feat: add chapter 16-future-path specs

chapters/16-future-path/02-lesson-case-study-digikala/spec.md

@@ -0,0 +1,101 @@
+# مشخصات درس‌نامه: بررسی موردی دیجی‌کالا؛ هوش مصنوعی در مقیاس میلیون‌ها کالا، انبارداری و کاتالوگ
+- **شناسه در سیلابس:** `L16.3a`
+- **فصل:** فصل ۱۶: ادامه راه (Ch 16)
+- **نوع محتوا:** 📘 درس‌نامه متنی
+- **زمان تقریبی مطالعه:** ۱۸ دقیقه
+- **پیش‌نیازهای مستقیم:** `L16.2` (از Vibe Coding تا Agentic Engineering)
+
+---
+
+## ۱. اهداف یادگیری (Learning Objectives - Bloom's Taxonomy)
+دانشجو پس از مطالعهٔ این درس‌نامه باید بتواند:
+- [ ] **درک کند (Understand):** چالش‌های مهندسی بزرگ‌ترین پلتفرم تجارت الکترونیک ایران (دیجی‌کالا) با بیش از ۱۰ میلیون تنوع کالایی (SKUs) و ده‌ها میلیون کاربر را تحلیل نماید.
+- [ ] **تحلیل/ارزیابی کند (Evaluate):** کاربردهای عملیاتی هوش مصنوعی و ایجنت‌های کدنویسی در دیجی‌کالا شامل: مدیریت کاتالوگ، بررسی خودکار داده‌های فروشندگان (Marketplace Moderation)، بهینه‌سازی مسیرهای لجستیک و انبارداری را ارزیابی کند.
+- [ ] **درک کند (Understand):** فرآیند مهاجرت و ریفکتورینگ سرویس‌های قدیمی (Legacy Codebases) با کمک ایجنت‌های نرم‌افزاری و تست‌نویسی خودکار را در تیم‌های فنی دیجی‌کالا بشناسد.
+- [ ] **به‌کار ببندد (Apply):** درس‌آموخته‌های مقیاس‌پذیری کاتالوگ محصولات، ایندکس‌گذاری دیتابیس و مدیریت داده‌های فروشگاهی را در پروژه‌های بعدی خود پیاده سازد.
+
+---
+
+## ۲. محدوده و مرزهای محتوا (Scope & Boundaries)
+
+### آنچه باید پوشش داده شود (In-Scope):
+1. **تصویر کلان مقیاس دیجی‌کالا: غول تجارت الکترونیک ایران:**
+   * میزبانی بیش از ۳۰۰ هزار فروشنده فعال، پردازش صدها هزار سفارش روزانه و مدیریت انبار مکانیزه دانشور.
+2. **محور اول هوش مصنوعی: مدیریت هوشمند کاتالوگ و مشخصات کالا:**
+   * فروشندگان اطلاعات کالا را با نگارش‌های مختلف، ناقص یا غلط ثبت می‌کنند؛ مدل‌های زبانی و الگوریتم‌های پردازش تصویر دیجی‌کالا چگونه مشخصات را استانداردسازی می‌کنند؟
+   * استخراج خودکار ویژگی‌های فنی محصول از کاتالوگ‌های تصویری با OCR و بینایی ماشین.
+   * حذف خودکار محصولات تکراری یا تقلبی با مقایسه بردارهای معنایی و تصاویر.
+3. **محور دوم هوش مصنوعی: مهندسی لجستیک، زنجیره تأمین و انبارداری:**
+   * مسیریابی هوشمند ناوگان دیجی‌اکسپرس (Route Optimization) با هوش مصنوعی برای کاهش مصرف سوخت و تاخیر.
+   * پیش‌بینی تقاضای فصلی کالاها (Demand Forecasting) برای انتقال پیش‌دستانه اجناس پرتقاضا به انبارهای نزدیک‌تر.
+4. **محور سوم: مهندسی نرم‌افزار با ایجنت‌های AI در تیم‌های توسعه دیجی‌کالا:**
+   * استفاده توسعه‌دهندگان از ابزارهای ادیتور هوشمند (Cursor و GitHub Copilot) برای سرعت‌بخشی به توسعه میکروسرویس‌ها.
