RAG در هوش مصنوعی چیست؟ چگونه پاسخ‌های مدل را به اطلاعات سازمان متصل کنیم؟

مدل‌های هوش مصنوعی مولد می‌توانند به پرسش‌ها پاسخ دهند، متن تولید کنند و اطلاعات را تحلیل کنند؛ اما وقتی قرار است به پرسش‌های اختصاصی یک سازمان پاسخ دهند، یک چالش مهم به وجود می‌آید: اطلاعات موردنیاز ممکن است در اسناد داخلی، قراردادها، دستورالعمل‌ها، پایگاه‌های داده و سامانه‌های سازمانی نگهداری شوند؛ منابعی که مدل لزوماً به آن‌ها دسترسی ندارد.

برای حل این مسئله، یکی از روش‌های پرکاربرد RAG یا تولید تقویت‌شده با بازیابی اطلاعات (Retrieval-Augmented Generation) است. این معماری به سیستم هوش مصنوعی اجازه می‌دهد پیش از تولید پاسخ، اطلاعات مرتبط را از منابع مشخص بازیابی کند و از آن‌ها برای پاسخ‌گویی استفاده کند.

برای مثال، اگر کارمندی بپرسد «طبق آخرین دستورالعمل شرکت، شرایط دریافت مرخصی استعلاجی چیست؟»، سیستم مبتنی بر RAG می‌تواند بخش‌های مرتبط از دستورالعمل منابع انسانی را پیدا کند و پاسخ را بر اساس همان اطلاعات تولید کند؛ به‌جای اینکه فقط به دانش عمومی مدل تکیه کند.

در این مقاله، نحوه کار RAG، اجزای فنی آن، کاربردهای سازمانی، تفاوت آن با تنظیم دقیق مدل و نکات مهم پیاده‌سازی را بررسی می‌کنیم.

RAG چیست و چه مشکلی را حل می‌کند؟

RAG روشی برای ترکیب دو قابلیت است: بازیابی اطلاعات از منابع مشخص و تولید پاسخ با استفاده از مدل زبانی بزرگ یا LLM.

در این معماری، مدل زبانی به‌جای اینکه فقط از اطلاعات آموخته‌شده در زمان آموزش استفاده کند، به اطلاعات مرتبطی که در زمان اجرای درخواست بازیابی شده‌اند نیز دسترسی پیدا می‌کند.

این موضوع به‌ویژه برای سازمان‌هایی اهمیت دارد که اطلاعات آن‌ها مرتب تغییر می‌کند یا محرمانه است و نمی‌توان فرض کرد مدل از قبل به آن‌ها دسترسی دارد.

برای نمونه، اطلاعات زیر ممکن است در یک سازمان وجود داشته باشند:

  • دستورالعمل‌های داخلی و آیین‌نامه‌های منابع انسانی

  • قراردادها، پیشنهادهای تجاری و مستندات حقوقی

  • راهنماهای فنی محصولات و خدمات

  • اطلاعات موجود در سامانه‌های مدیریت اسناد

  • مستندات پروژه‌ها، گزارش‌ها و پایگاه دانش پشتیبانی

  • دستورالعمل‌های عملیاتی و فرایندهای سازمانی

RAG می‌تواند این منابع را به یک سیستم پرسش‌وپاسخ متصل کند؛ به شرط آنکه اطلاعات قابل دسترسی باشند، مجوزها درست اعمال شوند و فرایند بازیابی به‌درستی طراحی شده باشد.

نکته مهم این است که RAG به‌خودی‌خود مدل را آموزش مجدد نمی‌دهد. این روش اطلاعات مرتبط را در زمان پاسخ‌گویی در اختیار مدل قرار می‌دهد.

RAG چگونه کار می‌کند؟

معماری RAG معمولاً از دو فرایند اصلی تشکیل می‌شود: آماده‌سازی و نمایه‌سازی اطلاعات، و بازیابی اطلاعات هنگام دریافت پرسش.

مرحله اول: اتصال به منابع اطلاعاتی

ابتدا منابعی که قرار است سیستم از آن‌ها استفاده کند شناسایی می‌شوند. این منابع می‌توانند فایل‌های PDF و Word، صفحات وب داخلی، اسناد SharePoint، پایگاه دانش پشتیبانی یا پایگاه‌های داده باشند.

