تعریف اصطلاحهوش مصنوعی سازمانی
چتبات هوش مصنوعی چیست؟ انواع قاعده‌محور، مبتنی بر LLM و مبتنی بر RAG
چتبات هوش مصنوعی (AI Chatbot): چتبات هوش مصنوعی نرم‌افزاری است که از طریق گفت‌وگوی متنی یا صوتی به پرسش کاربر پاسخ می‌دهد. چتبات قاعده‌محور با درخت تصمیم کار میکند و قابل پیش‌بینی اما خشک است؛ چتبات مبتنی بر مدل زبانی پرسش آزاد را می‌فهمد اما ممکن است پاسخ ساختگی بدهد؛ و چتبات مبتنی بر RAG پیش از پاسخ در اسناد معتبر جستجو میکند و پاسخ را بر پایه آن‌ها می‌سازد. چتبات داخلی باید مجوز کاربر را رعایت کند و چتبات سایت باید مرز تعهدات را نگه دارد.
خلاصه در چند نکته
- چتبات ساده‌ترین سطح ابزار گفت‌وگومحور است: پاسخ می‌دهد.
- قاعده‌محور قابل پیش‌بینی است اما پرسش خارج از سناریو را نمی‌فهمد.
- مبتنی بر LLM روان است اما مستعد توهم و ناآگاه از داده سازمان.
- مبتنی بر RAG پاسخ را از اسناد معتبر و به‌روز می‌سازد.
- چتبات داخلی باید نقش کاربر را رعایت کند.
- مسیر روشن ارجاع به انسان در همه چت‌بات‌ها ضروری است.
- آریا آیتی چتبات عمومی سایت نمیفروشد؛ دستیار داخلی سازمان دارد.
فهرست مطالب
چت‌بات‌ها سال‌هاست روی سایت بانک‌ها، فروشگاه‌های اینترنتی و شرکت‌های خدماتی دیده می‌شوند. اما چت‌باتی که پنج سال پیش با چند دکمه و پاسخ از پیش نوشته‌شده کار می‌کرد، با چت‌باتی که امروز با یک مدل زبانی بزرگ کار میکند و پرسش آزاد را می‌فهمد، تفاوت بنیادین دارد. نسل سوم هم پدید آمده است: چت‌باتی که پیش از پاسخ، در اسناد معتبر سازمان جستجو میکند و پاسخ را بر پایه آن‌ها می‌سازد.
این مقاله صفحه مرجع ما درباره چتبات هوش مصنوعی است. تعریف ساده‌ای ارائه می‌کنیم، سه نسل چتبات (قاعده‌محور، مبتنی بر LLM و مبتنی بر RAG) را مقایسه می‌کنیم و نشان می‌دهیم کدام برای چه کاری مناسب است. همچنین تفاوت چتبات داخلی روی دانش سازمان با چتبات سایت برای مشتریان را توضیح می‌دهیم.
چتبات هوش مصنوعی چیست؟
چتبات (Chatbot) یا ربات گفت‌وگو، نرم‌افزاری است که از طریق گفت‌وگوی متنی یا صوتی با کاربر تعامل میکند و به پرسش‌های او پاسخ می‌دهد یا او را در انجام یک کار ساده راهنمایی میکند. وقتی از «چتبات هوش مصنوعی» حرف می‌زنیم، معمولاً منظور چت‌باتی است که از پردازش زبان طبیعی یا مدل‌های زبانی برای فهم پرسش و ساختن پاسخ استفاده میکند.
IBM در تعریف خود، چتبات را برنامه‌ای می‌داند که گفت‌وگوی انسانی را شبیه‌سازی میکند و یادآوری میکند که چت‌بات‌ها از ابزارهای ساده مبتنی بر قاعده تا دستیارهای پیشرفته مبتنی بر هوش مصنوعی مولد را در بر می‌گیرند.
چتبات، دستیار و ایجنت
چتبات ساده‌ترین سطح ابزارهای گفت‌وگومحور است: پاسخ می‌دهد. دستیار هوشمند با داده کاربر کار میکند و پیشنهاد می‌دهد و ایجنت اقدام میکند. مقایسه کامل این سه سطح را در مقاله چتبات، دستیار هوشمند یا ایجنت؟ آورده‌ایم و تعریف ایجنت را در مقاله ایجنت هوش مصنوعی چیست.
