ویدئوهای آموزشی رساست که هدف آن معرفی این پلتفرم، برخی مفاهیم استفاده‌شده در رسا و همچنین اشاره به برخی جنبه‌های عملی توسعه با پلتفرم رساست. درعین‌حال، اگر به توسعۀ دستیار شخصی هوشمند بر بستر پلتفرم رسا مایل باشید، خواندن این مطالب شما را از مراجعه به مطالب آموزشی رسا بی‌نیاز نمی‌کند و توصیه می‌شود که برای توسعۀ چت‌بات به ویدئوهای آموزشی رسا در یوتیوب یا به کتابچۀ راهنمای جامع این شرکت مراجعه کنید.همان‌طور که در شکل ۱ مشاهده می‌شود، عالی‌ترین سطح توسعۀ دستیارهای هوش مصنوعی مکالمه‌ای در حال حاضر دستیارهای زمینه‌ای است.شکل ۱: سیر تحول هوش مصنوعی مکالمه‌ای در گذر زمان.مطابق آنچه در آموزش‌های رسا آمده، در حال حاضر هنوز هم، استاندارد غالب صنعت برای توسعۀ چت‌بات‌ها استفاده از FAQهاست (سطح ۲) که برای توسعۀ این چت‌بات‌ها از مجموعه‌ای از قوانین یا از ماشین وضعیت استفاده می‌شود. نکتۀ مثبت این رویکردها ساده کردن ساخت دستیارهاست، اما ازطرفی هم استفاده از این رویکردها برای ساخت چت‌بات‌ها بسیار مستعد خطاست.دستیارهای زمینه‌ای سعی می‌کنند عملکرد دستیار را به مکالمۀ طبیعی انسان‌ها شبیه‌تر کنند، یعنی همان‌طور که در مکالمه‌های انسان‌ها، زمینه بسیار حائز اهمیت است، این دستیارها هم، با توجه کردن به زمینه، مکالمه را پیش می‌برند، اگر به‌صورت غیرمنتظره، مسیر مکالمه تغییر کند، آن را درک می‌کنند و به‌طور متناسب به آن پاسخ می‌دهند.منظور از زمینه این است که توجه کنیم کاربر قبلاً چه چیزی گفته، چه زمانی آن را گفته، کجا و چطور گفته و... و از این اطلاعات برای مدیریت و پیشبرد مکالمه استفاده کنیم.اجزای پلتفرم رسا برای توسعۀ دستیارهای زمینه‌ایرسا مجموعه‌ای از ابزارهای یادگیری ماشین منبع‌باز است که به توسعه‌دهندگان امکان می‌دهد تا دستیارهای هوش مصنوعی زمینه‌ای را (متنی یا صوتی) توسعه دهند. پلتفرم رسا، برای ممکن کردن توسعۀ دستیارهای زمینه‌ای، رویکرد مبتنی بر یادگیری ماشین را جایگزین رویکردهای مبتنی بر قوانین یا ماشین‌های حالت کرده است.پلتفرم رسا با استفاده از ۳ (۲ + ۱) مؤلفۀ اساسی این قابلیت را در اختیار توسعه‌دهندگان قرار می‌دهد:NLU: نوعی ابزار پردازش زبان طبیعی منبع‌باز برای طبقه‌بندی اینتنت و استخراج انتیتی.این مؤلفه، به تعبیری، گوش سیستم شماست که کمک می‌کند دستیار شما متوجه شود چه چیزی گفته شده است.این مؤلفه ورودی کاربر را در قالب غیرساخت‌یافتۀ زبان انسان دریافت می‌کند و داده‌های ساخت‌یافته را در قالب اینتنت و انتیتی از آن استخراج می‌کند. اینتنت را می‌توان برچسب‌هایی در نظر گرفت که باتوجه‌به هدف کلی کاربر از پیامش، به هر ورودی کاربر نسبت داده می‌شود. انتیتی‌ها مجموعه اطلاعاتی هستند که دستیار ممکن است در هر زمینۀ خاص به آن نیاز داشته باشد.نمونه‌ای از استخراج اینتنت و انتیتی از مکالمۀ کاربر در شکل ۲ نشان داده شده است.شکل ۲: نمونۀ شناسایی اینتنت و استخراج انتیتی از مکالمۀ کاربر.نۀ شناسایی اینتنت و استخراج انتیتی از مکالمۀ کاربر.