ماژول ۰۵: اتوماسیون و تحلیل داده

← قبلی | 🏠 خانه | بعدی →

عصر عملیات مبتنی بر هوش مصنوعی

روزهای دست و پنجه نرم کردن با فرمول‌های پیچیده اکسل، صرف ساعت‌ها زمان برای تمیز کردن دستی فایل‌های نامنظم CSV، یا انجام کارهای تکراری کپی-پیست در برنامه‌های وب مختلف به طور قطع به پایان رسیده است. هوش مصنوعی پردازش داده‌ها و اتوماسیون وظایف را به شدت ساده کرده است و قابلیت‌هایی را که قبلاً به یک تحلیلگر داده یا مهندس اتوماسیون اختصاصی نیاز داشت، عمومی‌سازی (Democratize) کرده است.

امروزه تیم‌های بازاریابی، مدیران محصول و صاحبان کسب‌وکارهای کوچک می‌توانند با استفاده از زبان ساده و طبیعی، از هوش مصنوعی مکالمه‌ای برای استخراج بینش‌های عمیق، تولید مصورسازی‌های پیچیده و ساخت گردش‌کارهای خودکار (Automated Workflows) قدرتمند بهره ببرند.

هوش مصنوعی برای صفحات گسترده (Spreadsheets) و کار با داده‌ها

چه از صفحات گسترده سنتی مانند Excel و Google Sheets استفاده کنید و چه به سمت محیط‌های داده پیشرفته هوش مصنوعی حرکت کنید، مدل‌های زبانی (LLMs) به عنوان دستیار داده شخصی شما عمل می‌کنند.

سطح ۱: استفاده از ChatGPT/Claude برای Excel و Google Sheets

دیگر نیازی به حفظ کردن توابع پیچیده و تو در تو مانند IF، VLOOKUP، INDEX/MATCH یا QUERY ندارید. می‌توانید آن‌ها را در لحظه تولید کنید.

• پرامپت تولید: “یک فرمول Google Sheets بنویس که ستون A را برای کلمه ‘Complete’ بررسی کند. اگر درست بود، مقدار عددی ستون B را در ۱.۲ ضرب کند. در غیر این صورت، همان مقدار اصلی ستون B را برگرداند. کل این فرمول را در یک دستور IFERROR قرار بده که در صورت خرابی، عبارت ‘Invalid Data’ را برگرداند.”
• پرامپت دیباگ: “این فرمول =VLOOKUP(A2, Sheet2!A:C, 4, FALSE) خطای #REF! برمی‌گرداند. مشکل آن چیست و چگونه آن را رفع کنم؟” (هوش مصنوعی به درستی اشاره خواهد کرد که شما درخواست ایندکس ستون ۴ را دارید، در حالی که محدوده شما A:C فقط ۳ ستون دارد).
• اسکریپت‌نویسی (VBA/Apps Script): “یک Google Apps Script بنویس که هر روز صبح ساعت ۸ اجرا شود. باید ستون ‘Status’ را بررسی کند و اگر وضعیت ‘Overdue’ (عقب افتاده) بود، یک ایمیل یادآوری به آدرس موجود در ستون ‘Email’ ارسال کند.”

سطح ۲: تحلیل داده پیشرفته (ChatGPT Code Interpreter)

نسخه ChatGPT Plus شامل ابزار “Advanced Data Analysis” است که یک محیط امن و ایزوله (sandboxed) پایتون را در پس‌زمینه اجرا می‌کند. می‌توان گفت این قدرتمندترین ابزار تحلیل داده بدون کد (no-code) است که امروزه در دسترس است.

نحوه کار: وقتی یک فایل CSV، صفحه گسترده اکسل، دیتابیس SQLite یا فایل JSON را آپلود می‌کنید، ChatGPT کد پایتون (با استفاده از کتابخانه‌هایی مانند pandas, numpy و matplotlib) می‌نویسد تا فایل شما را تجزیه (parse) کند. کد را اجرا می‌کند، خروجی‌ها را تحلیل می‌کند و نتایج را به زبان طبیعی به شما ارائه می‌دهد.