نسل اول: چتبات قاعده‌محور
چتبات قاعده‌محور بر اساس درخت تصمیم یا کلیدواژه کار میکند. طراح، سناریوهای گفت‌وگو را از قبل می‌نویسد: اگر کاربر «پیگیری سفارش» را انتخاب کرد، شماره سفارش را بپرس؛ اگر واژه «مرجوعی» را نوشت، راهنمای مرجوعی را نشان بده.
مزایا:
- رفتار کاملاً قابل پیش‌بینی است و پاسخ نادرست «ساختگی» نمی‌دهد.
- هزینه اجرا پایین است و به سخت‌افزار خاص نیاز ندارد.
- برای فرایندهای کوتاه و مشخص (رزرو نوبت، پیگیری وضعیت) مناسب است.
محدودیت‌ها:
- پرسش خارج از سناریو را نمی‌فهمد و کاربر را با «متوجه نشدم» ناامید میکند.
- با هر تغییر در خدمات، باید سناریوها را دستی به‌روز کرد.
- با زبان محاوره، غلط املایی و جمله‌بندی متنوع مشکل دارد.
نسل دوم: چتبات مبتنی بر مدل زبانی (LLM)
در این نسل، یک مدل زبانی بزرگ پرسش آزاد کاربر را می‌فهمد و پاسخی روان می‌سازد. کاربر می‌تواند هر طور که می‌خواهد بپرسد و پاسخی طبیعی بگیرد.
مزایا:
- فهم زبان طبیعی، محاوره و جمله‌بندی‌های متنوع.
- پاسخ روان و انسانی.
- راه‌اندازی سریع برای موضوعات عمومی.
محدودیت‌ها:
- توهم: مدل ممکن است با اعتمادبه‌نفس پاسخی نادرست بسازد؛ مثلاً یک سیاست مرجوعی را که وجود ندارد توصیف کند.
- ناآگاهی از داده سازمان: مدل فقط آنچه در آموزش دیده را می‌داند و از قیمت‌ها، آیین‌نامه‌ها و وضعیت امروز شما خبر ندارد.
- کنترل کمتر بر لحن و محتوا: بدون محافظ مناسب، ممکن است وارد موضوعات نامرتبط شود یا تعهدی بدهد که سازمان نمی‌خواهد.
نسل سوم: چتبات مبتنی بر RAG
RAG (تولید تقویت‌شده با بازیابی) راه حل مشکل نسل دوم است. در این روش، چتبات پیش از پاسخ، در یک مجموعه اسناد معتبر (پایگاه دانش، آیین‌نامه‌ها، راهنماهای محصول) جستجو میکند، قطعههای مرتبط را پیدا میکند و مدل زبانی پاسخ را بر پایه همان قطعه‌ها می‌سازد. در بهترین حالت، پاسخ با ارجاع به منبع ارائه میشود.
مزایا:
- پاسخ بر اساس اسناد به‌روز سازمان است، نه حافظه کلی مدل.
- با به‌روزکردن اسناد، پاسخ‌ها به‌روز می‌شوند و نیازی به آموزش دوباره مدل نیست.
- امکان ارجاع به منبع، اعتماد و قابلیت بررسی را بالا می‌برد.
- اگر سند مرتبط پیدا نشود، چتبات می‌تواند صادقانه بگوید «پاسخ را نمی‌دانم» و کاربر را به انسان ارجاع دهد.
محدودیت‌ها:
- کیفیت پاسخ به کیفیت اسناد وابسته است؛ سند قدیمی یعنی پاسخ قدیمی.
- طراحی بازیابی (تقسیم اسناد، جستجو، رتبه‌بندی) مهارت فنی می‌خواهد.
- برای داده‌های داخلی، کنترل دسترسی باید در خود بازیابی اعمال شود.
یک پرسش، سه پاسخ
برای اینکه تفاوت سه نسل ملموس شود، فرض کنید کارمندی در چتبات داخلی می‌نویسد: «اگه وسط سال قراردادم تمدید بشه، مانده مرخصی سال قبل چی میشه؟»
- چتبات قاعده‌محور احتمالاً واژه «مرخصی» را تشخیص می‌دهد و منوی ثابت «انواع مرخصی» را نشان می‌دهد. کارمند باید خودش در میان گزینه‌ها پاسخ را پیدا کند و ممکن است اصلاً پیدا نکند.