دستیار باید My name را از ورودی استخراج کند و آن را در طول مکالمه به خاطر بسپارد تا تعامل را طبیعی نگاه دارد. این کار از طریق تعلیم یک مدل NER به‌منظور شناسایی و استخراج انتیتی‌ها از پیام‌های غیرساخت‌یافتۀ کاربران انجام می‌شود.Core یا Dialogue Management: چارچوبی برای تصمیم‌گیری زمینه‌ای بر اساس یادگیری ماشین.وظیفۀ این مؤلفه در رسا مدیریت دیالوگ‌های کاربران است.این مؤلفه، به تعبیری، مغز سیستم شماست و بر اساس وضعیت (state)، به‌خصوص مکالمه و زمینه، پیش‌بینی می‌کند که چه پاسخی باید به کاربر داده شود.نمونۀ پیش‌بینی ماژول مدیریت دیالوگ از پاسخی که دستیار باید ارائه کند در شکل ۳ نشان داده شده است.شکل ۳: نمونۀ پیش‌بینی پاسخ (اقدام بعدی) دستیار بر اساس ورودی کاربر و زمینۀ مکالمه. مؤلفۀ Core این‌ها را از طریق مشاهدۀ الگوهایی از داده‌های مکالمه‌ای نمونه، که بین کاربر و دستیار انجام شده است و به آن‌ها story هم گفته می‌شود، یاد می‌گیرد.سؤالی که ممکن است ذهن شما را درگیر کرده باشد این است که مؤلفۀ Core، زمینۀ (context) را چطور حفظ می‌کند؟به‌طور خلاصه، مدل یادگیری ماشین نگاه می‌کند که مکالمه در حال حاضر دربارۀ چیست و همچنین به عقب نگاه می‌کند تا ببیند که پیش‌تر چه‌چیزی گفته شده است. علاوه بر این، ماژول مدیریت دیالوگ، جزئیات دیگری را نیز در نظر می‌گیرد. برای مثال، اطلاعاتی که مؤلفۀ NLU استخراج کرده است (چراکه برخی انتیتی‌‌ها که بعدتر از آن‌ها به‌عنوان slot استفاده می‌شود ممکن است روی چگونگی پیش‌بینی اقدام بعدی سیستم Dialogue Management به‌طور مستقیم تأثیر داشته باشند).Rasa Xمؤلفۀ Rasa X این قابلیت را ایجاد می‌کند که دستیار از مکالمه‌های جدید یاد بگیرد و در طول زمان عملکرد آن بهبود پیدا کند.عملکردهایی که Rasa X انجام می‌دهد تا دستیار در طول زمان بهبود پیدا کند در شکل ۴ نشان داده شده است.شکل ۴: عملکردهای Rasa X که بهبود دستیار در طول زمان را ممکن می‌کند. نحوۀ عملکرد انتها تا انتهای رسا در تعامل با کاربر و با استفاده از مؤلفه‌های سه‌گانه در شکل ۵ نشان داده شده است.شکل ۵: نحوۀ عملکرد انتها تا انتهای رسا در تعامل با کاربر و با استفاده از مؤلفه‌های سه‌گانۀ رسا. در مطالب بعدی به معرفی بیشتر اجزای NLU و Core و چگونگی عملکرد آن‌ها می‌پردازیم.منابعPeart, A. (2020, May 19). Chatbot Statistics: 2020 & Beyond. Linkedin. https://www.linkedin.com/pulse/chatbot-statistics-2020-beyond-andy-peart/, Last accessed July 2021.Meese M. (2021, April 8). CB Insights reveals 2021 cohort of 100 most-promising AI companies. TechRepublic. https://www.techrepublic.com/article/cb-insights-reveals-2021-cohort-of-100-most-promising-ai-companies/, Last accessed July 2021.Revang, M., Baker, V., Manusama, B., Mullen, A., and Lee, A. Market Guide for Conversational Platforms. Gartner. https://www.gartner.com/en/documents/3953723/market-guide-for-conversational-platforms, Last accessed July 2021.Rasa. (2019, October). Rasa Masterclass: Developing Contextual AI assistants with Rasa tools. https://www.youtube.com/playlist?app=desktop&list=PL75e0qA87dlHQny7z43NduZHPo6qd-cRc, Last accessed July 2021.The Rasa Masterclass Handbook. 