چت بات هوش مصنوعی

**موقعیت شغلی: توسعه‌دهنده Full-Stack جهت ساخت چت‌بات هوشمند مبتنی بر دانش (Knowledge-Driven Chatbot)** ما در حال ساخت یک چت‌بات پیشرفته هستیم که **با استخراج هوشمند داده‌های مرتبط از دیتابیس داخلی**، پاسخ‌های دقیق و مبتنی بر دانش اختصاصی ارائه می‌دهد. به دنبال توسعه‌دهنده‌ای با مهارت‌های زیر هستیم: --- ### **نیازمندی‌های فنی پروژه:** #### **1. طراحی و پیاده‌سازی دیتابیس بهینه (Backend):** - **انتخاب تکنولوژی دیتابیس:** - استفاده از **PostgreSQL** با قابلیت **Full-Text Search** (TSVECTOR/TSQUERY) یا **Elasticsearch** برای جستجوی سریع و معنایی. - در صورت نیاز به اسکیل بالا: **MongoDB** با قابلیت **Atlas Search** یا **FAISS** برای جستجوی برداری (Vector Search). - **طراحی ساختار داده:** - ایجاد جداول/کالکشن‌های بهینه برای ذخیره‌سازی: - `knowledge_base` (شامل فیلدهای: content, keywords, embeddings, metadata). - `context_relations` (برای ارتباطات مفهومی بین داده‌ها با وزن‌دهی). - پیاده‌سازی **Chunking** داده‌ها به بلوک‌های معنایی با استفاده از الگوریتم‌هایی مانند **Text Splitting** یا **Semantic Chunking**. #### **2. استخراج هوشمند داده‌های مرتبط (NLP Pipeline):** - **پردازش سوال کاربر:** - **توکنایز کردن** و **استخراج کلمات کلیدی** با کتابخانه‌هایی مانند **NLTK** یا **spaCy**. - **ایجاد Embedding** سوال با مدل‌های متراکم نظیر **Sentence-BERT** یا **OpenAI Embeddings**. - **جستجوی معنایی:** - ترکیب **جستجوی لغوی** (TF-IDF/BM25) و **جستجوی برداری** (Cosine Similarity) برای یافتن بهترین نتایج. - استفاده از **Hybrid Search** در Elasticsearch یا **pgvector** در PostgreSQL. - اولویت‌دهی به داده‌ها بر اساس **مرتبط‌ترین متادیتا** (مثال: تاریخ انتشار، منبع، امتیاز اعتبار). #### **3. یکپارچه‌سازی با مدل زبانی (LLM Integration):** - **طراحی سیستم Prompt Engineering:** - ساخت تمپلیت پویا برای ترکیب سوال کاربر + داده‌های استخراج‌شده (مثال: ``` "با استفاده از اطلاعات زیر پاسخ دهید: [DATA_CHUNKS]. سوال کاربر: [USER_QUESTION]" ``` - استفاده از **LangChain** یا **LlamaIndex** برای مدیریت Context Window و بهینه‌سازی توکن‌ها. - **انتخاب مدل:** - استفاده از مدل‌های متن-باز (مثل **Llama-3**, **Mistral**) یا سرویس‌های ابری (مثل **OpenAI GPT-4**, **Anthropic Claude**). #### **4. معماری سرویس (Backend Development):** - **فریمورک‌ها:** - پیاده‌سازی API با **FastAPI** یا **Django REST Framework** برای تاخیر کم. - مدیریت صف درخواست‌ها با **Celery** یا **RabbitMQ**. - **بهینه‌سازی عملکرد:** - کش‌ینگ نتایج جستجو با **Redis** برای کاهش بار دیتابیس. - پیاده‌سازی **Rate Limiting** و **Auto-Scaling**. #### **5. رابط کاربری (Frontend):** - **توسعه چت باکس Real-Time:** - استفاده از **React** با **WebSocket** (Socket.io) یا **Next.js**. - نمایش منابع استخراج‌شده به کاربر در قالب **Citation** یا هایلایت متن. --- ### **مهارت‌های مورد نیاز توسعه‌دهنده:** - تسلط به **Python** و کتابخانه‌های NLP (Hugging Face, spaCy, NLTK). - تجربه در طراحی دیتابیس‌های **Vector-Based** و **Hybrid Search**. - آشنایی با **LLM Orchestration** (LangChain, Haystack). - مهارت در توسعه APIهای پرسرعت (**FastAPI**, **GraphQL**). - دانش معماری‌های **Microservices** و **Caching Strategies**. - آشنایی با **Docker** و **Kubernetes** برای استقرار. --- **ارزش‌های پروژه:** - ساخت سیستمی که **دقت پاسخ‌ها را تا 70% نسبت به چت‌بات‌های عمومی افزایش می‌دهد**. - بهینه‌سازی زمان پاسخگویی به زیر **1.5 ثانیه** حتی با حجم داده‌های بالا. --- اگر علاقه‌مند به حل چالش‌های پیچیده در حوزه NLP و سیستم‌های مبتنی بر دانش هستید، منتظر پیشنهادات شما هستیم!