سیستم هوشمند تحلیل محیط بصری و پیشنهاد تصمیم در لحظه

## ۱. شرح کلی پروژه

هدف، طراحی و توسعه یک سیستم هوشمند تخصصی است که بتواند محتوای بصری یک محیط نرم‌افزاری را به‌صورت زنده دریافت کند، اطلاعات و متغیرهای آن را استخراج و تحلیل کند و با استفاده از دو موتور تصمیم‌گیری مستقل، پیشنهادهای دقیق و کاربردی ارائه دهد.

معماری اصلی سیستم شامل سه بخش است:

1. دریافت زنده تصاویر و ارتباط با محیط نرم‌افزاری
2. بینایی ماشین، استخراج اطلاعات و بازسازی وضعیت محیط
3. دو موتور مستقل تحلیل و تصمیم‌گیری هوشمند

## ۲. دریافت تصویر و بینایی ماشین

به دلیل نبود دسترسی مستقیم به ساختار داخلی نرم‌افزار، سیستم باید تصاویر صفحه‌نمایش را از طریق روش‌هایی مانند Screen Sharing یا بسترهای واسط دریافت کند.

قابلیت‌های موردنیاز:
- دریافت پیوسته تصاویر با حداقل تأخیر و حفظ کیفیت مناسب
- انتقال پایدار تصاویر به بخش پردازش
- بازیابی خودکار ارتباط پس از قطع اتصال
- تشخیص متون، اعداد، نمادها، عناصر و موقعیت آن‌ها
- استخراج متغیرها و اطلاعات مؤثر در محیط
- شناسایی تغییرات و رویدادهای لحظه‌ای
- ارتباط‌دهی تصاویر متوالی و بازسازی وضعیت فعلی محیط
- تبدیل اطلاعات بصری به داده‌های ساختاریافته

سیستم باید اطلاعات ناقص، مبهم یا متناقض را تشخیص دهد، میزان اطمینان خود را مشخص کند و در صورت لزوم پردازش مجدد انجام دهد. در شرایطی که اطلاعات ضروری قابل اعتماد نیستند، نباید پیشنهاد قطعی ارائه شود.

## ۳. موتور اول: تصمیم‌گیری مبتنی بر دانش و داده‌های مرجع

این موتور باید بر اساس استراتژی‌ها، الگوریتم‌ها، اطلاعات تخصصی و داده‌هایی که توسط ما ارائه می‌شوند، تصمیم‌گیری کند.



این موتور نیازی به یادگیری خودکار ندارد و باید منطق و اطلاعات تعریف‌شده توسط ما را با دقت و سرعت اجرا کند.

## ۴. موتور دوم: تصمیم‌گیری تطبیقی و خودآموز (Adaptive & Self-Learning AI)

این موتور باید علاوه بر تحلیل شرایط لحظه‌ای، قابلیت یادگیری مستمر، حفظ تجربیات، شناسایی الگوها و بهبود تدریجی عملکرد خود را داشته باشد.

**الف) حافظه بلندمدت

**ب) یادگیری از تجربیات

**ج) دریافت دانش جدید

**د) بهبود مستمر

# ۵. تحلیل رفتار و پروفایل مشارکت‌کنندگان

#۶. ارزیابی تصمیم‌ها و اتصال به ابزارهای تخصصی

قابلیت‌ها:
- مقایسه تصمیم‌ها با استراتژی‌ها و داده‌های مرجع
- ارزیابی مستقل کیفیت تصمیم‌ها
- مقایسه با خروجی Solverها و موتورهای محاسباتی
- شناسایی خطاهای تکرارشونده
- ارزیابی و مقایسه عملکرد دو موتور
- استفاده از نتایج ارزیابی برای بهبود موتور دوم
- اتصال به APIها و نرم‌افزارهای تخصصی
- دریافت، ذخیره و پردازش خروجی منابع خارجی
- امکان افزودن الگوریتم‌ها و ابزارهای جدید

برنامه‌نویس باید مشخص کند کدام بخش‌ها اختصاصی توسعه داده می‌شوند و کدام قابلیت‌ها به سرویس‌های خارجی نیاز دارند.