2019. The Rasa Masterclass Handbook; A Companion Guide to the Rasa Masterclass Video Series. Rasa Publication, 2019, https://cdn2.hubspot.net/hubfs/6711345/ebook-v3.pdf?__hstc=&__hssc=&hsCtaTracking=2cf912f3-4137-4338-829e-08bb4713f0f6%7Cda22eae5-512d-48fe-b46a-c74517f3d870. امید میراب زاده اردکانی امید میراب زاده اردکانی Mon, 02 Aug 2021 14:20:55 +0430 https://virgool.io/baleacademy/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D9%88-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%DB%B3-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1-%DA%A9%D8%AF-%D8%A8%D8%A7%D8%B2-%D9%85%D9%86%D8%A7%D8%B3%D8%A8-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D9%88-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-tpglrpga9ggk مقدمه (هدف)از ابزارهای پُراهمیت در مسیر داده‌محور شدن سازمان‌ها، ابزارهای موسوم به تحلیل و هوش تجاری (Analytics and BI Tools) است. انتظارات اولیه از ابزارهای تحلیل و هوش تجاری و قابلیت‌های آن‌ها را می‌توان در قالب موارد زیر دسته‌بندی کرد:۱. توانایی اتصال به منابع داده‌ای مختلف؛۲. توانایی تغییر داده‌ها پس از دریافت از منبع داده؛۳. توانایی بصری‌سازی داده‌ها؛۴. توانایی ارسال هشدارها و رخدادها؛۵. امکان مدیریت سطح دسترسی؛۶. توانمندسازی همۀ اعضای سازمان در تحلیل داده‌ها بدون نیاز به دانش تخصصی.به تعبیری هدف اصلی به‌کارگیری این ابزارها در سازمان‌ها را می‌توان «توانمندسازی همۀ اعضای سازمان در پاسخ‌گویی به پرسش‌های کسب‌وکاری از طریق داده‌ها و یادگیری از داده‌های سازمان» دانست.برای انتخاب ابزارهای تحلیل و هوش تجاری، معیارهای مختلفی پیشنهاد شده است که در ادامه و در بخشی مجزا به معیارهای انتخاب ابزارهای تحلیل و هوش تجاری می‌پردازیم.چرا ابزارهای کد باز؟یکی از تصمیم‌های اساسی در زمینۀ انتخاب ابزار مناسب، تصمیم دربارۀ کد باز بودن یا اختصاصی‌بودن نرم‌افزار است. در هر دو حوزه نیز نرم‌افزارهای شناخته‌شده‌ای به‌عنوان گزینه‌های درخور توجه وجود دارد.از جمله ابزارهای اختصاصی تحلیل و هوش تجاری که در قالب مدل نرم‌افزار به‌عنوان خدمت (SaaS) ارائه می‌شود، می‌توان به نمونه‌های زیر اشاره کرد:Microsoft Power BITableau CloudQlik Sense CloudIBM Watson AnalyticsTIBCO SpotfireDomo.comبرای انتخاب از بین ابزارهای اختصاصی، معمولاً گزارش‌های تجاری نظیر گزارش Magic Quadrant گارتنر به‌عنوان راهنمایی اولیه و مناسب، در دسترس است و می‌توان برای انتخاب ابزار باتوجه‌به معیارهای مدنظر، از این گزارش‌ها استفاده کرد.از جمله ابزارهای کد باز تحلیل و هوش تجاری که به‌صورت رایگان ارائه می‌شود، می‌توان به نمونه‌های زیر اشاره کرد:MetabaseRedashApache Superset (formerly was Caravel)GrafanaKibanaاین مستند با این فرض نگاشته شده که سیاست ما، استفاده از ابزارهای کد باز تحلیل و هوش تجاری است و سه نمونه از ابزارهای کد باز بررسی و مقایسه شده است.از جمله مزایای استفاده از ابزارهای کد باز، امکان تخصیص تیم مستقل درون سازمان برای توسعۀ ابزار و شخصی‌سازی آن باتوجه‌به نیازهای کسب‌وکاری خاص سازمان است. همچنین هزینۀ تعبیۀ این ابزارها در نرم‌افزارهای بومی سازمان و شخصی‌سازی آن‌ها به‌نسبت نرم‌افزارهای اختصاصی کمتر است.