توسعه و کاربردی‌سازی ماژول هوش مصنوعی ERP با یادگیری ماشین محلی و اتصال ابری اختیاری
شش روز پیش منتشر شده
تعداد بازدید: 295
کد پروژه: 622387
شرح پروژه
# توسعه و کاربردی‌سازی ماژول هوش مصنوعی ERP با یادگیری ماشین محلی و اتصال ابری اختیاری
برای ارتقا و تکمیل ماژول هوش مصنوعی موجود در یک **ERP اختصاصی مبتنی بر Python**، به متخصص یا تیمی با تجربهٔ عملی در **Machine Learning، توسعهٔ بک‌اند و یکپارچه‌سازی با سامانه‌های موجود** نیاز دارم.
بخشی از قابلیت‌های فعلی بر قواعد، محاسبات آماری و امتیازدهی ثابت متکی است. هدف، افزودن قابلیت‌های واقعاً آموزش‌پذیر، قابل ارزیابی و کاربردی است؛ نه صرفاً تغییر نام قابلیت‌های فعلی، ساخت چت‌بات یا اتصال نمایشی به یک API.
به دلیل محرمانگی، حوزهٔ فعالیت و ماهیت داده‌ها در آگهی عمومی اعلام نمیشود. جزئیات لازم پس از توافق محرمانگی، به‌صورت مرحله‌ای و با نمونه‌های ساختگی یا دسترسی کنترل‌شده ارائه خواهد شد.
## ۱. هدف و محدودهٔ کار
- بررسی کد ماژول موجود و ارتباط آن با بخش‌های دیگر ERP.
- ارزیابی کفایت داده‌ها و انتخاب یک کاربرد اولویت‌دار و قابل‌اندازه‌گیری با توافق کارفرما.
- طراحی و پیاده‌سازی مسیر استخراج ویژگی، آموزش، ارزیابی و اجرای مدل.
- مقایسهٔ خروجی مدل با روش فعلی و مشخص‌کردن میزان بهبود واقعی.
- ارائهٔ نتیجه و توضیح قابل‌فهم فارسی در محیط فعلی سامانه.
- توسعهٔ مرحله‌ای پس از اثبات کارایی، بدون بازنویسی گستردهٔ ERP.
هدف، تحویل یک قابلیت عملیاتی و قابل نگهداری است؛ نه صرفاً گزارش پژوهشی یا دمو.
## ۲. الزام اصلی: کارکرد مستقل هنگام قطع اینترنت
سامانه باید در شرایط **قطع کامل اینترنت بین‌الملل، اختلال طولانی‌مدت یا در دسترس نبودن سرویس‌های خارجی** همچنان قابل استفاده باشد.
- نتیجهٔ اصلی باید داخل زیرساخت مورد تأیید کارفرما تولید شود.
- پس از آماده‌سازی اولیه، اجرای قابلیت محلی و راه‌اندازی مجدد سرویس به دانلود، API خارجی یا اعتبار سرویس ابری وابسته نباشد.
- کتابخانه‌ها، فایل‌های مدل و سایر پیش‌نیازها از قبل آماده و نسخه‌بندی شوند.
- نبود ارتباط خارجی نباید عملیات ERP را متوقف یا کند کند.
- در صورت نبود مدل معتبر یا کافی‌نبودن داده، وضعیت شفاف اعلام شود و سامانه بدون اختلال به روش موجود برگردد.
استقلال آفلاین باید با آزمون واقعیِ قطع ارتباط و راه‌اندازی مجدد اثبات شود، نه فقط با اجرای موفق در محیط متصل به اینترنت.
## ۳. الزامات فنی یادگیری ماشین
- روش و ابزار بر اساس مسئله، کیفیت داده و امکانات فعلی انتخاب شوند؛ فریم‌ورک یا معماری خاصی الزام نیست.
- اولویت با **راهکار کم‌سربار، سازگار با منابع فعلی سرور و قابل نگهداری** است.
- مصرف پردازنده، حافظه و زمان پاسخ مشخص و کنترل شود؛ عملکرد بخش‌های اصلی سامانه نباید افت کند.
- آموزش و ارزیابی از محیط عملیاتی جدا باشند و فعالیت‌های روزمرهٔ سامانه را درگیر نکنند.
- انتخاب مدل، نیازمندی‌های اجرایی و وابستگی‌ها پیش از پیاده‌سازی توجیه شوند.
- مسیر آموزش و ارزیابی قابل بازتولید باشد و نسخهٔ مدل و پیش‌پردازش ثبت شود.
- استفاده از مدل آماده، قواعد ثابت و مدل آموزش‌دیده برای پروژه باید شفاف از یکدیگر تفکیک شوند.
انتظار دقت تضمینی پیش از بررسی داده‌ها ندارم؛ انتظار دارم محدودیت‌ها و امکان بهبود، صادقانه و مستند اعلام شوند.
## ۴. اتصال اختیاری Cloudflare
یک بخش مستقل برای ارتباط با **Cloudflare Workers و در صورت توجیه فنی، Workers AI** مدنظر است.