- چتبات مبتنی بر LLM پاسخی روان و مطمئن می‌دهد؛ مثلاً می‌گوید «مانده مرخصی تا سقف مشخصی به سال بعد منتقل میشود». این پاسخ ممکن است با قانون کار کلی هم‌خوان باشد، اما معلوم نیست با آیین‌نامه داخلی و نوع قرارداد همین سازمان مطابق باشد.
- چتبات مبتنی بر RAG ابتدا در آیین‌نامه مرخصی و دستورالعمل قراردادهای همان سازمان جستجو میکند، بند مرتبط را پیدا میکند و پاسخ را با ارجاع به همان بند می‌دهد. اگر بند روشنی پیدا نکند، می‌گوید پاسخ قطعی در اسناد نیست و پیشنهاد میکند درخواست برای واحد منابع انسانی ثبت شود.
پاسخ سوم شاید کمتر «زیبا» باشد، اما قابل اعتماد و قابل بررسی است؛ و در محیط سازمانی، همین اعتماد است که تعیین میکند کارکنان دوباره سراغ چتبات بیایند یا نه.
جدول مقایسه سه نسل
| معیار | قاعده‌محور | مبتنی بر LLM | مبتنی بر RAG |
|---|---|---|---|
| فهم پرسش آزاد | ضعیف | قوی | قوی |
| دقت در اطلاعات سازمان | بالا در سناریوهای تعریف‌شده | پایین | بالا، وابسته به کیفیت اسناد |
| خطر پاسخ ساختگی | ندارد | زیاد | کمتر، اما صفر نیست |
| به‌روزرسانی | دستی، سناریو به سناریو | دشوار | با به‌روزکردن اسناد |
| ارجاع به منبع | ندارد | ندارد | ممکن است |
| هزینه اجرا | کم | متوسط تا زیاد | متوسط تا زیاد |
| مناسب برای | فرایندهای کوتاه و ثابت | گفت‌وگوی عمومی کم‌ریسک | پاسخ‌گویی از دانش سازمان |
در عمل، بسیاری از چت‌بات‌های امروز ترکیبی هستند: برای کارهای تراکنشی مثل پیگیری سفارش از جریان قاعده‌محور استفاده می‌کنند و برای پرسش‌های آزاد از RAG.
چتبات داخلی یا چتبات سایت؟
یک تمایز مهم که اغلب نادیده گرفته میشود، مخاطب چتبات است:
| چتبات سایت (مشتریان) | چتبات داخلی (کارکنان) | |
|---|---|---|
| مخاطب | عموم مردم و مشتریان | کارکنان احراز هویتشده |
| داده | اطلاعات عمومی، پرسش‌های متداول، وضعیت سفارش | آیین‌نامه‌ها، دانش فنی، داده‌های داخلی |
| کنترل دسترسی | معمولاً یکسان برای همه | بر اساس نقش و واحد |
| ریسک اصلی | تعهد نادرست به مشتری، آسیب به برند | نشت اطلاعات محرمانه به افراد غیرمجاز |
| اتصال به انسان | ارجاع به اپراتور یا ثبت تیکت | ارجاع به کارشناس یا میز خدمت |
در چتبات داخلی، رعایت مجوز کاربر حیاتی است: کارمند واحد فروش نباید از طریق چتبات به اطلاعات حقوق همکارانش برسد. در چتبات سایت، مهم‌ترین چیز مرزبندی پاسخ است: چتبات نباید وعده‌ای بدهد که سازمان پایبندش نیست. در هر دو حالت، مسیر روشن برای ارجاع به انسان ضروری است؛ برای مشتریان، این مسیر معمولاً به میز خدمت و پرتال مشتری ختم میشود.
چک‌لیست انتخاب نوع چتبات
- [ ] بیشتر پرسش‌ها تکراری و محدودند یا متنوع و آزاد؟
- [ ] پاسخ‌ها باید از اسناد به‌روز سازمان بیایند؟ (اگر بله، RAG)
- [ ] مخاطب عموم مردم است یا کارکنان احراز هویتشده؟
- [ ] اشتباه در پاسخ چه پیامدی دارد: ناخوشایندی یا تعهد حقوقی؟
- [ ] چه کسی مالک محتوای پاسخ‌هاست و آن را به‌روز نگه می‌دارد؟
- [ ] وقتی چتبات پاسخ ندارد، کاربر به کجا هدایت میشود؟
- [ ] داده گفت‌وگوها کجا پردازش و نگه‌داری میشود؟
اشتباه‌های رایج در پروژه‌های چتبات
- شروع بدون محتوای آماده: چتبات RAG بدون پایگاه دانش مرتب، پاسخهای ناقص یا متناقض می‌دهد.