گزینه‌های شناسایی‌شدهمهم‌ترین نرم‌افزارهای تحلیل و هوش تجاری کد باز شناسایی‌شده شامل نمونه‌های زیر است:MetabaseRedashApache Superset (formerly was Caravel)GrafanaKibanaگزینه‌های انتخاب‌شدهانتخاب گزینه‌های اولیه برای بررسی بیشتر می‌تواند باتوجه‌به نیازهای سازمان، قابلیت‌های ابزار، تجربۀ قبلی در زمینۀ استفاده از این ابزارها در سازمان، میزان بلوغ و چشم‌انداز توسعۀ آتی ابزارها انجام شود. بر این اساس، در مرحلۀ اول، ابزارهای Metabase، Redash، Apache SuperSetو Grafana به‌عنوان گزینه‌های بررسی بیشتر انتخاب شد.معیارهای ارزیابیمعیارهای کلی که در این بررسی برای تصمیم‌گیری دربارۀ انتخاب ابزار، برگزیده شده، عبارت‌اند از:۱. سهولت نصب، راه‌اندازی و نگهداری؛۲. مشتریان استفاده‌کننده از ابزار با توجه ویژه به صنعت و اندازۀ کسب‌وکار آن‌ها؛۳. چشم‌انداز توسعه و میزان فعال‌بودن جامعۀ توسعه‌دهندۀ ابزار؛۴. پشتیبانی (در دسترس بودن مستندات و میزان فعال‌بودن جامعه در پاسخ‌گویی به اشکال‌های احتمالی)؛۵. طرح‌های رایگان و پولی استفاده از ابزار و قابلیت‌های هریک از طرح‌ها؛۶. میزان دانش فنی ضروری برای کار با ابزار و یادگیری از داده‌ها؛۷. تنوع امکان ارتباط با سایر زیرساخت‌ها و سیستم‌های سازمان؛۸. تنوع نمودارها و قابلیت‌های بصری‌سازی؛۹. امکان به‌کارگیری خروجی گزارش‌ها در ابزارهای بومی سازمان.همچنین برای همۀ ابزارها، نکته‌های زیر نیز حائز اهمیت است که با توجه به زمینه سازمانی می‌تواند مدنظر قرار بگیرد.۱. چه کسانی در سازمان از ابزار استفاده می‌کنند؟۲. اقلامی که تحویل داده می‌شوند، چه چیزهایی هستند؟۳. اندازۀ داده‌ها و مقیاس‌پذیری آن چیست؟۴. آیا این ابزار در یک فرایند موجود قرار می‌گیرد یا جزو اصلی فرایند جدیدی است؟در ادامه ابزارها را بررسی می‌کنیم و در نهایت، آن‌ها را بر اساس نُه معیار اول معرفی‌شده در این بخش مقایسه می‌کنیم.متابیس«متابیس» ابزار کد باز تحلیل و هوش تجاری است که رسالت اصلی خود را توانمندسازی همۀ افراد شرکت برای یادگیری از داده‌ها معرفی می‌کند.نصب ابزار از طریق داکر و یا فایل جاوا ممکن است و به‌راحتی انجام می‌شود.ابزار را در کمتر از پنج دقیقه به‌راحتی و با حداقل دانش فنی می‌توان نصب و راه‌اندازی کرد.متابیس به‌راحتی به منابع دادۀ متنوعی متصل می‌شود. البته تنوع منابع داده‌ای آن نسبت به «ری‌دش» و «سوپرست» محدود است.منابع داده‌ای متابیسمهم‌ترین تمایز این برنامه را می‌توان در سهولت راه‌اندازی و نگهداری، عدم نیاز به داشتن دانش فنی برای یادگیری از داده‌ها و تجربۀ کاربری مناسب آن دانست؛ ذکر این نکته ضروری است که به‌رغم زیبایی و سهولت و تجربۀ کاربری مناسب، تنوع نمودارها زیاد نیست.مستندات متابیس کاربران را در زمینۀ مراحل مختلف راه‌اندازی و ساخت داشبورد با استفاده از ابزار، به‌خوبی راهنمایی می‌کند. همچنین فعالیت در سایت‌های راهنما برای پاسخ‌گویی به اشکال‌های کاربران شایان توجه است.