## ۷. ثبت اطلاعات و بازبینی

تمام اطلاعات مهم فرآیند تحلیل و تصمیم‌گیری باید به‌صورت ساختارمند ذخیره شوند، از جمله:

- تصاویر یا وضعیت استخراج‌شده هنگام تصمیم‌گیری
- متغیرها و شرایط مؤثر محیط
- اطلاعات و تاریخچه مشارکت‌کنندگان
- پیشنهاد مستقل هر دو موتور
- اقدام واقعی انجام‌شده و نتیجه نهایی
- ارزیابی کیفیت تصمیم‌ها
- میزان اطمینان سیستم به اطلاعات و پیشنهادها

همچنین امکان جست‌وجو، بازیابی، بازبینی تصمیم‌های گذشته، مقایسه دو موتور، تهیه گزارش آماری و استخراج داده برای تحلیل و آموزش‌های بعدی ضروری است.

## ۸. معماری، سرعت و قابلیت توسعه (Performance & Scalable Architecture)

نرم‌افزار باید به‌صورت ماژولار طراحی شود تا هر بخش مستقل از سایر قسمت‌ها قابل توسعه، جایگزینی و بهینه‌سازی باشد.

**الزام سرعت:** هدف، تکمیل چرخه دریافت تصویر، استخراج اطلاعات، تحلیل، محاسبات دو موتور و نمایش پیشنهادها در کمتر از یک ثانیه در شرایط عملیاتی عادی است.

برنامه‌نویس باید زمان پردازش هر بخش، تأخیر کلی، دقت قابل دستیابی، سخت‌افزار موردنیاز و محدودیت‌های فنی را مشخص کند.

## ۹. مراحل اجرای پروژه

1. طراحی معماری و زیرساخت نرم‌افزار
2. توسعه سیستم دریافت زنده تصاویر
3. پیاده‌سازی بینایی ماشین و استخراج اطلاعات
4. بازسازی و تحلیل وضعیت محیط
5. توسعه موتور اول مبتنی بر دانش و داده‌های مرجع
6. توسعه موتور دوم تطبیقی و خودآموز
7. پیاده‌سازی حافظه بلندمدت و سیستم یادگیری
8. توسعه پروفایل رفتاری مشارکت‌کنندگان
9. پیاده‌سازی ارزیابی تصمیم‌ها و سیستم بازخورد
10. اتصال به Solverها و منابع تخصصی
11. توسعه سیستم ذخیره‌سازی و بازبینی اطلاعات
12. آزمایش، ارزیابی و بهینه‌سازی نهایی

# ۱۰. اطلاعات موردنیاز در پیشنهاد همکاری

لطفاً در پیشنهاد خود موارد زیر را به‌صورت شفاف ارائه دهید:

1. سوابق کاری و نمونه پروژه‌های مشابه
2. معماری فنی و تکنولوژی‌های پیشنهادی
3. روش دریافت و پردازش زنده تصاویر
4. روش استخراج اطلاعات و بازسازی وضعیت محیط
5. معماری و نحوه اجرای دو موتور تصمیم‌گیری
6. روش پیاده‌سازی حافظه بلندمدت و یادگیری واقعی
7. نحوه ایجاد پروفایل و تحلیل رفتار مشارکت‌کنندگان
8. روش ارزیابی کیفیت تصمیم‌ها و استفاده از داده‌های مرجع
9. نحوه اتصال به Solverها و ابزارهای تخصصی
10. روش دستیابی به سرعت پردازش زیر یک ثانیه
11. هزینه و زمان اجرای هر مرحله
12. هزینه و زمان توسعه نسخه کامل
13. هزینه‌های احتمالی API، مدل‌های هوش مصنوعی و زیرساخت
14. سخت‌افزار موردنیاز
15. شرایط پشتیبانی و توسعه آینده

## تأکید نهایی

هدف، توسعه یک ابزار ساده تشخیص تصویر یا نرم‌افزار متصل به یک API هوش مصنوعی نیست؛ بلکه ساخت یک سیستم هوشمند تخصصی با قابلیت تحلیل زنده محیط، استخراج دقیق اطلاعات، دو موتور تصمیم‌گیری مستقل، حافظه بلندمدت، یادگیری از تجربیات، تحلیل رفتار مشارکت‌کنندگان و بهینه‌سازی مستمر است.

به دنبال همکاری با برنامه‌نویس یا تیمی متخصص و باتجربه برای توسعه یک محصول حرفه‌ای و قابل توسعه در بلندمدت هستیم.