آموزش گام به گام تحلیل داده با Code Interpreter:
۱. آماده‌سازی: یک نمونه CSV از داده‌های فروش تجارت الکترونیک دانلود کنید (ستون‌ها: تاریخ، محصول، دسته‌بندی، قیمت، تعداد، کشورمشتری).
۲. آپلود و مرور کلی: در ChatGPT آپلود کنید و بپرسید: “من داده‌های فروش سال ۲۰۲۳ را آپلود کرده‌ام. کد پایتون بنویس تا این دیتاست را لود کند، ۵ سطر اول را بررسی کند و خلاصه‌ای از ستون‌ها و انواع داده‌ها (data types) ارائه دهد.”
۳. تمیز کردن داده‌ها: “هرگونه مقادیر از دست رفته (NaNs) یا سطرهای تکراری در دیتاست را شناسایی کن. تکراری‌ها را حذف کن، و مقادیر خالی ‘تعداد’ را با میانه (median) تعداد همان ‘دسته‌بندی’ خاص پر کن.”
۴. تحلیل پیچیده: “یک تحلیل کوهورت (cohort analysis) انجام بده. می‌خواهم بدانم کدام کشورمشتری بالاترین ارزش طول عمر (LTV) را ایجاد کرده است، و محبوب‌ترین دسته‌بندی محصول در آن کشور خاص چیست.”
۵. تولید مصورسازی: “یک نمودار خطی با استایل زیبا تولید کن که رشد درآمد ماه به ماه را نشان دهد. مطمئن شو محور Y بر اساس دلار فرمت شده باشد. نمودار را به عنوان یک فایل PNG با کیفیت بالا خروجی بگیر و لینک دانلود را به من بده.”

سطح ۳: ابزارهای تخصصی داده هوش مصنوعی

• Julius AI: ابزار Julius.ai صراحتاً برای علم داده (data science) ساخته شده است. به طور مستقیم به Google Sheets یا دیتابیس PostgreSQL زنده شما متصل می‌شود. قابلیت‌های نمودارسازی بهتری نسبت به ChatGPT دارد و به شما اجازه می‌دهد تا به صورت تعاملی (iterative) مصورسازی‌ها را از طریق رابط کاربری در کنار چت تغییر دهید.
• NotebookLM: ابزار رایگان گوگل. می‌توانید تا ۵۰ منبع (PDF، متن، متن پیاده‌سازی شده یوتیوب) آپلود کنید. این ابزار یک هوش یکپارچه بر روی آن داده‌ها ایجاد می‌کند. برای تحلیل داده‌های کیفی، ترکیب متن مصاحبه‌های کاربران یا خلاصه‌سازی گزارش‌های مالی حجیم عالی است.

بررسی عمیق: گردش‌کارهای اتوماسیون (Automation Workflows)

اتوماسیون به معنای اتصال برنامه A به برنامه B است. هوش مصنوعی یک “مغز” را به وسط این اتصال معرفی می‌کند.

ادغام Zapier + هوش مصنوعی

زپیر (Zapier) ساده‌ترین پلتفرم برای مبتدیان است. با قرار دادن مراحل هوش مصنوعی (مانند “ChatGPT: Prompt”) در Zapهای خود، شما کارهای شناختی (cognitive) را خودکار می‌کنید، نه فقط انتقال داده‌ها را.

• نمونه گردش‌کار: “حلقه بازخورد مشتریان”
• ماشه (Trigger): پاسخ جدید در Typeform/Google Forms.
• اقدام ۱ (OpenAI): پرامپت: “این بازخورد را تحلیل کن. آن را به عنوان ‘باگ’، ‘درخواست ویژگی’ یا ‘تشویق’ دسته‌بندی کن. یک خلاصه یک جمله‌ای استخراج کن. احساس (sentiment) را ارزیابی کن (۱ تا ۱۰).”
• اقدام ۲ (مسیرها/Routing):
  _ اگر باگ بود -> یک تیکت در Jira ایجاد کن.
  _ اگر درخواست ویژگی بود -> به بورد محصول در Notion اضافه کن. * اگر تشویق بود -> یک پیام در کانال #wins اسلک (Slack) ارسال کن.

ادغام Make (Integromat)

ابزار Make.com از یک بوم بصری مبتنی بر گره (node-based) استفاده می‌کند. برای کارهای با حجم بالا بسیار ارزان‌تر از Zapier است و منطق‌های پیچیده (حلقه‌ها، آرایه‌ها، مدیریت خطا) را بسیار بهتر مدیریت می‌کند.