چشم‌انداز توسعۀ آتی متابیس، در سایت گیت‌هاب و در یکی از ارائه‌های این شرکت به‌صورت نکته‌های زیر ذکر شده است:امکان جوین بین جدول‌های مختلف؛استفاده از چندین سری در سازندۀ کوئری؛ایجاد بهبودهایی در ابعاد؛ماژولار کردن ارائه‌دهندگان SSO؛قابلیت ایجاد اسنیپت‌های SQL؛قابلیت کش‌کردن پیش‌بینانه؛پشتیبانی بیشتر از جوین‌ها و کار روی سازندۀ کوئری جدید.Instance Serialization؛Reduced Memory Footprint؛اطلاعات مربوط به فعال‌بودن توسعۀ متابیس روی گیت‌هاب در شکل زیر نمایش داده شده است.متابیس در دو حالت ابری و نصب روی سرور اختصاصی ارائه شده سرویس ابری آن در سه طرح مختلف و سرویس نصب اختصاصی آن در دو طرح مختلف ارائه شده است که می‌توان این طرح‌ها را در دو شکل زیر مشاهده کرد:طرح های ابری متابیسطرح های نصب روی سرور اختصاصی متابیسدر طرح‌های پولی، امکانات پشتیبانی مناسبی از جمله تخصیص کارشناس پشتیبانی اختصاصی و پاسخ‌گویی در زمان کوتاه ارائه می‌شود.از تمایزهای این محصول که کمتر در محصولات مشابه وجود دارد، قابلیتی به نام X-Ray است که داده‌های بازنمایی‌شده در داشبوردها را از مناظر جدیدی بررسی می‌کند و امکان یادگیری را روی داده‌های بازنمایی‌شده که نسبت به روند نرمال متمایز هستند، ایجاد می‌کند.متابیس امکان بازنمایی داده‌های مربوط به چند منبع دادۀ مختلف (در پایگاه داده‌های مختلف) در قالب تنها یک داشبورد را فراهم می‌کند.منطق ساخت گزارش‌ها ساده است و کاربران به‌راحتی می‌توانند گزارش‌های خود را در قالب سؤال‌هایی ایجاد کنند، در قالب مجموعه‌ها ذخیره نمایند و از طریق داشبوردها بازنمایی کنند. همچنین، می‌توان سطوح دسترسی را در سطح مجموعه‌ها مدیریت کرد.کاربران حرفه‌ای می‌توانند از طریق سازندۀ کوئری سؤال‌های مدنظر خود را ایجاد کنند یا سؤال‌های ایجادشده از طریق رابط کاربری را ویرایش کنند.ری‌دش«ری‌دش» یکی دیگر از ابزارهای شناخته‌شده و معتبر کد باز تحلیل و هوش تجاری است. رسالت ری‌دش کمک به کاربران برای درک بهتر داده‌هایشان است.باتوجه‌به اینکه راه‌اندازی ابزار ری‌دش وابستگی‌هایی به Redis، Node js، PostgreSQL و NginX دارد، صرفاً دریافت فایل داکر آماده از داکر هاب برای استفاده از ابزار کفایت نمی‌کند. برای این منظور، راهنمای نصب و راه‌اندازی ابزار در دو سطح برای توسعه‌دهندگان در دسترس قرار گرفته است. اطلاعات کامل راهنمای نصب و راه‌اندازی ری‌دش را می‌توانید در مسیر https://redash.io/help/open-source/dev-guide مشاهده کنید.برای راه‌اندازی ری‌دش از دستورالعمل‌های ارائه‌شده در سایت استفاده شد که مطابق راهنمای سایت راه‌اندازی موفق انجام نشد و اطلاعات موجود در سایت صحیح نبود. راهنماهای موجود در اینترنت نیز برای رفع مشکل کافی نیست و به‌نظر می‌رسد که راه‌اندازی و نگهداری (به‌ویژه در مراحل به‌روزرسانی) نیازمند تخصص و زمان بیشتری نسبت به ابزار متابیس است.ری‌دش به‌راحتی به منابع داده متنوعی متصل می‌شود. تنوع منابع داده‌ای آن نسبت به متابیس بسیار بیشتر و درخور توجه است؛ از جمله اتصال‌های شایان توجه ری‌دش که در متابیس موجود نیست،‌ امکان اتصال به کاساندرا، گرین پلام و هایوْ است. همچنین امکان یکپارچه‌سازی با Google Spreadsheets، JIRA،‌JSON و Python از جمله قابلیت‌های درخور توجهی است که در متابیس موجود نیست.