این اتصال باید صرفاً کمک تکمیلی باشد:
- نتیجهٔ اصلی همیشه محلی و مستقل باقی بماند.
- فقط ویژگی‌های مشتق‌شده، کمینه‌شده و ازپیش‌مجاز ارسال شوند.
- دادهٔ خام، رکورد کامل و اطلاعات قابل شناسایی ارسال نشوند.
- سرویس خارجی به پایگاه داده یا اختیار تغییر اطلاعات ERP دسترسی نداشته باشد.
- قطع ارتباط، timeout، محدودیت مصرف، پایان اعتبار و پاسخ نامعتبر مدیریت شوند.
- پاسخ دیررس یا مربوط به اطلاعات تغییریافته، روی نتیجهٔ جاری اعمال نشود.
- خاموش‌کردن یا حذف اتصال ابری، قابلیت محلی را مختل نکند.
بهتر بودن خروجی ابری باید جداگانه سنجیده شود؛ آنلاین‌بودن به‌تنهایی مزیت محسوب نمیشود.
## ۵. حفظ کامل گردشکار موجود
این پروژه، بازطراحی فرآیندهای سازمانی نیست.
- مراحل کاری، مسئولیت‌ها، ارتباط کاربران، مجوزها و خودکارسازی‌های فعلی حفظ شوند.
- اپراتور اختصاصی یا مرحلهٔ تأیید اجباری جدید ایجاد نشود.
- مدل، خودسرانه وضعیت‌ها، مالکیت کار یا اطلاعات عملیاتی را تغییر ندهد.
- کنترل‌های قطعی سامانه به تصمیم احتمالی مدل سپرده نشوند.
- خطا یا خاموش‌بودن بخش هوش مصنوعی نباید عملیات اصلی را متوقف کند.
## ۶. محرمانگی و امنیت
- توافق محرمانگی پیش از دریافت جزئیات الزامی است.
- دسترسی‌ها مرحله‌ای و حداقلی خواهند بود؛ دسترسی مستقیم به محیط تولید پیش‌فرض نیست.
- دادهٔ خام در محیط مورد تأیید کارفرما باقی بماند.
- انتشار کد، داده، تصاویر یا نتایج پروژه و استفاده از آن‌ها برای نمونه‌کار یا آموزش عمومی، بدون مجوز ممنوع است.
- سیاست خروج اطلاعات، نگهداری کلیدها، لاگ‌ها، کش و مصرف سرویس خارجی باید مستند و قابل کنترل باشد.
- ناشناس‌سازی صرفاً به حذف نام یا هش‌کردن شناسه محدود نشود.
## ۷. تحویل‌دادنی‌ها و شیوهٔ همکاری
پروژه به‌صورت مرحله‌ای انجام شود:
**ارزیابی و تعیین معیارها ← پیاده‌سازی محلی ← اتصال اختیاری ابری ← آزمون و تحویل**
خروجی مورد انتظار:
1. گزارش فنی اولیه و محدودهٔ دقیق قابلیت منتخب.
2. سورس کامل، اسکریپت‌های آموزش و ارزیابی و وابستگی‌های نسخه‌بندی‌شده.
3. مدل و فایل‌های لازم برای اجرای مستقل.
4. گزارش مقایسه با روش فعلی روی دادهٔ ارزیابی مستقل.
5. آزمون‌های یکپارچگی، دسترسی، قطع اینترنت و خرابی سرویس خارجی.
6. مستندات فارسی نصب، استفاده، بازآموزی، رفع خطا و بازگشت به نسخهٔ قبلی.
7. تحویل دانش فنی و دورهٔ رفع اشکال با مدت توافق‌شده.
موفقیت روی دادهٔ ساختگی جای آزمون واقعی و یکپارچه را نمی‌گیرد.
## لطفاً در پیشنهاد خود اعلام کنید
- چه تجربهٔ مرتبط و قابل ارائه‌ای در ML و یکپارچه‌سازی با ERP دارید؟
- برای حفظ استقلال آفلاین و کنترل مصرف منابع چه روشی پیشنهاد می‌کنید؟
- زمان، هزینه، پیش‌نیازهای اجرایی و شرایط پشتیبانی هر مرحله چیست؟
اولویت با راهکار متناسب با سیستم موجود، قابل سنجش، کم‌ریسک و قابل نگهداری است؛ نه پیچیدگی بیشتر یا وابستگی غیرضروری به زیرساخت و سرویس خارجی.
از ارسال قیمت های نجومی خودداری فرمایید اگر نتیجه کار مطلوب نباشد قدر دان زحمات شما نخواهم بود و به شرط کیفیت پروژه تایید میشود نه به شرط تحویل به هر بهانه ای. درخواست کاملا مشخص است و محدوده کار کاملا واضح درخواست دسترسی به سورس پذیرفته نمیشود. برای براورد هزینه به عنوان پروژه و شرح متن درخواست بسنده کنید به شما پس از قراداد محرمانه بودن اعتماد دارم قبل از قرارداد هیچ گونه اعتمادی با نهایت احترام به هیچ عنوان نیست
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
10روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت شش روز پیش