در این مرحله باید مشخص شود هر منبع چه ساختاری دارد، چه کسی مالک آن است، چه سطح محرمانگی دارد و چه افرادی اجازه استفاده از اطلاعات آن را دارند.

مرحله دوم: استخراج و آماده‌سازی اسناد

اطلاعات خام باید به قالبی تبدیل شوند که سیستم بتواند آن‌ها را پردازش کند. برای مثال، متن فایل‌های PDF استخراج می‌شود، محتوای اسناد Word خوانده می‌شود و در صورت نیاز، OCR برای استخراج متن از اسناد اسکن‌شده به کار می‌رود.

در ادامه، اطلاعات نامرتبط، نسخه‌های تکراری و محتوای نامعتبر باید تا حد امکان شناسایی شوند. حفظ عنوان سند، تاریخ، مالک، شماره نسخه و سایر فراداده‌ها نیز برای بازیابی دقیق‌تر اهمیت دارد.

مرحله سوم: تقسیم اسناد به بخش‌های کوچک‌تر

اسناد طولانی معمولاً به بخش‌هایی کوچک‌تر به نام Chunk تقسیم می‌شوند. هدف این است که هنگام دریافت پرسش، سیستم بتواند قسمت مرتبط سند را بازیابی کند؛ بدون اینکه مجبور باشد تمام محتوای سند را به مدل ارسال کند.

برای مثال، یک دستورالعمل ۱۰۰ صفحه‌ای ممکن است به بخش‌هایی تقسیم شود که هر کدام یک موضوع یا چند پاراگراف مرتبط را پوشش می‌دهند.

اندازه بخش‌ها باید با ساختار اسناد، نوع پرسش‌ها و محدودیت‌های مدل هماهنگ باشد. تقسیم بیش از حد کوچک ممکن است زمینه و ارتباط جملات را از بین ببرد و تقسیم بیش از حد بزرگ می‌تواند دقت بازیابی را کاهش دهد.

مرحله چهارم: تبدیل متن به بردارهای معنایی

در بسیاری از سامانه‌های RAG، متن هر بخش با استفاده از یک مدل Embedding به برداری عددی تبدیل می‌شود. این بردار بازنمایی‌ای از ویژگی‌های معنایی متن است و به سیستم کمک می‌کند بخش‌هایی را پیدا کند که از نظر معنا به پرسش کاربر نزدیک هستند.

بردارها معمولاً در یک پایگاه داده برداری یا یک سامانه جست‌وجوی ترکیبی ذخیره می‌شوند. بااین‌حال، استفاده از پایگاه داده برداری در همه پیاده‌سازی‌های RAG الزامی نیست؛ بعضی سامانه‌ها از جست‌وجوی واژگانی، پایگاه داده متنی یا ترکیبی از روش‌ها استفاده می‌کنند.

مرحله پنجم: بازیابی اطلاعات مرتبط با پرسش

وقتی کاربر سؤالی مطرح می‌کند، سیستم ابتدا پرسش را تحلیل می‌کند و بخش‌های مرتبط را از میان اطلاعات نمایه‌شده پیدا می‌کند.

بسته به نوع سامانه، این فرایند می‌تواند شامل جست‌وجوی معنایی، جست‌وجوی کلیدواژه‌ای، فیلترکردن بر اساس فراداده‌ها و رتبه‌بندی مجدد نتایج باشد.

برای مثال، در پاسخ به پرسش «مراحل تأیید قرارداد در شرکت چیست؟»، سیستم باید بخش‌های مرتبط با فرایند تأیید قرارداد را بازیابی کند، نه اینکه صرفاً اسنادی را انتخاب کند که چند بار واژه «قرارداد» در آن‌ها آمده است.

مرحله ششم: تولید پاسخ مستند

بخش‌های بازیابی‌شده به‌عنوان زمینه در اختیار مدل زبانی قرار می‌گیرند. سپس مدل بر اساس پرسش و اطلاعات ارائه‌شده پاسخ تولید می‌کند.

یک سامانه مناسب می‌تواند منبع هر بخش را نیز نمایش دهد؛ برای مثال، نام سند، شماره صفحه یا لینک به محل اصلی اطلاعات.

البته وجود RAG تضمین نمی‌کند که تمام پاسخ‌ها درست باشند. اگر اطلاعات مرتبط بازیابی نشوند، اسناد قدیمی باشند یا مدل از زمینه ارائه‌شده فراتر برود، همچنان احتمال پاسخ نادرست وجود دارد.