برای کار با ری‌دش و ساخت داشبوردها، لازم است تا کاربر دانش کوئری‌نویسی مناسبی داشته باشد و از این منظر شاید نتوان آن را در زمرۀ ابزارهای Self Service BI ایده‌آل برای کاربران عادی سازمان به‌حساب آورد.مهم‌ترین نقطۀ تمایز این برنامه را می‌توان در تنوع اتصالات و تنوع نمودارها دانست. برای مثال امکان رسم نمودار Cohort برای بررسی نگهداشت کاربران از قابلیت‌های شایان توجه ابزار ری‌دش است.همچنین قابلیت‌های در دسترس کاربر برای نمودارهای موجود روی داشبورد نیز بیشتر از متابیس است.یکی از قابلیت‌های کاربردی دیگر این ابزار، امکان دسترسی به گزارش‌های ایجادشده از طریق api است.در مقایسه با متابیس، سهولت راه‌اندازی و نگهداری ری‌دش کمتر است و برای راه‌اندازی و توسعۀ داشبوردها روی ابزار،‌ دانش فنی لازم است. ذکر این نکته لازم است که در زمینۀ زیبایی و تجربۀ کاربری متابیس کاربرپسندتر از ری‌دش است.مستندات ری‌دش در زمینۀ مراحل مختلف راه‌اندازی و ساخت داشبورد با استفاده از ابزار، موجود است؛ اما به‌نظر می‌رسد که سازنده سرمایه‌گذاری مناسبی در این حوزه انجام نداده است. مستندات و راهنماهای کاربری متابیس در این زمینه برتر از ری‌دش به‌نظر می‌رسد.اطلاعات چشم‌انداز توسعۀ آتی ری‌دش، در سایت سازنده و در گیت‌هاب در دسترس نیست.اطلاعات مربوط به فعال‌بودن توسعۀ ری‌دش روی گیت‌هاب در شکل زیر نمایش داده شده است.باتوجه‌به بررسی میزان فعالیت یک‌ماهه روی سایت گیت‌هاب و همچنین مقایسۀ سایت https://stackshare.io/stackups/superset-vs-redash-vs-metabase از سه محصول مدنظر، میزان فعالیت و جامعۀ کاربران فعال متابیس بیشتر از ری‌دش و سوپرست است.ری‌دش در سه سطح آغازگر، حرفه‌ای و کسب‌وکار قیمت‌گذاری و ارائه می‌شود.قیمت‌گذاری طرح‌های مختلف ری‌دشدر طرح کسب‌وکار قابلیت‌ها مشابه قابلیت‌های طرح نصب اختصاصی بنگاهی متابیس است. از نظر مالی به‌نظر می‌رسد که طرح کسب‌وکار ری‌دش هزینۀ کمتری در یک سال ایجاد می‌کند.ری‌دش امکان بازنمایی داده‌های مربوط به چند منبع داده مختلف (در پایگاه داده‌های مختلف) در قالب تنها یک داشبورد را فراهم می‌کند.منطق ساخت گزارش‌ها به‌نسبت ساده است و کاربران به‌راحتی می‌توانند گزارش‌های خود را در قالب کوئری‌هایی ایجاد کرده، آن‌ها را روی داشبوردها نمایش دهند.سوپرست«سوپرست» از دیگر ابزارهای شناخته‌شده و معتبر کد باز تحلیل و هوش تجاری است. این ابزار ابتدا با نام Panoramix و سپس Caravel به‌عنوان پلتفرم اکتشاف داده (data exploration) توسعه داده شده است و در حال حاضر به‌عنوان نوعی ابزار تحت وب هوش تجاری مدرن و در سطح بنگاه (enterprise-ready) توسط کمپانی Apache پشتیبانی می‌شود. در حال حاضر Apache Superset به‌عنوان یکی از پروژه‌های تحت شتاب‌دهی بنیاد آپاچی است و در صورت تأیید برخی پارامترها، به‌عنوان یکی از پروژه‌های بنیاد نرم‌افزاری آپاچی (ASF) پذیرفته می‌شود.رسالت سوپرست از ابتدا کمک به کاربران برای درک بهتر داده‌هایشان و اکتشاف داده‌ها بوده است. در ابتدا Caravel به‌عنوان پلتفرم اکتشاف داده‌ها و ساخت داشبوردها درون airbnb توسعه داده شده است و پس از آن کد آن به‌صورت باز منتشر شده است.