• نمونه گردش‌کار: “مانیتورینگ خودکار وبلاگ رقبا”
• ماشه: نظارت بر فید RSS وبلاگ رقیب.
• اقدام ۱ (HTTP Request): استخراج کل متن مقاله (Scrape).
• اقدام ۲ (Claude 3.5): پرامپت: “این مقاله را در ۳ نکته کلیدی خلاصه کن. این موارد چگونه با محصولات ما مقایسه می‌شود؟ یک پست لینکدین برای واکنش به این خبر پیش‌نویس کن.”
• اقدام ۳ (Google Docs): خلاصه و پست پیش‌نویس شده را به تقویم محتوایی تیم اضافه کن.

ابزار n8n (اتوماسیون متن‌باز و Self-Hosted)

اگر شرکت شما قوانین سخت‌گیرانه‌ای برای حریم خصوصی داده‌ها دارد یا روزانه هزاران کار را خودکار می‌کنید (که در Zapier گران تمام می‌شود)، n8n راه‌حل شماست.

• راه‌اندازی: می‌توانید آن را به صورت محلی از طریق Docker اجرا کنید: docker run -it --rm --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n docker.n8n.io/n8nio/n8n
• هوش مصنوعی محلی: ابزار n8n به طور یکپارچه با Ollama متصل می‌شود. شما می‌توانید یک LLM محلی و خصوصی (مانند Llama-3) را روی سیستم خود اجرا کنید. n8n می‌تواند داده‌ها را به Llama-3 محلی بفرستد، پردازش کند و به بیرون ارسال کند – به این معنی که داده‌های حساس شما هرگز به فضای ابری یا سرورهای OpenAI نمی‌رسد.

ساخت Custom GPTs / Gemini Gems

اگر متوجه شدید که یک الگوی پرامپت را بارها و بارها کپی و پیست می‌کنید، باید یک Custom GPT بسازید.

راهنمای گام به گام ساخت یک “GPT نویسنده مقالات سئو”:
۱. پیمایش: ChatGPT را باز کنید، روی پروفایل خود کلیک کنید -> “Explore GPTs” -> “Create”.
۲. نام و توضیحات: “استاد محتوای سئو” / “یادداشت‌های خام را به مقالات دارای رتبه تبدیل می‌کند.”
۳. دستورالعمل‌های سیستم (System Instructions) (گام حیاتی):

شما یک کپی‌رایتر متخصص سئو هستید.
هدف شما نوشتن مقالاتی است که در صفحه ۱ گوگل رتبه بگیرند.

    قوانین:
    ۱. لحن: حرفه‌ای اما محاوره‌ای (سطح خوانایی کلاس هشتم).
    ۲. فرمت‌بندی: به طور گسترده از تگ‌های H2 و H3 استفاده کن. در صورت نیاز از لیست‌های گلوله‌ای (bullet points) استفاده کن.
    ۳. کلمات کلیدی: کاربر یک کلمه کلیدی اصلی ارائه می‌دهد. باید آن را در H1، پاراگراف اول و حداقل یک H2 بگنجانی.
    ۴. خروجی: همیشه خروجی را در قالب Markdown تمیز ارائه بده.
    ```

۴. **پایگاه دانش (Knowledge Base)**: فایل‌هایی را برای پایه‌گذاری هوش مصنوعی آپلود کنید. فایل PDF "لحن صدای برند" (Tone of Voice) خود، لیستی از محصولات شرکت و ۳ نمونه از پست‌های وبلاگ موفق گذشته را آپلود کنید. هوش مصنوعی از این سبک تقلید خواهد کرد.
۵. **تست**: در پنجره پیش‌نمایش تایپ کنید "موضوع: مزایای هوش مصنوعی در منابع انسانی. کلمه کلیدی: اتوماسیون هوش مصنوعی منابع انسانی." و تولید یک مقاله عالی را تماشا کنید.