اجزای اصلی یک معماری RAG سازمانی

برای طراحی یک راهکار RAG، باید اجزای مختلف سیستم را به‌صورت هماهنگ در نظر گرفت. انتخاب مدل زبانی به‌تنهایی برای ساخت یک راهکار قابل‌اعتماد کافی نیست.

مؤلفه وظیفه
Data Connector دریافت اطلاعات از منابع سازمانی
Document Parser استخراج متن و ساختار اسناد
Chunking تقسیم محتوا به بخش‌های قابل بازیابی
Embedding Model تبدیل متن به بردارهای معنایی
Search / Vector Store ذخیره‌سازی و جست‌وجوی اطلاعات
Retriever انتخاب بخش‌های مرتبط با پرسش
Reranker مرتب‌سازی دوباره نتایج بر اساس ارتباط
LLM تولید پاسخ بر اساس پرسش و اطلاعات بازیابی‌شده
Access Control اعمال مجوزهای دسترسی به اطلاعات
Evaluation & Monitoring سنجش کیفیت پاسخ‌ها و پایش عملکرد سیستم

این اجزا لزوماً محصولات جداگانه نیستند. برخی پلتفرم‌ها چند قابلیت را در یک سرویس ارائه می‌کنند و معماری مناسب به حجم داده، نیازهای امنیتی، پیچیدگی پرسش‌ها و زیرساخت موجود بستگی دارد.

چگونه RAG را به اطلاعات سازمان متصل کنیم؟

برای پیاده‌سازی RAG، بهتر است ابتدا یک کاربرد مشخص و محدود انتخاب شود. اتصال تمام سامانه‌های سازمان به یک مدل هوش مصنوعی از همان ابتدا، معمولاً هزینه و پیچیدگی زیادی ایجاد می‌کند.

انتخاب منابع اطلاعاتی مناسب

ابتدا مشخص کنید سیستم قرار است به چه پرسش‌هایی پاسخ دهد و پاسخ آن‌ها در کدام منابع قرار دارد.

برای مثال، اگر هدف ساخت دستیار منابع انسانی است، می‌توان از دستورالعمل‌های مرخصی، قوانین داخلی، راهنمای مزایا و پرسش‌های متداول کارکنان شروع کرد.

در این مرحله، باید اسناد معتبر و به‌روز از نسخه‌های منسوخ یا پیش‌نویس‌های تأییدنشده تفکیک شوند. اگر چند سند درباره یک موضوع اطلاعات متناقض دارند، سیستم باید بتواند نسخه معتبر را تشخیص دهد یا در صورت لزوم، پاسخ قطعی ارائه نکند.

اتصال به SharePoint و سامانه‌های مدیریت اسناد

در سازمان‌هایی که از SharePoint استفاده می‌کنند، اسناد و صفحات داخلی می‌توانند یکی از منابع RAG باشند. اتصال فنی ممکن است از طریق APIها، رابط‌های رسمی یا ابزارهای یکپارچه‌سازی انجام شود.

بااین‌حال، صرف اتصال به مخزن اسناد کافی نیست. سامانه باید اطلاعاتی مانند شناسه سند، نسخه، تاریخ به‌روزرسانی و مجوزهای دسترسی را نیز به‌درستی مدیریت کند.

برای مثال، اگر کارمندی به یک قرارداد محرمانه دسترسی ندارد، بازیابی آن قرارداد برای پاسخ‌گویی به همان کارمند نیز باید محدود شود. اعمال این کنترل تنها در رابط کاربری کافی نیست؛ مجوزها باید در لایه بازیابی و دسترسی به منابع نیز enforce شوند.

انتخاب روش جست‌وجو

جست‌وجوی واژگانی و جست‌وجوی معنایی هرکدام مزایایی دارند.

جست‌وجوی واژگانی برای پیدا کردن شماره قرارداد، کد محصول، نام دقیق یک فرایند یا عبارت مشخص مفید است. جست‌وجوی معنایی می‌تواند پرسش‌هایی را پیدا کند که با عبارت سند دقیقاً یکسان نیستند اما مفهوم مشابهی دارند.

در بسیاری از سامانه‌های سازمانی، جست‌وجوی ترکیبی (Hybrid Search) نتایج مناسبی فراهم می‌کند؛ زیرا هم تطبیق واژه‌ها و هم شباهت معنایی را در نظر می‌گیرد. سپس می‌توان با یک مدل رتبه‌بندی مجدد، مرتبط‌ترین بخش‌ها را برای مدل زبانی انتخاب کرد.

