‏Decision Node: هوش مصنوعی که فقط تصمیم می‌گیره

Decision Node یه سیستم هوش مصنوعیه که به جای گفتگو، تصمیم می‌گیره. ورودیش متن یا تصویره و خروجیش جواب تایپ‌شده‌ست: یه گزینه، یه امتیاز، یه احتمال، یه شمارش یا مختصات روی تصویر. کنار هر جواب هم یه confidence کالیبره‌شده هست. مخاطبش برنامه‌نویس‌هایی‌ان که می‌خوان AI مستقیم تو کد بشینه، مثلاً یه refund رو فعال کنه یا یه تیکت رو مسیریابی کنه، بدون اینکه مجبور باشن یه متن رو parse کنن.

روش کار اینه که محتوا رو همراه با سؤال‌های تایپ‌شده می‌فرستی، مثل «این آدم بزرگساله؟» که boolean برمی‌گردونه یا «لیوان کجاست؟» که مختصات می‌ده. قبلش می‌شه boosterها رو روشن کرد، یعنی مدل‌های تخصصی که ورودی رو اول بررسی می‌کنن و نتیجه رو به مدل اصلی می‌دن. تو یه نمونه، چهار booster تخمین سن، تشخیص چهره، تشخیص تصویر AI و OCR روی یه عکس بازار فعال شدن. به گفته مقاله، با کنار هم گذاشتن این شواهد، مدل درست تشخیص داد که عکس ساخته AI هست، در حالی که مدل‌های دیگه اینو نفهمیده بودن.

ایده اصلی confidence scoring هست. برای سؤال بله/خیر ممکنه 0.1 برگرده، یعنی حدود یک در ده احتمال درست بودن. وقتی خلاقیت بهونه تکلیف یه بچه از ۰ تا ۱۰ امتیاز داده شد، جواب ۶ بود ولی با confidence فقط 0.19 و بازه ۳ تا ۹. تو یه سؤال چندگزینه‌ای هم دو گزینه 0.39 و 0.35 گرفتن با اطمینان کلی 0.09، یعنی عملاً شیر یا خط. نتیجه برای برنامه‌نویس اینه که می‌تونه بالای یه آستانه خودکار تأیید کنه و پایینش کار رو بده دست آدم.

تو یه تست واقعی‌تر، شکایت یه سرکارگر با چهار سؤال به API رفت. جواب‌ها: مسیریابی با 0.99، فوریت 2.82 از 3، احتمال تماس فوری 0.92، و «3.5 ساعت تأخیر» هم درست از متن بیرون کشیده شد. تو یه تست دیگه، یه پیام مشتری یه دستور مخفی داشت که می‌خواست AI یه refund پنج‌هزار دلاری رو تأیید کنه و موضوع رو معمولی علامت بزنه. Decision Node این prompt injection رو با confidence برابر 1 تشخیص داد، refund رو رد کرد و تیکت رو با 0.99 به بخش billing فرستاد، همه‌ش تو کمتر از ۱۰۰ میلی‌ثانیه.

یه knowledge base هم داره، یعنی یه قانون‌نامه PDF یا متنی که یه بار آپلود می‌کنی و خودش تیکه‌تیکه و index می‌شه (همون RAG). تو یه نمونه با قوانین کرایه قطار، سؤال درباره مسافری با بچه، سگ و دوچرخه جواب «تا حدی» گرفت: بچه مجانیه، سگ و دوچرخه تو اون ساعت مجاز نیستن. روی تصویر هم کار می‌کنه و می‌تونه مختصات یه شیء رو بده، دورش کادر بکشه یا بشمره. مثلاً روی عکس یه میز شلوغ، لیوان رو پیدا کرد و پنج تا خودکار رو با 0.92 شمرد.

نویسنده می‌گه برای کارهای پرحجم مثل moderation، مسیریابی تیکت و تشخیص تقلب، parse کردن خروجی چت شکننده و کنده و Decision Node این خلأ رو پر می‌کنه. چون متنی تولید نمی‌شه، توکن خروجی هم رایگانه و batch تا ۱۰ هزار درخواست با قیمت کمتر پشتیبانی می‌شه. دسترسی از طریق وب، REST API، CLI و Python SDK هست و دو مدل باز هم برای اجرای محلی در راهه. ولی دستیار همه‌کاره نیست و جای چت‌بات رو نمی‌گیره.

نکات کلیدی:

• خروجی تایپ‌شده مثل boolean، احتمال، امتیاز یا مختصات پیکسلی
• هر جواب یه confidence کالیبره‌شده داره که می‌شه روش آستانه گذاشت
• boosterها: تخمین سن، تشخیص چهره، تشخیص تصویر AI، OCR و knowledge base
• تشخیص prompt injection با confidence برابر 1 در کمتر از ۱۰۰ میلی‌ثانیه
• توکن خروجی رایگان و batch تا ۱۰ هزار درخواست
• دو مدل باز برای اجرای محلی در راهه