Websoftik AI Lab

01 / PROBLEM

Bir ürün fikrinin hesapladığı sonucu görünür kılmak.

Bir kaynak asistanı veya tahmin ürünü fikri, yalnızca örnek ekranlarla değerlendirilemez. Girdi değiştiğinde ne olduğunu ve sonucun nereden geldiğini incelemek gerekir.

AI Lab, iki küçük kapsamı çalışır hale getirir: belge bölümlerini bulmak ve günlük seriyi basit bir modelle tahmin etmek.

02 / VERİ

Açık ve sınırlı örnek veri.

Knowledge dört kurmaca belgedeki dokuz bölümü kullanır. Predict dört sentetik günlük seri sunar; kullanıcı 56–180 kesintisiz güne ait CSV de girebilir.

Belgeler şirket prosedürü değildir. CSV tarayıcıda işlenir; model hesaplaması için sunucuya gönderilmez ve bu deney tarafından kalıcı olarak saklanmaz.

03 / ZEKÂ

Küçük, hesaplanabilir ve karşılaştırılabilir.

Knowledge, BM25 ile kelime eşleşmelerini sıralar ve kaynak metnini gösterir. Bir dil modeli yanıtı veya anlamsal arama üretmez.

Predict; zaman eğilimi ve haftalık döngüyle regresyon kurar. Son 14 hedef günü, seçilen tahmin süresi kadar önce bilinen veriyle sınar; son haftayı tekrarlayan başlangıç yöntemiyle aynı hedeflerde karşılaştırır.

04 / ÜRÜN

Sonucun kaynağına kadar ilerlemek.

Deneylerde kullanıcı girdiyi değiştirebilir, kapsamı seçebilir ve yeniden hesaplanan sonucu inceleyebilir.

• Eşleşen metinden tam örnek belgeye geçiş
• Geçmiş hata ve başlangıç yöntemi karşılaştırması
• Günlük tahmin tablosu ve CSV indirme

05 / MÜHENDİSLİK

Hesaplama ve arayüz ayrı, sonuç birlikte.

Arama ve tahmin hesaplamaları bağımsız TypeScript modüllerinde tutuluyor. Arayüz; filtreleme, veri doğrulama, hata durumları ve sonuç indirmeyi bu hesaplamalara bağlıyor.

13 otomatik test; örnek kaynak sıralamasını, hesaplanan tahmini, zaman sınırlarını, sıfır talebi ve CSV hatalarını kapsar. Mobil, klavye ve canlı kullanım akışları ayrıca kontrol edildi.

06 / SONUÇ

Gözlemlenebilen çıktı: çalışan ve sınanmış deneyler.

Artan talep örneğinde 7 günlük ufuk için regresyon MAE değeri 2,79, haftalık tekrar MAE değeri 5,79 birim. Bu değerler 14 geçmiş hedef günün hatasını özetler; gerçek müşteri performansı değildir.

Değişen talep örneğinde başlangıç yöntemi daha düşük hata verir. Bu sonuç da ekranda gösterilir. İş değeri, üretim doğruluğu ve öğrenme etkisi için gerçek kullanım değerlendirmesi gerekir.