تعریف قواعد پاسخ‌گویی

مدل باید بداند که پاسخ را بر اساس چه منابعی تولید کند، چگونه به منابع ارجاع دهد و در صورت ناکافی بودن شواهد چه رفتاری داشته باشد.

برای نمونه، می‌توان تعیین کرد که دستیار:

  • پاسخ‌های مرتبط با سیاست‌های داخلی را با ارجاع به سند ارائه کند.

  • بین اطلاعات رسمی و محتوای غیررسمی تمایز بگذارد.

  • در صورت نبود شواهد کافی، عدم اطمینان را اعلام کند.

  • از افشای اطلاعات خارج از سطح دسترسی کاربر خودداری کند.

  • برای عملیات حساس، مانند تغییر اطلاعات یا تأیید قرارداد، بدون مجوز صریح اقدام نکند.

ارزیابی پیش از انتشار

پیش از عرضه سیستم به کاربران، مجموعه‌ای از پرسش‌های واقعی و پاسخ‌های مورد انتظار تهیه کنید. سپس بررسی کنید آیا سیستم سند درست را پیدا می‌کند، پاسخ با اطلاعات منبع مطابقت دارد و مجوزهای دسترسی به‌درستی اعمال می‌شوند یا خیر.

ارزیابی باید هم کیفیت بازیابی و هم کیفیت پاسخ نهایی را پوشش دهد. پاسخ روان و ظاهراً قانع‌کننده، به‌تنهایی نشانه عملکرد صحیح نیست.

RAG چه تفاوتی با Fine-tuning دارد؟

RAG و تنظیم دقیق مدل (Fine-tuning) دو روش متفاوت برای بهبود کاربرد یک مدل هوش مصنوعی هستند. انتخاب بین آن‌ها به هدف پروژه بستگی دارد و در برخی سیستم‌ها می‌توان از هر دو استفاده کرد.

RAG؛ دسترسی به اطلاعات

برای پاسخ‌گویی بر اساس اسناد، اطلاعات متغیر و منابع داخلی مناسب است. تغییر اسناد معمولاً با به‌روزرسانی نمایه یا منبع بازیابی اعمال می‌شود و به آموزش مجدد مدل زبانی نیاز ندارد.

Fine-tuning؛ تغییر رفتار مدل

برای سازگار کردن سبک پاسخ‌گویی، قالب خروجی، رفتار یا انجام وظایف خاص می‌تواند مفید باشد. این روش معمولاً با استفاده از نمونه‌های آموزشی، پارامترهای مدل را تغییر می‌دهد و جایگزین مناسبی برای بازیابی مستندات به‌روز نیست.

معیار RAG Fine-tuning
هدف اصلی استفاده از اطلاعات مرتبط در زمان پاسخ تغییر رفتار یا توانایی‌های مدل
اطلاعات به‌روز با به‌روزرسانی منابع قابل استفاده است معمولاً به فرایند آموزشی جدید نیاز دارد تا تغییرات در مدل منعکس شوند
ارجاع به اسناد امکان ارجاع مستقیم به منابع بازیابی‌شده وجود دارد به‌تنهایی منبع مستند و قابل ردیابی فراهم نمی‌کند
کاربرد رایج دستیار سازمانی و پرسش‌وپاسخ اسنادی سبک پاسخ، قالب خاص یا وظایف تخصصی
چالش اصلی کیفیت بازیابی و مدیریت منابع کیفیت داده آموزشی، هزینه و ارزیابی مدل

اگر هدف، پاسخ‌گویی بر اساس قراردادها، دستورالعمل‌ها یا مستندات متغیر سازمان است، RAG معمولاً نقطه شروع مناسبی محسوب می‌شود. اگر هدف تغییر رفتار مدل در یک وظیفه مشخص باشد، Fine-tuning نیز می‌تواند مطرح شود.

کاربردهای RAG در سازمان‌ها

RAG for Small Businesses: AI That Searches Your Company Knowledge | FloxoLab

دستیار هوشمند منابع انسانی

کارکنان می‌توانند درباره مرخصی، مزایا، دستورالعمل‌ها و فرایندهای اداری سؤال کنند و پاسخ را همراه با ارجاع به اسناد داخلی دریافت کنند.