## تمرین عملی: پروژه اتوماسیون انتها به انتها (End-to-End)

<div align="center">
  <img src="https://upload.wikimedia.org/wikipedia/commons/b/b7/IntelligentAgent-Learning.svg" width="800" alt="معماری عامل یادگیرنده هوشمند" style="max-width: 100%; height: auto; border-radius: 8px;" />
  <p><em>معماری عامل هوشمند یادگیرنده، حسگرها، مولفه‌های یادگیری و محرک‌های اجرایی در اتوماسیون</em></p>
</div>

**سناریو**: می‌خواهید آماده‌سازی محتوای خبرنامه خود را خودکار کنید.

**فاز ۱: طراحی پرامپت هوش مصنوعی**
۱. به ChatGPT بروید و یک پرامپت بی‌نقص بسازید. \* "من یک URL ارائه می‌دهم. عنوان مقاله و نویسنده را استخراج کن و یک خلاصه جذاب ۵۰ کلمه‌ای مناسب برای یک خبرنامه ایمیلی بنویس. خروجی را دقیقاً با این فرمت JSON برگردان: `{"title": "...", "author": "...", "summary": "..."}`"

**فاز ۲: گردش کار Make.com**
۱. یک حساب رایگان Make.com ایجاد کنید.
۲. **ماشه (Trigger)**: یک سناریوی جدید ایجاد کنید. ماژول "Google Sheets - Watch Rows" را اضافه کنید. یک شیت با ستون‌های: `URL`, `Processed` ایجاد کنید.
۳. **اقدام**: ماژول "OpenAI - Create a Chat Completion" را اضافه کنید. `URL` را از Google Sheet به پرامپت خود پاس دهید. مطمئن شوید "Response Format" روی JSON تنظیم شده باشد.
۴. **اقدام**: ماژول "Parse JSON" را اضافه کنید تا Make بتواند خروجی هوش مصنوعی را درک کند.
۵. **اقدام**: ماژول "Mailchimp" یا "Google Docs" را برای اضافه کردن `title` و `summary` پارس شده اضافه کنید.
۶. **اقدام**: سطر Google Sheet را آپدیت کنید و ستون `Processed` را روی `TRUE` قرار دهید.
۷. **تست**: یک URL را در شیت خود پیست کنید و اجرای اتوماسیون را از ابتدا تا انتها تماشا کنید!

## اشتباهات رایج و محدودیت‌ها

- **اتوماسیون بیش از حد / مشکل ماشین روب گلدبرگ**: از هوش مصنوعی برای کاری که یک regex ساده یا دستور IF می‌تواند انجام دهد استفاده نکنید. فراخوانی‌های API هوش مصنوعی ۱ تا ۵ ثانیه طول می‌کشند و هزینه دارند. کدهای ساده در کسری از ثانیه و به صورت رایگان اجرا می‌شوند.
- **حریم خصوصی داده‌ها در فضای ابری**: هرگز اطلاعات هویتی حساس (PII)، داده‌های مالی یا سوابق بیماران را در هوش مصنوعی‌های ابری عمومی مانند ChatGPT بدون قرارداد سازمانی آپلود نکنید. برای داده‌های حساس از مدل‌های محلی (مانند Ollama) استفاده کنید.
- **توهم فرمول‌ها**: گاهی اوقات هوش مصنوعی فرمول‌های اکسل را با استفاده از توابعی (مانند `XLOOKUP` یا `LET`) تولید می‌کند که در نسخه‌های قدیمی‌تر اکسل وجود ندارند. همیشه نسخه نرم‌افزار خود را مشخص کنید.
- **شکست‌های خاموش در اتوماسیون**: اگر مدل LLM به طور ناگهانی فرمت خروجی خود را تغییر دهد (مثلاً قبل از بلوک اصلی JSON عبارت "Here is your JSON:" را اضافه کند)، پارسر JSON شما در Make/Zapier خراب می‌شود. **همیشه خروجی‌های ساختاریافته را اجباری کنید** (از قابلیت "JSON Mode" یا Structured Outputs API در OpenAI استفاده کنید).

## منابع منتخب

- [آکادمی Make.com (دوره‌های رایگان اتوماسیون)](https://academy.make.com/)
- [راهنمای اتوماسیون هوش مصنوعی Zapier](https://zapier.com/blog/ai-automation/)
- [راهنمای تحلیل داده پیشرفته OpenAI](https://help.openai.com/en/articles/8437071-advanced-data-analysis-with-chatgpt)
- [مستندات n8n](https://docs.n8n.io/)
- [دیتاست‌های Kaggle (یافتن داده‌های رایگان برای تمرین)](https://www.kaggle.com/datasets)

[← قبلی](../04-ai-in-coding/README.md) | [🏠 خانه](../../README.md) | [بعدی →](../06-api-rag-projects/README.md)

</div>