102 lines
12 KiB
Markdown
102 lines
12 KiB
Markdown
# 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.
|