Karini AI — Agentic AI Foundation Platform

پشتیبانی فنی و مدیریت دانش

سیستم می‌تواند راهنماهای فنی، مستندات محصولات و سوابق رفع مشکلات را جست‌وجو کند و پیشنهادهایی مبتنی بر اطلاعات موجود ارائه دهد.

Young Business Analyst Reviews Secure Document Management System

جست‌وجو در قراردادها و اسناد سازمانی

کاربران مجاز می‌توانند بندهای مرتبط، شرایط قراردادها و اطلاعات موردنیاز را در اسناد طولانی پیدا کنند؛ مشروط به اینکه استخراج متن و کنترل دسترسی به‌درستی انجام شده باشد.

Self-Service BI Tools: Empower Teams Without Losing Control

دستیار تحلیل و گزارش‌گیری

RAG می‌تواند تعاریف شاخص‌ها، توضیحات گزارش‌ها و مستندات تحلیلی را بازیابی کند. برای محاسبه دقیق مقادیر عددی، بهتر است در صورت نیاز به ابزارهای محاسباتی یا APIهای کنترل‌شده نیز متصل شود.

چالش‌های RAG و راهکارهای کاهش خطا

پیاده‌سازی RAG بدون طراحی دقیق ممکن است به پاسخ‌های ناقص، استناد اشتباه یا افشای اطلاعات منجر شود. مهم‌ترین چالش‌ها عبارت‌اند از:

بازیابی اسناد نامرتبط

اگر سیستم بخش اشتباهی از سند را بازیابی کند، مدل ممکن است پاسخ نامناسبی تولید کند. اصلاح روش تقسیم اسناد، استفاده از جست‌وجوی ترکیبی، بهبود مدل Embedding و ارزیابی نتایج می‌تواند این مشکل را کاهش دهد.

اطلاعات قدیمی یا متناقض

نمایه‌ای که به‌روزرسانی نشده باشد ممکن است نسخه منسوخ یک دستورالعمل را بازیابی کند. برای جلوگیری از این مشکل، باید فرایند همگام‌سازی منابع، مدیریت نسخه‌ها و حذف یا غیرفعال‌سازی اسناد منسوخ مشخص باشد.

نشت اطلاعات محرمانه

اگر مجوزهای کاربران هنگام بازیابی اعمال نشوند، ممکن است مدل به اطلاعاتی دسترسی پیدا کند که نباید در پاسخ نمایش داده شوند. کنترل دسترسی باید در تمام مسیر داده، از منبع اصلی تا نتیجه بازیابی‌شده، حفظ شود.

حملات تزریق دستورالعمل

محتوای اسناد ممکن است حاوی متن‌هایی باشد که تلاش می‌کنند رفتار مدل را تغییر دهند یا دستورالعمل‌های مخرب اجرا کنند. سیستم باید محتوای بازیابی‌شده را به‌عنوان داده در نظر بگیرد، نه دستور قابل اعتماد؛ همچنین ابزارهای متصل به مدل باید مجوزهای محدود و کنترل‌های مستقل داشته باشند.

نبود ارزیابی مستمر

کیفیت سیستم ممکن است با تغییر اسناد، مدل‌ها یا روش بازیابی تغییر کند. به همین دلیل، باید مجموعه آزمون ثابت، بررسی دوره‌ای خطاها و شاخص‌های کیفیت بازیابی و پاسخ‌گویی وجود داشته باشد.

نقشه راه پیاده‌سازی RAG در یک سازمان

برای شروع، می‌توان پروژه را در شش مرحله پیش برد:

مرحله اول: تعریف کاربرد

یک مسئله مشخص، مانند پاسخ‌گویی به پرسش‌های منابع انسانی یا جست‌وجو در مستندات فنی را انتخاب کنید.

مرحله دوم: آماده‌سازی داده‌ها

اسناد معتبر را شناسایی کنید، نسخه‌های تکراری و منسوخ را مدیریت کنید و فراداده‌ها و مجوزهای دسترسی را حفظ کنید.

مرحله سوم: ساخت لایه بازیابی

روش جست‌وجو، تقسیم اسناد، مدل Embedding و سازوکار رتبه‌بندی را متناسب با نوع اطلاعات انتخاب کنید.