راه‌اندازی ابزار سوپرست وابستگی‌هایی به PostgreSQL و Redis دارد. برای نصب و راه‌اندازی سوپرست به دانش تخصصی حداقلی کار با لینوکس نیاز دارید. اطلاعات کامل راهنمای نصب و راه‌اندازی سوپرست را می‌توانید در مسیر https://superset.incubator.apache.org/installation.html مشاهده کنید.سوپرست به‌راحتی به منابع داده متنوعی متصل می‌شود. تنوع منابع داده‌ای آن نسبت به متابیس بیشتر و درخور توجه است. سوپرست به‌صورت پیش‌فرض، به‌جز اتصال به Sqlite که بخشی از کتابخانۀ استاندارد پایتون است،‌ قابلیت اتصال به سایر پایگاه‌های داده‌ای را در خود ندارد؛ برای این منظور لازم است تا پکیج‌های ضروری مدنظر نصب شود. امکان اتصال به پایگاه‌های داده‌ای مختلفی که SQL Alchemy را پشتیبانی می‌کنند، وجود دارد.برای کار با سوپرست و ساخت داشبوردها، لازم است تا کاربر دانش نسبی کوئری‌نویسی داشته باشد و از این منظر شاید نتوان آن را در زمرۀ ابزارهای Self Service BI ایده‌آل برای کاربران عادی سازمان به‌حساب آورد.از ویژگی‌های کلیدی و بسیار مهم سوپرست انجام تنظیمات مربوط به کش برای بارگذاری داشبوردهاست.از دیگر تمایزهای مهم این ابزار می‌توان تنوع اتصالات و تنوع نمودارها را ذکر کرد. برای مثال امکان رسم نمودارهای Sankey و Sunburst از قابلیت‌های متمایز ابزار سوپرست است.همچنین قابلیت‌های در دسترس کاربر برای نمودارهای موجود روی داشبورد نیز بیشتر از متابیس است.یکی از قابلیت‌های کاربردی این ابزار، امکان خروجی گرفتن از نمودارها در قالب‌های json و csv است.در مقایسه با متابیس سهولت راه‌اندازی و نگهداری سوپرست اندکی کمتر است و برای راه‌اندازی و توسعۀ داشبوردها روی ابزار،‌ دانش فنی نسبی لازم است.برای برخی از نیازها، نیازمند شخصی‌سازی و سفارشی‌سازی سوپرست خواهید بود که با زبان پایتون انجام می‌شود.مستندات سوپرست در زمینۀ مراحل مختلف راه‌اندازی و ساخت داشبورد با استفاده از ابزار، موجود است. از نقاط قوت بالقوۀ سوپرست، سرمایه‌گذاری بنیاد نرم‌افزاری آپاچی روی ابزار است؛ به‌گونه‌ای که در حال حاضر کتابی با موضوع معرفی سوپرست در سایت انتشارات PacktPub در دسترس است که بخش‌هایی از آن را می‌توان به‌رایگان مطالعه کرد.اطلاعات چشم‌انداز توسعۀ آتی سوپرست، در سایت سازنده در دسترس نیست.اطلاعات مربوط به فعال‌بودن توسعۀ سوپرست روی گیت‌هاب در شکل زیر نمایش داده شده است.سوپرست امکان بازنمایی داده‌های مربوط به چند منبع دادۀ مختلف (در پایگاه داده‌های مختلف) در قالب تنها یک داشبورد را فراهم می‌کند.منطق ساخت گزارش‌ها ساده است و کاربران به‌راحتی می‌توانند گزارش‌های خود را در قالب کوئری‌هایی ایجاد کنند و آن‌ها را روی داشبوردها نمایش دهند.مقایسهمقایسۀ متابیس، ری‌دش و سوپرست باتوجه‌به معیارهای معرفی‌شده در بخش معیارهای ارزیابی، در قالب جدول زیر ارائه می‌شود.مقایسه ابزارهای متابیس، ری‌دش و سوپرستنتیجه‌گیریتصمیم‌گیری دربارۀ انتخاب ابزار باتوجه‌به اطلاعات ارائه‌شده نیازمند بحث باتوجه‌به نیازهای ویژه، منابع و محدودیت‌های سازمان است. امید میراب زاده اردکانی امید میراب زاده اردکانی Tue, 22 Dec 2020 11:59:50 +0330