- نبود مسیر خروج: کاربری که نمی‌تواند به انسان برسد، با تجربه‌ای منفی چتبات را ترک میکند.
- اندازه‌نگرفتن: بدون شاخص‌هایی مثل نرخ حل در گفت‌وگو و رضایت کاربر، نمی‌دانید چتبات مفید بوده یا نه.
- سپردن داده حساس به سرویس عمومی: ارسال گفت‌وگوهای دارای اطلاعات شخصی به سرویس خارجی، ریسک نشت و تعارض با الزامات حقوقی دارد.
اگر چتبات در فرایند پشتیبانی به کار می‌رود، بخش مهمی از ارزش آن در پشت صحنه است: ثبت تیکت، مسیریابی و پیگیری. مقاله هوش مصنوعی در میز خدمت همین بخش را بررسی میکند.
آریا آیتی چه میکند و چه نمی‌کند
برای شفافیت: آریا آیتی چتبات عمومی برای سایت یا سامانه ساخت چتبات برای مشتریان بیرونی نمیفروشد. آنچه ارائه می‌کنیم دستیار هوش مصنوعی سازمانی است که داخل سازمان و فقط روی داده مجاز کار میکند: پرسش به زبان طبیعی، پاسخ ترکیبی از نامه‌ها، جلسات، وظایف و اسناد مجاز با ارجاع به منبع، رعایت نقش کاربر و ثبت مشاهده‌ها در سابقه ممیزی. از نظر فنی، این دستیار به نسل سوم نزدیک است: پاسخ را بر پایه بازیابی از داده سازمان می‌سازد. برای پشتیبانی مشتری هم میز خدمت آریا آیتی تیکت، مهلت خدمت و دانش را مدیریت میکند.
جمع‌بندی
چتبات هوش مصنوعی سه نسل اصلی دارد: قاعده‌محور که قابل پیش‌بینی اما خشک است، مبتنی بر LLM که روان اما مستعد توهم است، و مبتنی بر RAG که پاسخ را بر پایه اسناد معتبر می‌سازد. انتخاب درست به نوع پرسش‌ها، مخاطب، حساسیت داده و پیامد اشتباه بستگی دارد. در همه حالت‌ها، محتوای به‌روز، مسیر روشن ارجاع به انسان و سنجش مداوم، شرط موفقیت است.
مشاوره رایگان: اگر می‌خواهید بدانید دستیار سازمانی روی دانش داخلی شما چگونه کار میکند، با کارشناسان آریا آیتی تماس بگیرید یا درخواست پایلوت دستیار (در پلن سازمانی) را ثبت کنید.
پرسش‌های متداول
چتبات قاعده‌محور هنوز کاربرد دارد؟
+
بله. برای فرایندهای کوتاه و ثابت مثل رزرو نوبت یا پیگیری وضعیت سفارش، چتبات قاعده‌محور قابل پیش‌بینی، ارزان و بدون خطر پاسخ ساختگی است. بسیاری از چت‌بات‌های امروز ترکیبی‌اند.
RAG در چتبات چه کاری میکند؟
+
RAG باعث میشود چتبات پیش از پاسخ در اسناد معتبر سازمان جستجو کند و مدل زبانی پاسخ را بر پایه قطعههای یافتهشده بسازد. نتیجه، پاسخهای بهروزتر، قابل ارجاع و با توهم کمتر است.
تفاوت چتبات داخلی و چتبات سایت چیست؟
+
چتبات سایت برای عموم مشتریان و با اطلاعات عمومی کار میکند و ریسک اصلی آن تعهد نادرست است. چتبات داخلی برای کارکنان احراز هویتشده روی دانش داخلی کار میکند و باید دسترسی را بر اساس نقش کنترل کند تا اطلاعات محرمانه نشت نکند.
آیا آریا آیتی چتبات برای سایت ارائه میکند؟
+
خیر. آریا آیتی چتبات عمومی یا سازنده چتبات برای مشتریان بیرونی نمیفروشد. دستیار هوش مصنوعی سازمانی آریا آیتی داخل سازمان و روی داده مجاز کاربران، با ارجاع به منبع و رعایت نقش کار میکند.