مرحله چهارم: پیاده‌سازی امنیت

مجوزهای کاربران، حفاظت از داده‌های حساس، ثبت رویدادها و کنترل ابزارهای متصل به مدل را اجرا کنید.

مرحله پنجم: آزمایش و ارزیابی

پاسخ‌ها را با پرسش‌های واقعی، منابع مرجع و سناریوهای دسترسی مجاز و غیرمجاز بررسی کنید.

مرحله ششم: استقرار و بهبود

سیستم را ابتدا برای گروه محدودی از کاربران فعال کنید و با پایش خطاها، کیفیت بازیابی و بازخورد کاربران آن را بهبود دهید.

پرسش‌های متداول درباره RAG در هوش مصنوعی

RAG در هوش مصنوعی چیست؟

RAG مخفف Retrieval-Augmented Generation است و به روشی گفته می‌شود که در آن مدل هوش مصنوعی پیش از تولید پاسخ، اطلاعات مرتبط را از منابع خارجی بازیابی می‌کند و از آن اطلاعات برای پاسخ‌گویی استفاده می‌کند.

آیا برای استفاده از RAG باید مدل هوش مصنوعی را آموزش دهیم؟

خیر. در معماری متداول RAG نیازی به آموزش مجدد مدل زبانی نیست. اسناد آماده و نمایه‌سازی می‌شوند و هنگام دریافت پرسش، اطلاعات مرتبط به مدل ارائه می‌شود. بااین‌حال، آموزش یا تنظیم دقیق مدل ممکن است در برخی پروژه‌ها به‌صورت مکمل استفاده شود.

آیا می‌توان RAG را به SharePoint متصل کرد؟

بله. با استفاده از روش‌های مناسب اتصال به منابع SharePoint می‌توان اسناد و محتوای مجاز را برای بازیابی آماده کرد. برای پیاده‌سازی سازمانی، حفظ مجوزهای دسترسی، نسخه اسناد و همگام‌سازی تغییرات اهمیت زیادی دارد.

آیا RAG از پاسخ‌های نادرست هوش مصنوعی جلوگیری می‌کند؟

RAG می‌تواند با فراهم‌کردن اطلاعات مرتبط و قابل بررسی، احتمال برخی پاسخ‌های نادرست را کاهش دهد؛ اما این روش تضمین نمی‌کند تمام پاسخ‌ها درست باشند. کیفیت اسناد، دقت بازیابی، نحوه تولید پاسخ و ارزیابی سیستم همچنان تعیین‌کننده هستند.

تفاوت RAG و Fine-tuning چیست؟

RAG اطلاعات موردنیاز را هنگام پاسخ‌گویی از منابع خارجی بازیابی می‌کند، درحالی‌که Fine-tuning با استفاده از داده‌های آموزشی، رفتار یا توانایی‌های مدل را تغییر می‌دهد. برای اتصال مدل به اسناد داخلی و اطلاعات متغیر سازمان، RAG معمولاً نقطه شروع مناسبی است.

آیا RAG می‌تواند به اطلاعات محرمانه سازمان دسترسی داشته باشد؟

بله، در صورتی که منابع و اتصال‌ها برای این کار پیکربندی شده باشند؛ اما دسترسی باید به مجوزهای کاربر وابسته باشد. سیستم نباید اطلاعات محرمانه را صرفاً به این دلیل که در منبع قابل دسترسی هستند، برای همه کاربران نمایش دهد.

برای پیاده‌سازی RAG به چه ابزارهایی نیاز داریم؟

معمولاً به ابزار دریافت و پردازش اسناد، مدل Embedding، سامانه جست‌وجو یا پایگاه داده برداری، مدل زبانی و لایه کنترل دسترسی نیاز است. انتخاب فناوری‌ها به حجم داده، زیرساخت سازمان و سطح امنیت موردنیاز بستگی دارد.

آیا RAG برای تحلیل داده‌های عددی و گزارش‌های مالی مناسب است؟

RAG برای پیدا کردن توضیحات، تعاریف، مستندات و بخش‌های مرتبط با گزارش‌ها مفید است. برای محاسبات دقیق مالی، جمع‌زدن مقادیر یا تحلیل داده‌های ساختاریافته، بهتر است به پایگاه داده یا ابزار محاسباتی کنترل‌شده متصل شود و نتیجه محاسبات را در اختیار مدل قرار دهد.

دیدگاه شما


The reCAPTCHA verification period has expired. Please reload the page.