دراسة حالة · الذكاء الاصطناعي والبرمجيات كخدمة (SaaS)

Scaliam | منصة دعم العملاء الذكية المدعومة بالذكاء الاصطناعي (RAG)

برمجيات SaaS الخاصة بالدعم المستند إلى الاسترجاع (RAG) التابعة لتكنوبليك، المبنية والمشغلة داخلياً، مع عزل متعدد المستأجرين مفروض على مستوى قاعدة البيانات وعتبة ثقة تقرر متى يجب على الذكاء الاصطناعي تسليم الأمر لبشري بدلاً من التخمين.

Clientأنفسنا

Industryالذكاء الاصطناعي / البرمجيات كخدمة

Servicesتصميم المنتجات، هندسة الذكاء الاصطناعي، DevOps

Statusحي في الإنتاج

واجهة أداة الدعم RAG ولوحة معلومات العميل في Scaliam

نظرة عامة

كل وكالة تقول إنها تفهم المنتجات التي تبنيها. القليل جداً منها يحمل جهاز النداء (Pager) لأحدها، لذا قمنا ببناء Scaliam وتشغيله بأنفسنا.

بدأت Scaliam من نمط ظللنا نقابله في محادثات العملاء، الشركات التي تغرق في نفس الحفنة من الأسئلة، التسعير، التوفر، العملية، السياسات، وكلها أجاب عليها موقع الويب الخاص بهم بالفعل. ما رأى معظمهم عبارة عن روبوتات إما تقرأ من نص جامد أو تخترع إجابات بثقة كافية لإحراج العمل أمام العميل. قررنا عدم حل ذلك مراراً وتكراراً كبناء مخصص لكل عميل. قمنا ببناء المنتج بأنفسنا، مما يعني امتلاك كل عواقب، فاتورة الاستضافة، أوضاع الفشل، التخلي (Churn)، تذكرة الدعم الساعة 11 مساءً. كل شيء في دراسة الحالة هذه هو درس دفعنا ثمنه.

التحدي

التوليد المعزز بالاسترجاع (RAG) سهل العرض وصعب التشغيل. يجب أن تكون الإجابات مرتكزة، ويجب أن يكون الصمت خياراً، فالذكاء الاصطناعي الذي يجيب على 100% من الأسئلة هو التزام وليس ميزة، الجزء الصعب من روبوت الدعم هو التعرف على حدود ما يعرفه حقاً والتوقف هناك. لا يمكن تسريب التعددية المتعددة المستأجرين، يجب أن يكون استعلام الاسترجاع لعميل واحد غير قادر هيكلياً على إظهار مواد عميل آخر، وليس مجرد غير مرجح. المعرفة تصبح قديمة بصمت أيضاً، يغير الموقع تسعيره ويستمر الروبوت في اقتباس رقم الشهر الماضي ما لم تُبنى الحداثة في البنية نفسها. وتكلفة المحادثة لكل محادثة يجب أن يكون لها معنى، فالتضمينات، الاسترجاع والتوليد كلها تكلف مالاً في كل رسالة، والتصميم الأنيق ولكنه غير مربح يموت بهدوء، مع دفع العمل نفسه ثمن هذا الخطأ.

النهج

تم التعامل مع حدود المعرفة ككائن تصميم أساسي، مع اعتبار الإجابة الجزء الأسهل الذي يليها. يتم زحف المحتوى، تنظيفه وتجزئته عند الاستيعاب، مع التعامل مع حدود التجزئة بعناية نظراً لأن الجزء الذي يقسم جدول التسعير إلى النصف ينتج إجابة نصف واثقة، كل جزء مُضمن ومخزن كمتجه بجانب مصدره بحيث يمكن تتبع كل إجابة وصولاً إلى المادة الدقيقة التي جاءت منها. تتم مطابقة الأسئلة الواردة دلالياً مقابل متجهات ذلك المستأجر، وهو ما يسمح لـ كم تكلفون بالعثور على صفحة بعنوان تسعيرنا بطريقة لم يستطعها بحث الكلمات الرئيسية أبداً. يتلقى النموذج القطع المسترجعة فقط ومجموعة تعليمات تحظر الذهاب أبعد منها، وإذا كانت المادة المسترجعة لا تحتوي على الإجابة، فإن الناتج الصحيح هو التسليم وليس التخمين اللطيف. يتم هندسة هذا التسليم عمداً، يتم تسجيل ثقة الاسترجاع، وتحت العتبة يتم توجيه المحادثة إلى بشري مع السياق الكامل المرفق، مبني كمخرج مصمم بدلاً من الأمل في تصرف النموذج.

النتيجة

تعمل Scaliam بمعدل نجاح إجابة بنسبة 95% في الإنتاج، مع وصول نسبة ال5% الباقية إلى بشري بالصميم وليس بالفشل. إنها حية ومُشغّلة بالكامل داخلياً، وقت التشغيل، الفوترة وخارطة الطريق كلها محاملة بواسطة نفس الفريق الذي بناها. الأرقام المحددة لمساحات العمل النشطة وحجم المحادثات متاحة بناءً على الطلب.

معاينة خط أنابيب الاستيعاب وقاعدة المعرفة في Scaliam

Inside the Admin Panel

Variant Control

Size & colour combinations tracked at the data layer.

Live Stock

Inventory levels update in real time across the catalogue.

Order Flow

Status transitions trigger automatic customer notifications.

Promotions

Promo codes created, applied, and retired without a developer.

نظرة عامة

التحدي

النهج

النتيجة

Inside the Admin Panel

استكشف دراسات الحالة الأخرى

QrVertex | منصة توليد وإدارة رموز الاستجابة السريعة الذكية

Intertricks | منصة تدريب المقابلات المدعومة بالذكاء الاصطناعي

Hoshna Realty | منصة العقارات والخدمات السكنية في تركيا