RetailOpt Decision Agent
RetailOpt — عامل تصمیم خردهفروشی — عامل تصمیم خردهفروشی با مجموعه ۱۰ هزار مورد تأییدشده و تولید کد قابل راستیآزمایی.
Interactive Sample Demoبرای 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 چیست و چه مسئلهای را حل میکند؟
عامل تصمیم خردهفروشی با مجموعه ۱۰ هزار مورد تأییدشده و تولید کد قابل راستیآزمایی.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.