StockForge
StockForge — هوش تصمیم خردهفروشی — پیشبینی تقاضا و بهینهسازی موجودی/سفارش خردهفروشی در یک موتور تصمیم.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: فهرست خدمات · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
پیشبینی جدا از سفارش بود؛ RMSE خوب به تصمیم موجودی خوب منجر نمیشد.
KPI تصمیم (موجودی، کمبود، سود) بهجای فقط خطای پیشبینی.
- Forecast + optimize
- KPI تصمیم
- بنچمارک خردهفروشی
- مدل تقاضا
«دیگر مدل را با RMSE تنها نمیسنجیم — با کمبود و سود میسنجیم.»
مستندات عمومی
چه میکند؟
StockForge 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 StockForge 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. زنجیرههای خردهفروشی و برندهای کالاهای مصرفی.
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
Sales history → demand forecast → inventory/price decisions → decision KPIs vs forecast RMSE
معماری مرجع: Sales history → demand forecast → inventory/price decisions → decision KPIs vs forecast RMSE. 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 |
|---|---|---|
| Coupling | forecast→optimize | yes |
| Decision KPIs | stockout/profit | primary |
| Model page | retail-demand-forecast | yes |
| Benchmark | retail | yes |
سوالات پرتکرار
StockForge چه مسئلهای را حل میکند؟
StockForge برای «پیشبینی تقاضای کالایی خردهفروشی در سطح SKU/فروشگاه» است. پیشبینی تقاضا و بهینهسازی موجودی/سفارش خردهفروشی در یک موتور تصمیم. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی StockForge چیست؟
ورودی: فروش تاریخی، تقویم و موجودی. خروجی قابل نقلقول: پیشبینی و بازه. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی StockForge جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: پیشبینی بدون موجودی از دسترفته. 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.