+   * ری‌فکتورینگ و ترجمه کدهای قدیمی لایه‌های پیشین به زبان‌های پرسرعت نظیر Go.
+   * بهینه‌سازی کوئری‌های کند پایگاه داده با تحلیل خودکار Slow Query Logs توسط مدل‌ها.
+5. **درس‌های طلایی دیجی‌کالا برای یک وایب کدر:**
+   * اهمیت استانداردسازی ساختار داده‌ها و اجتناب از داده‌های شلخته در دیتابیس از همان روز اول.
+6. **کال‌اوت‌های آموزشی و الهام‌بخش کوئرا:**
+   * کال‌اوت بنفش (`<details class="violet">`): مفهوم تطبیق محصول (Product Deduplication) در مقیاس میلیون‌ها رکورد با تعبیه برداری (Embeddings).
+   * کال‌اوت سبز (`<details class="green">`): فرصت‌های استخدام و نیازمندی تیم‌های دیجی‌کالا به توسعه‌دهندگانی که بر ابزارهای هوش مصنوعی و تست‌نویسی خودکار تسلط دارند.
+   * کال‌اوت قرمز (`<details class="red">`): اهمیت ممیزی انسانی در قیمت‌گذاری؛ هرگز نباید قیمت‌گذاری کالاها را بدون سقف امنیتی سخت‌گیرانه به الگوریتم‌های خودکار واگذار کرد.
+
+### آنچه نباید وارد آن شویم (Out-of-Scope):
+- جزییات اسرار تجاری و معماری‌های محرمانه داخلی شبکه اختصاصی دیجی‌کالا.
+- مباحث سخت‌افزاری اتوماسیون نقاله‌های صنعتی انبارداری.
+
+---
+
+## ۳. مفاهیم کلیدی و کلمات تخصصی (Key Concepts & Terms)
+
+| اصطلاح انگلیسی | معادل فارسی مصوب | توضیح یک‌خطی ساده |
+| :--- | :--- | :--- |
+| SKU (Stock Keeping Unit) | واحد نگهداری موجودی | شناسه یکتای اختصاصی برای هر تنوع کالایی مشخص در سیستم‌های انبارداری و فروشگاهی |
+| Marketplace Moderation | پالایش بازارگاه فروشندگان | فرآیند بازرسی، اعتبارسنجی و تایید اصالت کالاها و مشخصات ثبت‌شده توسط فروشندگان شخص ثالث |
+| Demand Forecasting | پیش‌بینی تقاضای بازار | استفاده از مدل‌های داده برای برآورد حجم خرید کاربران در روزها و فصل‌های آینده |
+| Legacy Migration | مهاجرت از کدهای موروثی | بازنویسی و انتقال سیستم‌های قدیمی و سنگین نرم‌افزاری به معماری‌های مدرن و چابک |
+| Slow Query Optimization | بهینه‌سازی کوئری‌های کند | بازبینی و اصلاح دستورات سنگین دیتابیس با ایندکس‌های مناسب برای پیشگیری از قفل شدن پایگاه داده |
+
+---
+
+## ۴. جایگاه‌های تصاویر و نمودارها (Visual & Diagram Placeholders)
+> **راهنمای ایجنت نویسنده:** تمام تصاویر باید در پوشهٔ `images/` ذخیره شده و در جدول تک‌خانه‌ای وسط‌چین درج شوند:
+
+1. **تصویر کاور درس:** `images/cover.png`
+   * **موضوع:** انبار مکانیزه نئونی دیجی‌کالا با ربات‌های باربر هوشمند و نمودارهای خطوط کدهای مدرن در فضای ابری.
+2. **جریان پالایش خودکار کاتالوگ کالا با هوش مصنوعی در دیجی‌کالا:** `images/digikala-catalog-ai-flow.png`
+   * **موضوع:** اینفوگرافیک: ثبت عکس و متن توسط فروشنده $\rightarrow$ استخراج داده با OCR و مدل زبانی $\rightarrow$ اعتبارسنجی اصالت $\rightarrow$ انتشار خودکار در کاتالوگ.
+3. **چرخه بهینه‌سازی کدهای مایکروسرویس‌ها با ایجنت‌های مهندسی:** `images/digikala-dev-ai-workflow.png`
+   * **موضوع:** فلوچارت: رصد خطاهای سیستم $\rightarrow$ ارجاع لاگ به کامپوزر $\rightarrow$ تولید خودکار تست‌های یکپارچگی $\rightarrow$ ریفکتور امن به میکروسرویس Go.
