RetailOpt Decision Agent
RetailOpt — عامل تصمیم خردهفروشی — عامل تصمیم خردهفروشی با مجموعه ۱۰ هزار مورد تأییدشده و تولید کد قابل راستیآزمایی.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: فهرست خدمات · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
پیشنهادهای LLM برای قیمت/موجودی بدون راستیآزمایی عملیاتی خطرناک بود.
۱۰k مورد verified + بنچمارک عامل؛ codegen با pipeline مشخص.
- ۱۰k verified
- codegen coder
- بنچمارک عامل
- تصمیم خردهفروشی
«پیشنهاد عامل باید روی موارد تأییدشده بگذرد — نه فقط متن زیبا.»
مستندات عمومی
چه میکند؟
RetailOpt Decision Agent یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به RetailOpt Decision Agent ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
فروشگاه زنجیرهای
قیمت، موجودی و انتخاب سبد با اثر جانشینی SKU. دستهبندی کالا، پروموشن و موجودی فروشگاه.
تجارت الکترونیک
وعده تحویل، تخصیص انبار و جلوگیری از سفارش زیانده.
FMCG
پروموشن، موجودی کمپین و کاهش stockout.
مد و پوشاک
assortment و قیمت پایدار بدون فرسایش برند.
قطعات یدکی
موجودی چندسطحی و پاسخ میدانی.
بازارگاه چندفروشنده
تخصیص ظرفیت و سطح خدمت مستأجر.
برای مهندس: Pipeline و معماری
Retail decision NL → verified cases retrieve → codegen → evaluate → recommendation
معماری مرجع: Retail decision NL → verified cases retrieve → codegen → evaluate → recommendation. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Verified set | retailopt-10k | yes |
| Pipeline | agent + coder | yes |
| Benchmark | results dataset | yes |
| Domain | retail decisions | yes |
سوالات پرتکرار
RetailOpt Decision Agent چه مسئلهای را حل میکند؟
RetailOpt Decision Agent برای «عامل تصمیم خردهفروشی از داده تا پیشنهاد اقدام» است. عامل تصمیم خردهفروشی با مجموعه ۱۰ هزار مورد تأییدشده و تولید کد قابل راستیآزمایی. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی RetailOpt Decision Agent چیست؟
ورودی: وضعیت موجودی/قیمت و ابزار. خروجی قابل نقلقول: پیشنهاد اقدام با توضیح. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی RetailOpt Decision Agent جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: اقدام خودکار روی قیمت بدون تأیید. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.