12 KiB
12 KiB
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):
- 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.
- 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.
- 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.
- 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.
- درس‌های طلایی دیجی‌کالا برای یک وایب کدر:
- اهمیت استانداردسازی ساختار داده‌ها و اجتناب از داده‌های شلخته در دیتابیس از همان روز اول.
- 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.
- کال‌اوت بنفش (
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:
- تصویر کاور درس:
images/cover.png- موضوع: انبار مکانیزه نئونی دیجی‌کالا با ربات‌های باربر هوشمند و نمودارهای خطوط کدهای مدرن در فضای ابری.
- جریان پالایش خودکار کاتالوگ کالا با هوش مصنوعی در دیجی‌کالا:
images/digikala-catalog-ai-flow.png- موضوع: اینفوگرافیک: ثبت عکس و متن توسط فروشنده
\rightarrowاستخراج داده با OCR و مدل زبانی\rightarrowاعتبارسنجی اصالت\rightarrowانتشار خودکار در کاتالوگ.
- موضوع: اینفوگرافیک: ثبت عکس و متن توسط فروشنده
- چرخه بهینه‌سازی کدهای مایکروسرویس‌ها با ایجنت‌های مهندسی:
images/digikala-dev-ai-workflow.png- موضوع: فلوچارت: رصد خطاهای سیستم
\rightarrowارجاع لاگ به کامپوزر\rightarrowتولید خودکار تست‌های یکپارچگی\rightarrowریفکتور امن به میکروسرویس Go.
- موضوع: فلوچارت: رصد خطاهای سیستم
- 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)
- تیتر اصلی:
# بررسی موردی دیجی‌کالا؛ هوش مصنوعی در مقیاس میلیون‌ها کالا، انبارداری و کاتالوگ - مقدمه: بزرگ‌ترین فروشگاه اینترنتی خاورمیانه چگونه از دل میلیون‌ها سطر کد و میلیون‌ها کالا، با هوش مصنوعی سرعت و بهره‌وری خلق می‌کند؟
- جدول کاور درس
- مقیاس دیجی‌کالا: غول تجارت الکترونیک در اعداد:
- ۱۰ میلیون کالا، ۳۰۰ هزار فروشنده و پردازش انبوه سفارش‌ها.
- شکار هوشمند خطاهای کاتالوگ: استانداردسازی محتوا با AI:
- رفع اشکالات نگارشی، حذف کالاهای تکراری و استخراج مشخصات فنی از روی تصاویر جعبه محصول.
- لجستیک و انبارداری الگوریتمی:
- پیش‌بینی تقاضا و کاهش زمان رسیدن بسته به دست مشتری با مسیریابی هوشمند.
- 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.
- درس‌های عملیاتی برای پروژه‌های شخصی شما:
- چرا نباید از روز اول پایگاه داده را نامرتب طراحی کنیم و اهمیت تعریف تایپ‌های سخت‌گیرانه.
- 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. - باکس هشدار Quera (
<details class="red">): خطر اتوماسیون بدون ناظر در بازارهای مالی؛ تجربیات دیجی‌کالا در اعمال سقف بازرسی انسانی روی تغییرات قیمت کالاها. - باکس رضایت‌بخش Quera (
<details class="green">): الهام‌گیری از الگوهای معماری دیجی‌کالا و تطبیق آن‌ها با استانداردهای پورتفولیو و استارتاپ شخصی. - 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.