+4. **مسیریابی هوشمند ناوگان توزیع کالا:** `images/digikala-express-routing-map.png`
+   * **موضوع:** نقشه تعاملی شهر با مسیرهای رنگی بهینه‌شده بسته‌رسانی خودروها و موتورهای دیجی‌اکسپرس برای کاهش تاخیر.
+
+---
+
+## ۵. بخش‌بندی و ساختار محتوایی پیشنهادی درس‌نامه (`README.md`)
+
+1. **تیتر اصلی:** `# بررسی موردی دیجی‌کالا؛ هوش مصنوعی در مقیاس میلیون‌ها کالا، انبارداری و کاتالوگ`
+2. **مقدمه:** بزرگ‌ترین فروشگاه اینترنتی خاورمیانه چگونه از دل میلیون‌ها سطر کد و میلیون‌ها کالا، با هوش مصنوعی سرعت و بهره‌وری خلق می‌کند؟
+3. **جدول کاور درس**
+4. **مقیاس دیجی‌کالا: غول تجارت الکترونیک در اعداد:**
+   * ۱۰ میلیون کالا، ۳۰۰ هزار فروشنده و پردازش انبوه سفارش‌ها.
+5. **شکار هوشمند خطاهای کاتالوگ: استانداردسازی محتوا با AI:**
+   * رفع اشکالات نگارشی، حذف کالاهای تکراری و استخراج مشخصات فنی از روی تصاویر جعبه محصول.
+6. **لجستیک و انبارداری الگوریتمی:**
+   * پیش‌بینی تقاضا و کاهش زمان رسیدن بسته به دست مشتری با مسیریابی هوشمند.
+7. **کدنویسی در مقیاس دیجی‌کالا: چگونه مهندسان از ایجنت‌های AI استفاده می‌کنند؟**
+   * تولید خودکار تست‌های رگرسیون برای پایدار ماندن سیستم‌های پردازش پرداخت در بلک‌فرایدی (جمعه شگفت‌انگیز).
+   * بازنویسی میکروسرویس‌های سنگین و بهینه‌سازی کوئری‌های دیتابیس.
+8. **درس‌های عملیاتی برای پروژه‌های شخصی شما:**
+   * چرا نباید از روز اول پایگاه داده را نامرتب طراحی کنیم و اهمیت تعریف تایپ‌های سخت‌گیرانه.
+9. **باکس نکته Quera (`<details class="violet">`):** استفاده از تکنیک Product Deduplication با بردارهای معنایی؛ چطور ده‌ها عنوان مشابه مثل «گوشی A15» و «Galaxy A15 128GB» به عنوان یک کالای واحد شناسایی می‌شوند.
+10. **باکس هشدار Quera (`<details class="red">`):** خطر اتوماسیون بدون ناظر در بازارهای مالی؛ تجربیات دیجی‌کالا در اعمال سقف بازرسی انسانی روی تغییرات قیمت کالاها.
+11. **باکس رضایت‌بخش Quera (`<details class="green">`):** الهام‌گیری از الگوهای معماری دیجی‌کالا و تطبیق آن‌ها با استانداردهای پورتفولیو و استارتاپ شخصی.
+12. **جمع‌بندی درس‌نامه:** پایان بررسی دیجی‌کالا؛ ورود به ایستگاه بررسی موردی اسنپ (مدیریت میلیون‌ها سفر و دیسپچ لحظه‌ای) در درس بعدی.
+
+---
+
+## ۶. معیارهای پذیرش (Acceptance Criteria for Reviewer)
+- [ ] مقیاس مهندسی و چالش‌های پلتفرم دیجی‌کالا با اعداد و ارقام واقعی تبیین شود.
+- [ ] کاربردهای عملیاتی AI در کاتالوگ کالا، انبارداری و لجستیک تشریح گردند.
+- [ ] نحوه استفاده مهندسان نرم‌افزار دیجی‌کالا از ابزارهای هوش مصنوعی (تست‌نویسی، ریفکتور) ارائه شود.
+- [ ] درس‌آموخته‌های قابل انتقال به پروژه‌های دانشجویان در متن لحاظ گردد.